19072009 Curry
うちは結構カレーを食べます。でも、ルーは使わないしジャガイモも入ってるのは稀だたり。ゴーヤと大根と厚揚げの組み合わせとか結構いける。あと納豆とトマトとツルムラサキも。
で、クミンシードとかクローブとかはホールで手に入るのでいいのだけど、最近カルダモンのホールが手に入りにくくてとうとう切れてしまった。
どうしたもんかと思ったらamazonで買えることが判明。
カルダモン原型【40g】【スパイス】【ハーブ】
19072009 life
「ふつうのコンパイラをつくろう」を予約
欲しいものリストには入れてあって買うかどうか悩み中だったのだけど目次みたら欲しくなったのでポチッた。
ふつうのコンパイラをつくろう 言語処理系をつくりながら学ぶコンパイルと実行環境の仕組みPK3-2(設問4,5)
繰り返し経口投与の続き
ファーマコキネティクス―演習による理解設問 4
肝クリアランスと肝血流の大きさから律速を判断。
v = Vmax*[S] / (Km + [S])
肝クリアランスに飽和が見られるから
CLh_int = Vmax/Km * 1/Cu
ここでCu = Cpss * fp
vh = Cb*CLh vr = Cpss*Rb*CLr
設問 5
v=D/t*(F-fe),C=Cpss*fp でMicaehlis-Menten式の形でフィッティング
> data <- read.csv("/Users/kzfm/PK/pk32b.csv")
> data
Dose C v
a 10 0.212 0.308
b 30 0.675 0.850
c 100 2.400 2.420
d 300 7.850 5.750
e 500 13.800 7.920
> attach(data)
> e <- nls(v ~ Vmax*C/(Km+C),start=list(Vmax=10,Km=10))
> e
Nonlinear regression model
model: v ~ Vmax * C/(Km + C)
data: parent.frame()
Vmax Km
15.09 12.59
residual sum-of-squares: 0.01301
18072009 chemoinformatics bioinformatics
17072009 work
「パターン、Wiki、XP」を読んだ
パターンランゲージとWikiの関係
パターン、Wiki、XP ~時を超えた創造の原則 (WEB+DB PRESS plusシリーズ)無名の質とか
タオイズムっぽくつながるのも楽しい。
タオは笑っている (プラネタリー・クラシクス)一方で、そういう質は捉えようとしても捉えられないものなのかなとも思った。
16072009 work
今日のセミナー
いつも社内競争倍率が高くて他の人に取られてしまうユーザー会に演者として呼んでもらえたので、5年ぶりくらいに参加できた。
いろいろと新しいヒトに逢えたりとか、会社を移って何年か会ってない人とか、学部の先輩にあったりとか、たまには違うユーザー会に出てみるのもいいものだなと思ったのであった。
で、僕のプレゼンが終わってから、先輩だったヒトに、プレゼンが僕らしいといわれたのだけど、どこが僕らしいのかは自分ではわからないもんですな。
いろいろと楽しい一日だった。
PK3-2(設問1-3)
繰り返し経口投与
設問1
省略
設問 2
CL = (F * (Dose/t)) / Cp,ss 10mgのデータからFを決定する
CLb=CLp/RbからRbをつかって全血基準のクリアランスを求める
t1/2をもとめる
一般に、薬物を持続投与する場合、消失半減期の5倍の時間が経っている時には定常状態に達しているとみてよいので これをもって定常状態の判断に利用してよい
設問 3
> data <- read.csv("/Users/kzfm/PK/pk3-2.csv")
> data
dose cpss fe
A 10 0.000424 0.63
B 30 0.001350 0.66
C 100 0.004800 0.71
D 300 0.015700 0.77
E 500 0.027500 0.81
> attach(data)
> fp <- 0.5
> Rb <- 0.7
> Vd <- 30
> ka <- 1.5
> CLb <- (dose/12)/(cpss*1000*Rb)
> CLb
[1] 2.807727 2.645503 2.480159 2.274795 2.164502
> CLr <- CLb*fe
> CLr
[1] 1.768868 1.746032 1.760913 1.751592 1.753247
> CLh <- CLb - CLr
> CLh
[1] 1.0388589 0.8994709 0.7192460 0.5232029 0.4112554
pythonでMCMC
最近、Journal of Pharmaceutical SciencesみたいなDMPKな雑誌を読むようになってきた。その中でScipyとpymcっていうpythonでMCMCができるモジュールを使って解析してた論文を見たので試したくなった。
sudo easy_install-2.6 pymc
でさくっと入って、テストしてみたらなんか色々こけてるようなのだけど、とりあえずサンプル写経
import pymc
import numpy as np
n = 5*np.ones(4,dtype=int)
x = np.array([-.86,-.3,-.05,.73])
alpha = pymc.Normal('alpha',mu=0,tau=.01)
beta = pymc.Normal('beta',mu=0,tau=.01)
@pymc.deterministic
def theta(a=alpha, b=beta):
"""theta = logit^{-1}(a+b)"""
return pymc.invlogit(a+b*x)
d = pymc.Binomial('d', n=n, p=theta,value=np.array([0.,1.,3.,5.]),observed=True)
これをmymodel.pyって名前で保存しておいて
対話環境から
>>> import mymodel
>>> import pymc
>>> S = pymc.MCMC(mymodel, db='pickle')
>>> S.sample(iter=10000, burn=5000, thin=2)
>>> pymc.Matplot.plot(S)
>>> pymc.Matplot.savefig("test.png")
うーんMCMCわからん。精進せねば。
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
パターン認識と機械学習 下 - ベイズ理論による統計的予測