PK/PD 建模与模拟实战指南scientific-agent-skills 技能库的九步工作流全解析【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills本指南系统讲解scientific-agent-skills仓库中 pkpd-modeling 技能 的完整使用方式它围绕身体对药物做了什么药代动力学 PK与药物对身体做了什么药效学 PD这一核心问题提供了从非房室分析NCA、房室模型拟合、群体 PK、剂量模拟、暴露-反应分析、生物等效性、异速缩放、药物相互作用评估到贝叶斯治疗药物监测的九个开箱即用脚本。读者读完可以掌握每个脚本的命令行用法、底层统计学约定以及如何用这些工具做可复现、可审计的 PK/PD 计算与诊断。技能定位何时使用与三条铁律任何涉及药物浓度-时间数据的问题都适合调用该技能包括从浓度-时间曲线推导暴露指标、拟合结构模型、构建或检查群体分析、选择剂量与给药方案、关联暴露与效应、比较不同制剂、或将结果外推到新人群。在动手计算之前SKILL.md 给出了必须内化的三条规则先固定暴露指标与分析人群再开始任何计算。AUC(0-t)、AUC(0-inf)、稳态 AUC(0-tau) 与 Cavg 是不同的量、回答不同的问题基于观测 C_last 与基于预测 C_last 的 AUCinf 也不同。看完数字再选指标正是阴性研究变阳性研究的经典路径。结构模型、变异模型、协变量模型是三次独立决策。三者在实践中常常被混为一谈——多加一个房室去吸收本属于未建模的 occasion 间变异、加一个协变量去修复本属于吸收模型设定错误的问题。在改动任何一个之前先诊断是哪一层错了。收敛不等于可识别。一个参数 RSE 高达 200%、或两个参数相关系数 0.99 的拟合只说明数据无法把它们分开。本技能的每个拟合脚本都会同时报告并标记这两种情况因为只看参数表在这种情形下看起来完全正常。该技能还有明确的边界它负责计算、诊断与结构化但不负责判定生物等效、为试验选剂量、为患者推荐剂量、下无 QT 风险的结论也不能替代合格的定量药理学家或监管审评。脚本只报告不替人下结论尤其 tdm_bayes.py 只是建模辅助工具任何对患者给药方案的改动都是主治医生的决定。脚本总览与统一命令行约定所有脚本位于skills/pkpd-modeling/scripts/SKILL.md 建议先cd skills/pkpd-modeling/scripts再运行脚本回答的问题nca.py暴露指标是多少末端相是否足够好到可以报告它们fit_compartmental.py这些数据支持哪种结构模型参数是否可识别simulate_regimen.py该方案在稳态的表现如何能达到目标的群体比例是多少check_popk_dataset.pyNONMEM 会像我预期的那样读这份数据集吗exposure_response.py是否存在暴露-反应关系平台期是否落在数据范围内bioequivalence.py90% 置信区间是否满足判据适用哪个判据allometry_and_fih.py起始剂量是多少或更小/更年轻人群的剂量是多少ddi_static.py体外数据是否触发 ICH M12 下的临床 DDI 研究tdm_bayes.py该患者实测浓度对应的个体参数是多少所有脚本共享一套接口约定输出格式统一由--format table|tsv|json控制数据写到 stdout溯源信息与 findings 写到 stderr因此 out.tsv可以把两者干净地分开退出码语义一致0表示无 findings1表示有 findings 被触发2表示输入有误——因此任意脚本都可以作为工作流中的门禁gate。两个私有模块承载共享机制_models.py 提供线性 mammillary 模型的解析解以及积分形式的 Michaelis-Menten、TMDD 与间接反应结构_common.py 提供输入输出与报告机制。SKILL.md 明确建议直接导入它们而不要自己重写一遍 Bateman 函数。工作流一非房室分析NCA非房室分析的经典入口python3 nca.py -i profile.csv --dose 100 --route extravascular --partial-auc 0-24NCA 在算术上看起来微不足道但同一份数据的两次分析结果不一致几乎总是可以追溯到四个很少被写下来的选择。该脚本把四个选择全部显式暴露--auc-method默认linup-logdown、--blq-rule、--lambda-z-points或显式的--lambda-z-window以及报告auc_inf_obs还是auc_inf_pred。四个决定答案的约定梯形法则。线性法则在下降段用(C1C2)/2 * dt线性上升/对数下降linear-up/log-down在上升段用线性、下降段用对数是存在对数线性衰减的药物的常规默认全对数法则用(C1-C2)/kk ln(C1/C2)/dt在上升或平坦段失效。在凸型下降曲线上线性梯形高估AUC因为弦在指数曲线上方误差随采样间隔增大而增大——稀疏的末端采样在纯线性法则下会把 AUC 向上偏。SKILL.md 明确指出NCA 与房室模型算出的清除率永远无法完全一致本质上是稀疏采样吸收相的梯形法则不可消除的偏差。