富士宮のビオデリの近くにカレー屋があるらしいのでいってみた。店内はゆったりしていて居心地がよい。さらに店員さんの接客態度が凄く良かった。
サービスセットのカレー二種とチーズナンのセット。
ナンが美味い。あとほうれん草のカレーが気に入った。辛さは4くらいにしてもらったんだけどこれだったら6くらいまであげてもよいかも。カレーのもう一方のはトマトとナスのカレーでこっちはわりと甘め。
U隊長の頼んだレディースセットはこの他にマンゴーソースがけのバニラアイスがついてた。カレーもあまり辛くなかったので娘がばくついてた。
満足。
11082009 life
ひいばあさんがひ孫の顔をみたいと子供みたいなわがままを言うので、急遽帰省することにした。
佐野ラーメンでもと、佐野に立ち寄り、山銀本店へ。
オーソドックスに手打ちラーメンを注文。
佐野ラーメンってこしっていうよりは平べったい縮れ麺なのね。ニュルッとしててワンタンみたい。これはこれでありかも。
ラーメン食べたら、車をちょっと走らせて足利学校でも見学。多分初めて。儒教らしい。
帰りに娘のばあさんと宇都宮の東武で待ち合わせて、総菜を買ってかえるが、7時閉店なのにはびびった。
B1Fの和食の総菜屋で買ったトマトの梅酒煮が美味。あとメークイーンのそぼろがけもなかなか
同じく、東武で買った東力士のどすこいなんとかという銘柄。
親には「東力士は甘くてうまくねーっていっておいてなんでまた買うんだ？」と散々いわれたが、仙禽売ってないんだもんしょうがないじゃんみたいな。
澤姫とか鳳凰美田でも良かったんだけどそういう銘柄すらないのね。あそこのデパート。
結局仙禽は飲めずじまいだった (大那は買ってかえったけど)。
壬生町にあるおもちゃの博物館とかいうところに行った。
大きなゾイドがある。
中に入って尾っぽから出られる。
昼は併設されているユウガオ館という蕎麦屋さんへ（JAがやってる感じ）
天ざる。蕎麦は悪くはないけどちょっとやわかったかも。
トラクターの路面電車も乗せてくれる。
結構楽しんだ。
高瀬観光やなへ。
鮎は刺身よりも塩焼きのほうが美味い。
鮎こくもなかなか。
最終日は十一正宗の純米酒を。地元の材料で醸したから純矢板らしい。もうちょっとコクがあってもよいかなと思った。なんちゅーか薄く感じた。
実家に帰ったら飾ってあったフォトフレーム
これはなかなか好評だった。今回撮った写真もSDカードに詰めて送ってやればよいが、フォトフレームもなんかオンラインのストレージに対応して自動で同期するようにならんかなと思った。
クラウドが重要というよりは、クラウドのように抽象化された状態が重要なのではなかろうか。
会社はジョインしてる感が強くなっていくのかな?成果主義とかそういう指向だよなぁと。
弱い紐帯というか。
06082009 music
白隠正宗 蔵元日記で知った。
うお、pearls/sadeじゃねーか。
この曲、内省的で超好きなんだけど、「花」はさらに内省度があがってる。リリックが非常に素晴らしい、というか堕ちまくる。
あー、lifeをどう描くかだよなぁ。
PRMLも再読してるが、手動かしながら読むほうがしっくりくる。 p.70のベータ分布の逐次学習ってのが面白そうなのでやってみた。
仕事するのにオフィスはいらない (光文社新書)
花
Love Deluxe
パターン認識と機械学習 上 - ベイズ理論による統計的予測data <- rbinom(30,1,0.5)
plot_dbeta <- function(data){
a <- 0
b <- 0
x <- seq(0.01, 1.0, len = 500)
for (i in 1:length(data)) {
if(data[i] == 1) { a = a + 1 }
else { b = b + 1 }
if(i>3){
if(i==4){ plot(x, dbeta(x,a,b),type = "l",col=i,ylim=c(0,5)) }
else { plot(x, dbeta(x,a,b),type = "l",col=i,xlab="",ylab="",axes=F,ylim=c(0,5)) }
par(new=T)
}
}
}
二項分布で30個のリストを発生させて読みながらa,bのデータを更新していきつつその時のベータ分布の密度を求めつつプロットしていくという操作。
> data
[1] 1 0 1 1 0 0 0 1 0 0 0 1 0 0 1 1 1 0 1 0 0 0 1 0 0 1 0 1 0
[30] 1
データはこんな感じで、4番目のデータからプロットしていくとだんだん二項分布に近づいていく様がみてとれる。
06082009 OCaml
let hello () =
print_endline "Hello World";
flush stdout
let delete_event ev =
print_endline "Delete event occurred";
flush stdout;
true
let destroy () = GMain.Main.quit ()
let main () =
let window = GWindow.window ~border_width:10 () in
window#event#connect#delete ~callback:delete_event;
window#connect#destroy ~callback:destroy;
let button = GButton.button ~label:"Hello World" ~packing:window#add () in
