介绍 Maspectra
我们非常高兴推出 Maspectra®,它能够帮助您加速药物开发的建模和仿真过程。
Maspectra® 旨在成为一个在性能、易用性和可扩展性方面表现出色的数据分析平台,专门满足药理学和统计功能的多样化需求。
我们的开发主要集中在两个方面:一个基于 Python 的建模框架,名为 masmod,以及一个跨平台的软件图形用户界面。
masmod 框架
masmod 是一个高性能的药代动力学/药效学 (PK/PD) 建模与仿真框架,具有精心设计的 Python 接口。它提供了一系列工具,包括探索性数据分析、模 型定义/估算/评估和仿真。
masmod 的语法遵循广泛认可的 Python 风格,学习和使用起来非常简单。其可扩展性使得您可以轻松将自己的模型纳入定制的 masmod 模型库中。
编写和读取 masmod 模型就像编写和阅读数学方程一样简单。您还可以使用 masmod 进行模型仿真并可视化结果。如果您有使用知名机器学习框架 PyTorch 的经验,您会发现语法上的相似之处,使其直观且易于访问。
Show me a demo!
class DemoPopPKProblem(Module):
def __init__(self):
super().__init__()
# pk parameters
self.tv_v = theta(8.06, bounds=(0.01, 20))
self.tv_cl = theta(0.131, bounds=(0.01, 1))
self.tv_ka = theta(1.325, bounds=(0.01, None))
self.tv_alag = theta(1.03, bounds=(0.01, 24))
self.eta_v = omega(0.016744)
self.eta_cl = omega(0.0662868)
self.eta_ka = omega(0.452064)
self.eta_alag = omega(0.302627)
self.eps_prop_pk = sigma(0.00478)
self.eps_add_pk = sigma(0.135)
# Compartments
self.dose_cmt = compartment(default_dose=True)
self.central_cmt = compartment(default_obs=True)
# From Data Input
self.wt, self.dvid = column(['WT', 'DVID'])
def pred(self):
cl = self.tv_cl * (self.wt / 70)**0.75 * exp(self.eta_cl) # Clearance
v = self.tv_v * (self.wt / 70) * exp(self.eta_v) # Volume
ka = self.tv_ka * exp(self.eta_ka) # Absorption rate
alag = self.tv_alag * exp(self.eta_alag) # Absorption lag time
k20 = cl / v
self.dose_cmt.alag = alag # Alag on dosing compartment
cp = self.central_cmt.A / v # Central compartment concentration
self.dose_cmt.dAdt = -ka * self.dose_cmt.A # Dose compartment dynamics
self.central_cmt.dAdt = ka * self.dose_cmt.A - k20 * self.central_cmt.A # Central compartment dynamics
y = cp * (1 + self.eps_prop_pk) + self.eps_add_pk # Additive and proportional error
return y
如果您对 masmod 感兴趣,请查看我们的 快速入门指南 以获取更多详细信息。
Maspectra® 图形用户界面
Maspectra® 是用于建模和仿真工作流的桌面软件。它提供了一个图形用户界面(GUI),作为 药物发现与开发的建模信息管理(MID3) 的集成开发环境(IDE)。
它是 MID3 工作流的一体化解决方案,涵盖药代动力学/药效学建模、统计分析、数据处理/可视化等。该软件是跨平台的,支持 Windows 和 macOS(Linux 版本正在开发中)。
我们将在后续博客中提供更多有关 Maspectra® 软件的详细信息,请继续关注我们 👀!
这是本博客的第一篇文章,感谢阅读。我们将持续更新此博客,与你分享我们的进展。如果您对我们的项目感兴趣,请在 GitHub 上关注我们。同时,我们也将在此发布更多有趣的内容,敬请期待!
我们建议您 加入我们的候补名单,以便在 Maspectra® 公开发布后第一时间体验。