关于 AUMCnca-conventions.md 特别提醒对数下降段的 AUMC 是(t1*C1 - t2*C2)/k (C1 - C2)/k^2不能对 AUC 公式做朴素替换。lambda_z 的选择。标准规则从最后三个可定量点开始逐点向前扩展只有当调整后r² 的改善超过 0.0001 时才保留更长的窗口。普通 r² 随点数单调上升因此总会选最长的窗口调整后 r² 是唯一有判别力的版本。Tmax 及之前的点永远不合格——把 Tmax 纳入会拟合吸收的尾部使 lambda_z 偏高从而让半衰期、Vz 和 AUCinf 偏低。尾部的 BLQ 样本应从回归中排除而不是置零。BLQ 值如何处理。常见的监管可接受组合是首个可定量样本前的 leading BLQ 置零、embedded BLQ 置零或 LLOQ/2二选一并写明、trailing BLQ 排除。关键约束同一规则必须对每个 profile、每个治疗臂一视同仁——只作用于试验制剂而不作用于参比制剂的规则会直接污染比值。AUCinf 基于观测还是预测 C_last。AUCinf_obs AUClast Clast_observed/lambda_zAUCinf_pred AUClast Clast_predicted/lambda_z。当最后一个观测点偏离拟合线即它恰好在噪声上时二者不同_pred更稳定_obs更常用报告时必须注明选的是哪个。可报告性诊断与示例输出在无噪声模拟的一房室口服 profileCL/F 5V/F 20ka 1.2上脚本输出id cmax tmax auc_last lambda_z t_half r2_adj auc_inf_obs pct_auc_extrap cl_f vz_f 1 3.29678 1.5 19.8737 0.25 2.77259 1 19.8739 0.000781037 5.03173 20.1269CL/F 的 0.6% 高估正是稀疏采样吸收相上梯形法则的固有偏差。findings 才是重点——一个截断在 tau 处的稳态 profile 会触发finding: subject A: 25.2% of AUCinf is extrapolated (above 20%); AUCinf is driven by the lambda_z fit, not by data finding: subject A: lambda_z window spans 0.58 half-lives (below 2.0); the terminal phase may not have been reached两条都正确且都经常被无视。在稳态可报告的暴露指标是AUC(0-tau)而不是 AUCinf脚本仍然把 AUCinf 算出来就是为了告诉你别信它。nca-conventions.md 汇总了四条常规而非法规的可报告性判据值得预先规定窗口内点数 ≥ 3否则斜率是两点内插调整后 r² ≥ 0.80有时 0.85跨度比窗口时长/半衰期≥ 2% AUC 外推 ≤ 20%。同时它还给出完整的参数定义表Cmax/Tmax 必须是观测值、绝不内插Tmax 用中位数和范围汇总而非均值Vss 仅对静脉数据有定义MRT 对零阶输注需减去 Tinf/2Vz 是末端相参数、对多房室药物系统性大于 Vss二者不是同一量的两个估计建在一个之上的协变量模型不能迁移到另一个。稀疏采样每人 1-2 个样本时不能用个体 NCA要用 Bailer 方法及其 Nedelman-Jia 扩展估计批次设计的均值 AUC 与标准误。此外仓库还提供了 nca-reporting-checklist.md逐项列出报告必须声明的梯形法则、各位置的 BLQ 规则、lambda_z 选择规则与每受试者的窗口、AUCinf 依据以及暴露指标用几何均值几何 CV%、Tmax 用中位数范围等呈现规范。工作流二房室模型拟合与模型选择python3 fit_compartmental.py -i profile.csv --dose 500 --route iv-bolus --compare 1cmt,2cmt,3cmt参数在对数尺度上估计因此不可能为负置信区间天然不对称加权默认1/y2恒定 CV这对 PK 是对的、对同方差 PD 终点是错的。对模拟二房室数据CL 4V1 12Q 6V2 408% 比例误差的拟合结果model parameters wssr aic bic f_vs_simpler f_p_value compared_with 1cmt 2 3.13201 -19.4956 -18.0795 n/a n/a n/a 2cmt 4 0.0309579 -84.7477 -81.9155 550.936 9.38016e-12 1cmt 3cmt 6 0.0232859 -85.0193 -80.771 1.4826 0.27762 2cmtAIC 选三房室BIC 和 F 检验都拒绝它。AIC 每参数固定惩罚 2在此样本量下偏弱比从业者预期的更常选出过参数化模型。