button#connect#clicked ~callback:hello;
button#connect#clicked ~callback:window#destroy;
window#show ();
GMain.Main.main ()
let _ = main ()
一通りやった。
2章のデコンボリューションはExcel依存だったのでスキップ。6章の薬物間相互作用と9章のトランスポーターは、今は必要なさそうなのでこれまたスキップ。
感想としてはクリアランス、吸収の章は理解が深まって良かった。PBPKモデリングとアロメトリーも同様。一方、PK-PDに関してはちょっと物足りなかった。あと、エクセルのマクロ(VBA?)依存の解答が多少目立ったので、普通はExcel必須かも。
一通りやってみて分かったことは、chemoinformaticsな自分のスタンスだと、PBPKモデリングがLeadOptimizationには親和性が高いかなというあたりと、Population PharmacokineticsよりはPK-PDをきちんと押さえないといかんなぁと。
ちゅうわけで、RでPK-PDをやる場合にはどの本読むのがいいんじゃろかね？
Pharmacokinetic-Pharmacodynamic Modeling And Simulation
Pharmacometrics: The Science of Quantitative Pharmacology
Dose Finding in Drug Development (Statistics for Biology and Health)
Adaptive Design Methods in Clinical Trials (Chapman & Hall/CRC Biostatistics Series)Caco-2細胞のモデリング
Vmax は結合サイト数、ATPターンオーバー、細胞総数からもとまる
ファーマコキネティクス―演習による理解> 100000*1e+6*25/6.02e+23*60
[1] 2.491694e-10
つまり2.491694(nmol/min)
library(odesolve)
params = c(Vmax=2.491694*10^-3,S=4.71,Pa=5e-6,Pb=3e-6,Km=0.3,Va=1.5,Vc=0.025,Vb=3.0)
times=c(0,(1:60))
dydt <- function(t,y,p){
Vmax <- p['Vmax']
S <- p['S']
Pa <- p['Pa']
Pb <- p['Pb']
Km <- p['Km']
Va <- p['Va']
Vc <- p['Vc']
Vb <- p['Vb']
Ca <- (S*Pa*(y[2]-y[1]) + Vmax*y[2]/(Km+y[2]))/Va
Cc <- (S*(Pa*(y[1]-y[2]) + Pb*(y[3]-y[2])) - Vmax*y[2]/(Km+y[2]))/Vc
Cb <- (S*Pb*(y[2]-y[3]))/Vb
return(list(c(Ca,Cc,Cb)))
}
濃度リストをあたえるとPeffのリストを返す関数を書いておく。
calc <- function(dose_list){
l <- c()
for (dose in dose_list){
y <- lsoda(c(Ca=dose,Cc=0.0,Cb=0.0),times,dydt,params)
Y <- data.frame(y)
res <- lm(Cb ~ time,Y[c("time","Cb")][seq(41,61),])
Peff <- res$coefficients[2]*3/(4.71*dose)
l <- append(l,Peff)
}
return(l)
}
d <- c(0.1,0.3,0.6,1,3,6,10,30,60,100,300,600,900,1000)
peffs <- calc(d)
plot(d,peffs)
Pgpが飽和した後(高濃度側)ではシグモイド。
省略
膜透過性の解釈
> Mw = 350
> pKa = 9.5
> sigma = 1.0
> R = 8.62
> e_g = 1.22
> kai = 0.7
> Nav = 6.02 * 10^23
> kb = 1.38 * 10 ^ -16
> T = 273.15 + 37
> n = 0.006915
> r <- (3*Mw/(4*pi*Nav*sigma))^(1/3)
> r
[1] 5.17759e-08
> D <- kb*T/(6*pi*n*r)
> D
[1] 6.342054e-06
> r= 5.17759 # A
> F_r_R <- (1-(r/R))^2*(1-2.104*(r/R)+2.109*(r/R)^3-0.95*(r/R)^5)
> F_r_R
[1] 0.01897611
> r= 5.17759
> F_r_R <- (1-(r/R))^2*(1-2.104*(r/R)+2.109*(r/R)^3-0.95*(r/R)^5)
> F_r_R
[1] 0.0189761
> Ppara <- e_g*D*F_r_R*(kai/(1-exp(-kai)))
> Ppara
[1] 2.041593e-07
> 2.041593e-07/0.42e-6 * 100
[1] 48.60936 # %