AIKraft/Skills/pkpd-modeling

pkpd-modeling

Моделирование PK/PD: NCA, компартментные и популяционные модели, TMDD, PBPK, биоэквивалентность, масштабирование и предсказание взаимодействий. Используйте для анализа концентраций, подбора доз и оценки экспозиции с помощью NONMEM, nlmixr2, Pharmpy, Monolix.

KDK-Dense official Данные ★ 47.8k

Что делает навык

Моделирование фармакокинетики и фармакодинамики (PK/PD): некомпартментный анализ (NCA), компартментные и популяционные модели, TMDD, PBPK, биоэквивалентность, масштабирование и предсказание взаимодействий. Используется для анализа концентраций, подбора доз и оценки экспозиции с помощью NONMEM, nlmixr2, Pharmpy, Monolix.

Когда применять

  • Анализ концентраций во времени и некомпартментный анализ (NCA) для оценки AUC, CL и других параметров.
  • Планирование биоэквивалентности и расчет мощности исследований (2x2, параллельные группы).
  • Скрининг лекарственных взаимодействий (DDI) на основе статических моделей и параметров ингибирования/индукции.
  • Масштабирование доз от животных к человеку (FIH) с учетом аллометрии и созревания органов.

Как работает

  1. Зафиксировать аналит (свободный/общий препарат, метаболит), матрицу, историю дозирования, фактические времена, единицы измерения, популяцию и assay/LLOQ; конвертировать единицы до подгонки (mg/L = мкг/мл).
  2. Предварительно выбрать метрику экспозиции (AUC(0-t), AUC(0-inf), AUC(0-tau) в стационарном состоянии), указать правила обработки BLQ, пропущенных данных и выбора терминальной фазы.
  3. Разделить структурную, остаточную вариабельность и ковариатные модели; проверить сходимость, чувствительность, корреляции и профили правдоподобия.
  4. Использовать скрипты Python (nca.py, fit_compartmental.py, check_popk_dataset.py, simulate_regimen.py, exposure_response.py, bioequivalence.py, allometry_and_fih.py, ddi_static.py) с входными данными в формате CSV/TSV/JSON.
  5. Интерпретировать выходы: exit 0 — без замечаний, exit 1 — есть замечания, exit 2 — неверный ввод; замечания выводятся в stderr, данные — в stdout.
  6. Не использовать результаты для установления клинической безопасности, рекомендации дозы пациенту или сертификации регуляторной подачи.

Примеры запросов агенту

Выполни некомпартментный анализ профиля концентраций из файла profile.csv для дозы 100 мг экстравазального введения, используя правило обработки BLQ half-lloq.
Рассчитай мощность исследования биоэквивалентности для дизайна 2x2, CV 0.30, GMR 0.95 и целевой мощности 80%.
Оцени потенциальное лекарственное взаимодействие (DDI) с использованием статической модели, задав Ki 0.5 мкМ, imax 2, fu 0.05 и дозу 0.4 мкМоль.

Что понадобится

  • Python 3.13, NumPy 2.5.3, SciPy 1.18.1
  • Скрипты из репозитория skills/pkpd-modeling/scripts
  • Изолированная среда выполнения без доступа к сети и проприетарным движкам

Описание составлено по SKILL.md навыка, сверено 08.10.2026.

Как подключить

1Скачать навык
# возьмите папку навыка «pkpd-modeling» из репозитория: # https://github.com/k-dense-ai/scientific-agent-skills
2Положить папку с SKILL.md к навыкам ассистента
# положите папку навыка туда, где ассистент ищет skills: cp -r pkpd-modeling/ ~/.claude/skills/pkpd-modeling/

Навык — папка с файлом SKILL.md (описание + инструкции) и опциональными скриптами. Ассистент (Claude, Claude Code и совместимые) подхватывает его по описанию и следует шагам.