参数表给出最终裁决finding: fit: Q3 has 98% RSE - not estimable from these data at this model size finding: fit: V3 has 71% RSE - not estimable from these data at this model size而一房室拟合则获得finding: fit: residual signs are not random (runs test p 0.0036) - a structural misspecification, which no amount of reweighting will fix结构设定错误与误差模型错误是必须分清的两种情形残差对时间图中连续同号段意味着模型形状错了随机符号的异方差残差意味着加权错了。对前者重新加权只是掩盖问题而非修复。structural-models.md 进一步说明_models.py只接受cl, v1, q, vp参数化微常数 k10/k12/k21 和宏常数 A/alpha/B/beta 都是输出而非可估参数通过速率矩阵的特征分解求lambda_i与coef_i对任意房室数都成立、无特例吸收项在ka -lambda_i处存在可去奇点即 flip-flop 边界_models.py处理了它而手写 Bateman 函数通常没有。当吸收慢于消除ka lambda_z时口服 profile 的末端斜率反映的是吸收而非消除仅靠血管外数据无法分辨哪个根是哪个——该脚本会报告flip_flop_suspected并触发 finding。房室数选择应依次依据残差模式、嵌套模型的 F 检验、BIC 与参数精度不要单独用 AIC。该参考还给出完整的 NONMEM ADVAN/TRANS 映射表ADVAN1-17含 NONMEM 7.6 新增的 ADVAN16/17 时滞微分方程求解器及增加房室要改变结论Vss、末端半衰期、蓄积比、预测谷浓度才成立的判据。工作流三群体药代动力学PopPK群体 PK 的时间大部分花在跑模型之前的数据检查上python3 check_popk_dataset.py -i nmdata.csv --covariates WT,CRCL --time-varying WT该脚本存在的理由是那些不停止运行、静默出错的缺陷——NM-TRAN 不会拒绝非数值 DV它把BLQ当 0 读并当作真实零浓度去拟合空白协变量变成 0于是缺失体重变成 0 kg 患者ADDL没有II就不放置任何额外剂量共享时间戳的记录按文件顺序应用因此样本是给药前还是给药后取决于哪行在前。典型输出severity check detail error non-numeric DV DV contains text... NM-TRAN reads them as 0 error subject with no dose 1 subject(s) have observations but no dose: 2 error TIME not sorted 1 subject(s) have out-of-order TIME: 1 error covariate WT missing 1 record(s) have no value... warning duplicate TIME within a subject NONMEM applies them in file order...dataset-standards.md 给出了完整背景监管提交数据是 CDISCSDTM 的 PC/PP/EX 与 ADaM 的 ADPC/ADPP建模数据是 NONMEM 格式二者转换是缺陷的主要来源名义时间 vs 实际时间是影响最大的转换决策NCA 与群体建模必须用距最近一次给药的实际流逝时间。该参考还列出 NONMEM 数据项ID/TIME/DV/AMT/EVID/MDV/CMT/RATE/SS/II/ADDL各自的陷阱以及 12 种不停止运行的缺陷非数值 DV、缺失协变量读作 0、ADDL 无 II、SS 无 II、重复时间戳、TIME 未排序、有观测无剂量、有剂量无观测、时变协变量当作基线、单位不一致——mg 配 ng/mL 会让体积差 10⁶ 倍、口服记录残留 RATE、混合时间原点。BLQ 的正规处理是保留数值 DV 并另加 BLQ/LLOQ 标志列在模型中实现所选方法通常 M3而不是改数据。对于估计本身SKILL.md 明确本技能不重实现 NLME而是指向 population-pk.md估计方法、BLQ M1-M7、协变量建模、模型可接受性诊断与 software-ecosystem.md该用哪个工具。其中要点包括三层模型结构层/个体层/残差层分别诊断FOCE-IINTERACTION在比例或混合残差误差下是必需的BLQ 低于约 10% 时 M1 可辩护、之上应用 M3需要F_FLAG1和 Laplace 方法协变量建模先正结构/变异模型、按机制纳入体尺与成熟度指数固定 0.75/1.0、用 eta-协变量图筛选、前向纳入 p0.05ΔOFV3.84后向剔除 p0.001ΔOFV10.83诊断用 CWRES 而非 WRES、eta shrinkage 超过 20-30% 时个体估计不可用于二次分析、条件数高于约 1000 提示病态fit_compartmental.py用同一口径报告该量VPC 是信息量最大的单一诊断剂量或协变量因人而异时要用预测校正 VPCpcVPC。