PreKinetix: веб-приложение для проведения фармакокинетического анализа в доклинических исследованиях лекарственных препаратов

Цель. Разработка и валидация отечественного программного обеспечения для некомпартментного анализа (НКА) фармакокинетических данных, сопоставимого по точности и функциональности с признанным зарубежным программным обеспечением Phoenix WinNonlin (США).

Материалы и методы. Веб-приложение PreKinetix реализовано на языке программирования Python с использованием фреймворка Streamlit. Алгоритмы расчёта фармакокинетических параметров (максимальная концентрация [C_max], площадь под фармакокинетической кривой [AUC], период полувыведения [T_1/2], среднее время пребывания [MRT] и др.) основаны на методиках референсного программного обеспечения Phoenix WinNonlin (Certara, США), использованного для сравнения и широко применяемого в международной практике. Поддерживаются три модели однократного введения лекарственного средства: внутривенное болюсное, внутривенная инфузия и внесосудистое введение. Для верификации использованы литературные и экспериментальные данные, охватывающие более 450 фармакокинетических профилей.

Результаты. Расчёты, выполненные с помощью PreKinetix, показали полное совпадение с результатами Phoenix WinNonlin с относительной ошибкой менее 0,0001% по всем основным параметрам. Программа устойчиво обрабатывает нулевые и пропущенные значения, автоматически исключает некорректные записи, визуализирует фармакокинетические профили в линейной и полулогарифмической шкалах, формирует отчёты в форматах .xlsx* и .docx*. Интерфейс приложения позволяет использовать его не только специалистам, но и менее подготовленным пользователям.

Заключение. PreKinetix представляет собой отечественный инструмент для НКА, объединяющий точность, автоматизацию, доступность и удобство. Он может применяться в доклинических и ранних фазах клинических исследований, а также в образовательных целях для подготовки специалистов в области фармакокинетики и биофармацевтики.

1. Kim H., Han S., Cho Y.S., Yoon S.K., Bae K.S. Development of R packages: ‘NonCompart’ and ‘ncar’ for noncompartmental analysis (NCA) // Transl Clin Pharmacol. – 2018. – Vol. 26, No. 1. – P. 10-1. DOI: 10.12793/tcp.2018.26.1.10. Erratum in: Transl Clin Pharmacol. – 2018. – Vol. 26, No. 3. – P. 141. DOI: 10.12793/tcp.2018.26.3.141

2. Zhang Y., Huo M., Zhou J., Xie S. PKSolver: An add-in program for pharmacokinetic and pharmacodynamic data analysis in Microsoft Excel. Comput Methods Programs Biomed // 2010. – Vol. 99, No. 3. – P. 306–314. DOI: 10.1016/j.cmpb.2010.01.007

3. Liu G., Brooks L., Canty J., Lu D., Jin J.Y., Lu J. Deep-NCA: A deep learning methodology for performing noncompartmental analysis of pharmacokinetic data // CPT Pharmacometrics Syst Pharmacol. – 2024. – Vol. 13, No. 5. – P. 870–879. DOI: 10.1002/psp4.13124

4. Benet L.Z. Benet L. Z. and Galeazzi R L: noncompartmental determination of the steady-state volume of distribution, J Pharm Sci 68, 1071-1074, 1979--the backstory // AAPS J. – 2012. – Vol. 14, No. 2. – P. 164–167. DOI: 10.1208/s12248-012-9326-9

5. Yu Y.P., Yan X.Y., Yao C., Xia J.L. Bioequivalence Assessment of Topical Ophthalmic Drugs Using Sparse Sampling Pharmacokinetics Data // Biomed Environ Sci. – 2019. – Vol. 32, No. 10. – P. 788–792. DOI: 10.3967/bes2019.099

6. Rajput A.J., Aldibani H.K.A., Rostami-Hodjegan A. In-depth analysis of patterns in selection of different physiologically based pharmacokinetic modeling tools: Part I – Applications and rationale behind the use of open source-code software // Biopharm Drug Dispos. – 2023. – Vol. 44, No. 3. – P. 274–285. DOI: 10.1002/bdd.2357

7. Aldibani H.K.A., Rajput A.J., Rostami-Hodjegan A. In-depth analysis of patterns in selection of different physiologically-based pharmacokinetic modeling tools: Part II – Assessment of model reusability and comparison between open and non-open source-code software // Biopharm Drug Dispos. – 2023. – Vol. 44, No. 4. – P. 292–300. DOI: 10.1002/bdd.2360

8. Dong Z., Fan X., Fan W., Chang H., Xu Yi., Li T., Su M. Pkweb: An online application for pharmacokinetic data analysis // Environmental Technology & Innovation. – 2020. – Vol. 19. – P. 100838. DOI: 10.1016/j.eti.2020.100838

9. Kuang Y., Cao D., Zuo Y., Yuan J., Lu F., Zou Y., Wang H., Jiang D., Pei Q., Yang G. CPhaMAS: An online platform for pharmacokinetic data analysis based on optimized parameter fitting algorithm // Computer Methods and Programs in Biomedicine. – 2024. – Vol. 248. – P. 108137. DOI: 10.1016/j.cmpb.2024.108137

10. Хау Н.Ф. Анализ данных на Python с применением Pandas и Matplotlib // Экономика и управление: проблемы, решения. – 2024. – Т. 8, № 12. – С. 91–97. DOI: 10.36871/ek.up.p.r.2024.12.08.011

11. Тайырбекова Р., Кочконбаева Б.О., Калбаева Д.И. Анализ данных с использованием языка программирования Python // Бюллетень науки и практики. – 2025. – Т. 11. № 5. – С. 139-144. DOI: 10.33619/2414-2948/114/20

