ÖZ
Amaç
Kullanıcı dostu bir grafiksel kullanıcı arayüzüne sahip, açık kaynak kodlu ve Python tabanlı bir yazılım paketi olan “interaktif farmakokinetiki (FK)” geliştirmeyi amaçladık. Temel hedefimiz, endüstri standardı FK modelleme araçlarına erişimdeki maliyet ve karmaşıklık engellerini aşmak; öğrenciler ve araştırmacılar için teorik FK prensiplerinin pratik uygulamasını kolaylaştırmaktır.
Yöntemler
Yazılım, ilaç konsantrasyon-zaman profillerini simüle etmek için diferansiyel denklem sistemlerini çözerek bir, iki ve üç kompartmanlı modelleri kullanmaktadır. Parametre tahmini, logaritmik hata kareleri toplamını en aza indirmek için doğrusal olmayan optimizasyon algoritmaları kullanılarak gerçekleştirilir. Platform; temel hesaplamalar için NumPy ve SciPy kütüphanelerini, popülasyon verilerinin paralel işlenmesi için ise multiprocessing kütüphanesini kullanarak Python dilinde geliştirilmiştir.
Bulgular
Kullanıcı dostu bir grafik kullanıcı arayüzüne sahip, tam entegre ve işlevsel bir yazılım uygulaması oluşturuldu. Platform, kullanıcıların simülasyonlar yürütmesine ve Cmax ile Tmax gibi temel parametreler dahil olmak üzere sonuçları görselleştirmesine olanak tanımaktadır. Yazılım, tek kompartmanlı modeller için hasta verilerinden sıfırdan parametre tahmini gerçekleştirebilmekte ve önceden sağlanan verileri kullanarak yeni iki ve üç kompartmanlı modelleri oluşturabilmektedir.
Sonuç
Bu yazılım, temel FK simülasyonu ve modellemesi için erişilebilir ve ücretsiz bir araç sunmaktadır. Araç, özellikle kaynakların kısıtlı olduğu ortamlarda, hem farmakoloji eğitimi için değerli bir pedagojik enstrüman hem de ön araştırmalar için yetenekli bir platform görevi görmektedir. Gelecekteki çalışmalar, kabul görmüş yazılımlara karşı kapsamlı bir validasyon gerçekleştirilmesine odaklanmalıdır.
Anahtar Kelimeler:
Farmakokinetik modelleme, bilimsel yazılım, ilaç geliştirme, klinik araştırma
Kaynaklar
1Ahmad AM. Recent advances in pharmacokinetic modeling. Biopharm Drug Dispos. 2007; 28: 135-43.
2Kimko H, Pinheiro J. Model-based clinical drug development in the past, present and future: a commentary. Br J Clin Pharmacol. 2015; 79: 108-16.
3Park WS. Pharmacometric models simulation using NONMEM, Berkeley Madonna and R. Transl Clin Pharmacol. 2017; 25: 125-33.
4Jamei M, Marciniak S, Feng K, Barnett A, Tucker G, Rostami-Hodjegan A. The simcyp population-based ADME simulator. Expert Opin Drug Metab Toxicol. 2009; 5: 211-23.
5Brackett C, Reuning R. Teaching pharmacokinetics using a student-centered, modified mastery-based approach. Am J Pharm Educ. 1999; 63.
6Fasinu PS, Wilborn TW. Pharmacology education in the medical curriculum: challenges and opportunities for improvement. Pharmacol Res Perspect. 2024; 12: e1178.
7Onaran O. Temel farmakokinetik kavramlar. In: Kayaalp SO, Gümüşel B, Babaoğlu MÖ, Melli M, editors. Oğuz Kayaalp Tıbbi Farmakoloji. 14th ed. Ankara: Güneş Tıp Kitabevleri; 2024.
8Bauer RJ, Guzy S, Ng C. A survey of population analysis methods and software for complex pharmacokinetic and pharmacodynamic models with examples. AAPS J. 2007; 9: E60-E83.
9Fidler M, Wilkins JJ, Hooijmaijers R, Post TM, Schoemaker R, Trame MN, et al. Non-linear mixed-effects model development and simulation using nlmixr and related r open-source packages. CPT Pharmacometrics Syst Pharmacol. 2019; 8: 621-33.
10Hooijmaijers R. Introduction to the shinyMixR package [Internet]. CRAN; Available from: https://cran.r-project.org/web/packages/shinyMixR/vignettes/getting_started.html Accessed 2025 Oct 11.
11Pittard WS, Li S. The essential toolbox of data science: Python, R, Git, and Docker. Methods Mol Biol. 2020; 2104: 265-311.