工作流四模拟与给药方案选择python3 simulate_regimen.py --cl 5 --v 40 --dose 500 --interval 12 --n-doses 10 --steady-state python3 simulate_regimen.py --cl 5 --v 40 --dose 500 --interval 12 --n-doses 10 \ --simulate 2000 --omega-cl 0.35 --omega-v 0.25 --target-trough 4.0确定性模拟回答的是典型患者长什么样而这几乎从不是真正的问题metric p5 p25 median p75 p95 geo_mean peak 11.861 14.6018 16.6702 19.1476 22.9339 16.6453 trough 0.863226 2.15191 3.64412 5.49555 9.21053 3.27035 target fraction_attaining trough 4 0.444典型谷浓度是 3.6、目标是 4因此只有 44% 的人群达标——按典型患者调出的方案会让约一半人群站在目标的错误一侧。且这里的达标率仍偏乐观只含个体间变异没有残差或 occasion 间分量。线性模型被解析求解并线性叠加这是精确的--nonlinear切换到积分形式的 Michaelis-Menten 消除此时叠加原理失效多剂量行为完全无法从单剂量推断蓄积比变得依赖剂量structural-models.md 中以苯妥英为例治疗窗内 10% 的剂量增幅可能带来大得多的暴露增幅。工作流五暴露-反应分析python3 exposure_response.py --emax -i er.csv --sigmoid python3 exposure_response.py --cqtc -i qt.csv --cmax 250Emax 拟合会报告fraction_of_emax_reached并标记平台期在数据范围之外的拟合。当最高观测暴露只达到估计 Emax 的三分之一时Emax 与 EC50 都是外推值且彼此强相关——数据只能确定它们的比值低浓度肢的斜率Emax/EC50线性暴露-反应不过是同一条曲线的低浓度肢。此情形下应报告斜率而不是 Emax/EC50pd-and-exposure-response.md 中阈值为 0.5。--cqtc评估的是预测的安慰剂校正 ΔQTc 双侧 90% 置信区间的上界对 10 ms 阈值这正是 ICH E14 真正问的问题——点估计或 95% 区间回答的是另一个问题。脚本内置的模型只是用于筛查的普通线性回归提交级的 C-QTc 分析需要随机截距与随机斜率的混合模型并检查非零截距与线性假设ddi-and-qt.md。每种模式都携带同一句常被遗忘的告诫患者被随机化到剂量而不是暴露。即使在随机试验内部跨暴露分位数的暴露-反应也是观察性的可能反映驱动清除率的协变量肿瘤领域高暴露显效的已知伪影即源于此缓解手段包括在 E-R 模型中纳入混杂协变量、病例匹配或跨随机剂量组比较。工作流六生物等效性python3 bioequivalence.py -i be.csv --design 2x2 --metric AUC python3 bioequivalence.py -i be.csv --design replicate --metric Cmax --scaling both python3 bioequivalence.py --power --cv 0.30 --gmr 0.95 --target-power 0.80三个判据共用生物等效一词却不可互换平均 BEABEAUC 与 Cmax 几何均值比值的 90% 置信区间落在 80.00-125.00% 内在对数变换数据上计算EMA 的 ABEL限宽作为 CVwR 的函数放宽、在 CVwR 50% 处封顶为 69.84-143.19%点估计仍须在 80-125% 内FDA 的 RSABE根本不是区间判据而是经 Hyslop 方法评估的缩放线性化界(mu_T - mu_R)^2 - theta^2*s2wR 0theta ln(1.25)/0.25 0.8926在 CVwR ≥ 30% 时适用、以下用未缩放 ABE。--scaling会拒绝在 2x2 设计上运行error: reference-scaling requires --design replicate. High observed variability in a 2x2 study does not license widening: without replicated reference administrations there is no estimate of within-subject reference variability to scale to.样本量可以精确复现发表表格CV 30%、GMR 0.95、80% 功效 → 2x2 设计 N 40功效通过对估计标准差的抽样分布积分计算而非把标准误当已知——正态近似在现实样本量下高估功效。