12. Kumar A., Sharma P.K., Tyagi M.K. The High Demanding Programming Language for Data Science-Python // International Journal of Scientific Research in Engineering and Management. – 2024. – Vol. 8, No. 6. – P. 1–6. DOI: 10.55041/IJSREM34913

13. McKinney W. Data Structures for Statistical Computing in Python // Proc. of the 9th Python in science conf. (SCIPY 2010). – 2010. – P. 56–61. DOI: 10.25080/Majora-92bf1922-00a

14. Harris C.R., Millman K.J., van der Walt S.J., Gommers R., Virtanen P., Cournapeau D., Wieser E., Taylor J., Berg S., Smith N.J., Kern R., Picus M., Hoyer S., van Kerkwijk M.H., Brett M., Haldane A., Del Río J.F., Wiebe M., Peterson P., Gérard-Marchant P., Sheppard K., Reddy T., Weckesser W., Abbasi H., Gohlke C., Oliphant T.E. Array programming with NumPy // Nature. – 2020. – Vol. 585, No. 7825. – P. 357–362. DOI: 10.1038/s41586-020-2649-2

15. Hunter J.D. Matplotlib: A 2D Graphics Environment // Computing in Science & Engineering. – 2007. – Vol. 9, No. 3. – P. 90–95. DOI: 10.1109/MCSE.2007.55

16. Waskom M.L. Seaborn: statistical data visualization // Journal of Open Source Software. – 2021. – Vol. 6, No. 60. – P. 3021. DOI: 10.21105/joss.03021

17. Virtanen P., Gommers R., Oliphant T.E., Haberland M., Reddy T., Cournapeau D., Burovski E., Peterson P., Weckesser W., Bright J., van der Walt S.J., Brett M., Wilson J., Millman K.J., Mayorov N., Nelson A.R.J., Jones E., Kern R., Larson E., Carey C.J., Polat İ., Feng Y., Moore E.W., VanderPlas J., Laxalde D., Perktold J., Cimrman R., Henriksen I., Quintero E.A., Harris C.R., Archibald A.M., Ribeiro A.H., Pedregosa F., van Mulbregt P. SciPy 1.0 Contributors. SciPy 1.0: fundamental algorithms for scientific computing in Python // Nat Methods. – 2020. – Vol. 17, No. 3. – P. 261–272. DOI: 10.1038/s41592-019-0686-2 Erratum in: Nat Methods. – 2020. – Vol. 17, No. 3. – P. 352. DOI: 10.1038/s41592-020-0772-5

18. Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D., Brucher M., Perrot M., Duchesnay É. Scikit-learn: Machine Learning in Python // J Mach Learn Res. – 2011. – Vol. 12, No. 85. – P. 2825–2830.

19. Seabold S., Perktold J. Statsmodels: Econometric and Statistical Modeling with Python // Proc. of the 9th Python in science conf. (SCIPY 2010). – 2010. – P. 92–96. DOI: 10.25080/Majora-92bf1922-011

20. Hagberg A.A., Schult D.A., Swart P.J. Exploring network structure, dynamics, and function using NetworkX // Proceedings of the 7th Python in Science Conference (SciPy 2008). – 2008. – P. 11–16. DOI: 10.25080/TCWV9851

21. Платова А.И. Популяционный фармакокинетический анализ в программе Lixoft Monolix // Фармакокинетика и Фармакодинамика. – 2021. – №. 3. – С. 36–51. DOI: 10.37489/2587-7836-2021-3-36-51

22. Арчакова О.А., Багаева Н.С., Комаров Т.Н., Рогов А.В., Щелгачева Д.С., Суворова А.В., Карнакова П.К., Карпова П.А., Шохин И.Е. Изучение фармакокинетики пролонгированного антиаритмического препарата лаппаконитина гидробромида (Аллафорте®, АО «Фармцентр ВИЛАР», Россия) // Разработка и регистрация лекарственных средств. – 2022. – Т. 11, № 1. – С. 140–147. DOI: 10.33380/2305-2066-2022-11-1-140-147

23. Yamaoka K., Nakagawa T., Uno T. Statistical moments in pharmacokinetics // J Pharmacokinet Biopharm. – 1978. – Vol. 6, No. 6. – P. 547–558. DOI: 10.1007/BF01062109

24. Leng X., Tang X., Hu P., Guan X., Li Q., Huang C., Zhang Q., Chen R., Zeng X. Safety, tolerability, pharmacokinetics, pharmacodynamics, and efficacy of WBP216, a novel IL-6 monoclonal antibody, in patients with rheumatoid arthritis: A phase Ia randomized placebo-controlled study // Front Immunol. – 2023. – Vol. 13. – P. 1110992. DOI: 10.3389/fimmu.2022.1110992

25. Cheng Y., Lin B.J., Guo J.H., Huang B.L., Fang L.P., Que W.C., Liu M.B., Chen X.F., Qiu H.Q. The Effect Of Food On The Pharmacokinetic Properties And Bioequivalence Of Two Formulations Of Levocetirizine Dihydrochloride In Healthy Chinese Volunteers // Drug Des Devel Ther. – 2019. – Vol. 13. – P. 3625–3634. DOI: 10.2147/DDDT.S215316 Erratum in: Drug Des Devel Ther. – 2019. – Vol. 13. – P. 3835. DOI: 10.2147/DDDT.S236661

26. Hughes J.H., Long-Boyle J., Keizer R.J. Maximum a posteriori Bayesian methods out-perform non-compartmental analysis for busulfan precision dosing // J Pharmacokinet Pharmacodyn. – 2024. – Vol. 51, No. 3. – P. 279–288. DOI: 10.1007/s10928-024-09915-w