注意 N 受假设 GMR 的影响远大于受 CV 的影响把 1.00 当成 0.95 假设会使算出的 N 减半这正是 BE 研究功效不足的最常见原因。bioequivalence.md 提供完整样本量表CVw 15%→N12、20%→20、25%→28、30%→40、35%→52、40%→66、设计对照表2×2 交叉/平行/部分重复/完全重复/Williams、ICH M13 系列状态以及七条常见错误清单t 检验倒置假设、非变换数据分析、2x2 缩放、事后缩放、揭盲后剔除受试者、只报 AUC、忽略周期效应。工作流七异速缩放、儿科与首次人体剂量python3 allometry_and_fih.py --scale --cl 5 --weight-from 70 --weight-to 6 --pma-weeks 44 python3 allometry_and_fih.py --fih --noael rat50,dog10 --safety-factor 10仅按体尺缩放会在约 2 岁以下高估清除率新生儿可高数倍因为此阶段清除率受酶与肾成熟度限制而非体尺。提供--pma-weeks会加入 Anderson-Holford 的 S 形成熟度项低于 20 kg 不提供则触发 findingparameter reference exponent size_scaled maturation_factor final CL 5 0.75 0.792063 0.30634 0.242641 V 40 1 3.42857 1 3.42857仅体尺会预测 0.79 L/h44 周胎龄post-menstrual age考虑成熟度后是 0.24 L/h相差 3.3 倍。体积不受成熟度影响——成熟度描述的是消除能力而非分布空间。special-populations.md 补充通用清除率成熟度参数TM50 ≈ 54.2 周、Hill ≈ 3.92必须用胎龄孕周出生后周龄而非出生后年龄并给出酶个体发育概览CYP3A7 出生时高、一年内下降CYP3A4 出生时低、约 1 岁达成人水平CYP2D6 数周内成熟CYP1A2 约 4-5 个月UGT 与 GFR 缓慢成熟以及 ICH E11A 儿科外推框架Step 4 于 2024-08-21 通过、2025-01-25 生效——儿科剂量选择预期是模型告知的而非成人标签的 mg/kg 外推。--fih使用 FDA 2005 版最大安全起始剂量指南的体表面积换算且总是输出 finding对激动剂免疫调节剂仅靠 NOAEL 推导的 MRSD 不充分——要用--mabel计算 MABEL 并取二者中的较低值。工作流八药物相互作用python3 ddi_static.py --basic --ki 0.5 --imax 2.0 --fu 0.05 --dose 0.4 python3 ddi_static.py --msm --ki 0.5 --imax 2.0 --fu 0.05 --dose 0.4 --fm 0.9 --fg 0.7ICH M12 基础模型及其截断值ddi-and-qt.md 给出完整表可逆抑制肝R1 ≥ 1.02、肠CYP3A4R1,gut ≥ 11Igut dose/250 mL时间依赖性抑制R2 ≥ 1.25诱导R3 ≤ 0.8肝摄取转运体OATP1B1/1B3≥ 1.1、肠转运体P-gp/BCRP≥ 10、肾转运体OAT/OCT/MATE≥ 0.1。基础模型被刻意设计为保守阴性有意义阳性只是进一步工作的触发信号而非临床幅度的预测。机制性静态模型在给出预测的同时报告天花板note: With fm 0.9, no inhibitor of this pathway can raise the victim AUC above 10.00-fold. If the prediction approaches that ceiling, fm is doing more work than the inhibition constants.任意单通路抑制的封顶是1/(1 - fm)fm 0.9 时任何抑制剂都只能把 AUC 提高至多 10 倍。fm与Fg对答案的主导作用远大于抑制常数而它们通常正是整个计算中最不确切的输入——在其合理范围内做敏感性分析比点预测更有信息量。工作流九治疗药物监测TDMpython3 tdm_bayes.py --model vancomycin-adult --weight 80 --crcl 75 \ --dose 1500 --interval 12 --level 18.211.5 --level 422 --target-auc24 500MAP 贝叶斯估计在数据信息量不足时向群体收缩、在数据信息量大时跟随数据——这正是它同时优于用群体参数读一个谷浓度和对两点做对数线性回归的原因。单个浓度点会触发 finding它无法区分清除率与分布体积而样本对其不敏感的哪个参数只会原样返回先验。内置的万古霉素参数化被明确标注为示意性——在输出有任何意义之前必须替换为在你的群体中验证过的模型。万古霉素的 AUC 引导剂量目标 AUC24 通常 400-600与抗菌 PK/PD 指标PTA/CFR详见 antimicrobial-and-tdm.md。软件生态Python 在定量药理中的真实位置software-ecosystem.md版本于 2026-07-27 对照 PyPI/CRAN/厂商文档核验溯源见 source-ledger.md给出诚实结论Python 没有具备监管地位的成熟 NCA 或 NLME 包定量药理仍是 R、NONMEM 与商业工具的地盘Python 的角色是围绕这些工具做编排、数据准备、模拟与分析——这正是 Pharmpy 擅长的也解释了本技能为何自带验证过的 NCA 与拟合实现而非包装某个包。要点包括Pharmpy 2.1.12026-05-19是 Python 的实际入口——模型无关、驱动 NONMEM/nlmixr2/rxode2提供 19 个run_*工具run_amd、run_modelsearch、run_covsearch、run_structsearch、run_pdsearch、run_modelrank、run_vpc、run_qa等。两个最近的破坏性变更值得注意2.0.02026-02-12把数据集行索引起始改为 12.1.02026-05-08把add_placebo_model改名为set_placebo_model并要求 numpy ≥ 2。NONMEM 7.6用户指南 2025 年 11 月仍是监管默认。7.5 以来的新增ADVAN16RADAR5 隐式 Runge-Kutta刚性时滞微分方程、ADVAN17刚性时滞微分-代数方程、NUTS 贝叶斯采样、SAEM 个体样本存储。nlmixr2需 rxode2 ≥ 5.0.0是可信的开源 NLME 替代babelmixr2与monolix2rx在它、NONMEM 与 Monolix 之间翻译模型。PKPyPeerJ, 2025是 Python popPK 框架但仅 GitHub 发布、不在 PyPIuv pip install pkpy会失败chi-drm1.0.3在 PyPI 上可用于贝叶斯 PK/PD。Open Systems Pharmacology Suite v12PK-Sim/MoBi是开源 PBPK 平台ospsuite仅 R 且需 .NET 8Simcyp 与 GastroPlus 是商业平台。生物等效性方面bioequivalence.py --power精确复现 PowerTOST 的 2×2 表格。这个技能存在的目的要防止的十类错误SKILL.md 以十项清单收束其设计动机用普通 r² 选 lambda_z或让回归穿过 Tmax在外推占比 25% 的 profile 上报告 AUCinf让 AIC 选出一个房室间清除率 RSE 高达 98% 的房室用重新加权去修复非随机残差那是结构问题把BLQ留在 DV 列里让 NM-TRAN 把它当真实零值按典型患者选方案没有人群达标率估计平台期从未被观测到却把 Emax 与 EC50 当独立估计引用把参比缩放 BE 限宽套到 2x2 研究上对新生儿做无成熟度项的异速缩放把 NOAEL 推导的 MRSD 当作激动剂免疫调节剂的起始剂量。配套参考与资产本技能的深度支撑分散在skills/pkpd-modeling/references/与skills/pkpd-modeling/assets/下按主题可直接跳转引用nca-conventions.md — 参数定义、lambda_z 规则、BLQ 处理、稳态structural-models.md — 闭式解、参数化、NONMEM ADVAN/TRANS 映射population-pk.md — NLME 估计、协变量构建、BLQ M1-M7、诊断、VPCpd-and-exposure-response.md — Emax、间接反应、效应房室、E-R 分析tmdd-and-biologics.md — TMDD 近似、单抗 PK、免疫原性pbpk.md — PBPK 何时值得其成本、平台、验证要求bioequivalence.md — 设计、ABE/ABEL/RSABE、ICH M13 系列、高变异药物special-populations.md — 儿科、肾/肝功能不全、肥胖、妊娠dataset-standards.md — CDISC PC/PP 与 ADPC/ADPP、NONMEM 数据项、常见缺陷ddi-and-qt.md — ICH M12 分步评估、静态模型、ICH E14/S7B C-QTcantimicrobial-and-tdm.md — PK/PD 指标、PTA/CFR、万古霉素 AUC 引导给药、MIPDsoftware-ecosystem.md — 每个工具的用途、许可与核验版本regulatory-guidance.md — 指南台账日期、状态、各指南要求source-ledger.md — 每一条论断的溯源与研究日期popk-analysis-plan.md — 群体分析计划结构决策前置声明nca-reporting-checklist.md — NCA 报告必须声明的内容清单【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考