PMxAgent: An Agentic Platform for Pharmacometrics.

چکیده اصلی

AI agents are transforming computational workflows, yet pharmacometric analyses remain manual, relying on significant data wrangling, custom scripts, and specialized software. We present PMxAgent, an open-source agentic platform for developing and deploying specialized agent-callable pharmacometric tools. The platform uses Docker to orchestrate an R-based API server alongside a Python-based model context protocol (MCP) server, which automatically generates agent-callable tools from OpenAPI specifications, making pharmacometric functions discoverable and usable by AI agents. To exemplify pharmacometric applications, five tools were developed: non-compartmental analysis (NCA) using PKNCA, exposure-response (ER) modeling, pharmacokinetic (PK) simulation using mrgsolve, data standardization (DATA), and generation of population PK datasets from the nlmixr2lib model library (LIBRARY). As a proof-of-concept case study, PMxAgent orchestrated a multistep pharmacometric workflow, consisting of a PK simulation of 60 subjects across three dose groups, NCA to derive individual exposure metrics, and ER analysis. To evaluate analytical accuracy and reproducibility, the agentic NCA workflow was benchmarked against four frontier AI agents across 182 drugs and 1820 simulated subjects, using PKanalix as reference. PMxAgent's NCA accuracy (98.3%) matched or exceeded that of all frontier agents evaluated. PMxAgent produced deterministic, reproducible results in contrast to GPT and Claude agents that performed NCA by generating new code each run. PMxAgent was demonstrated using two MCP-compatible AI agents (Cursor and Claude Code) and is designed to integrate with any AI agent supporting the MCP protocol. PMxAgent provides an extensible foundation for integrating pharmacometric tools into human-supervised AI-driven workflows while ensuring reproducibility, transparency, and detailed documentation required for model-informed drug development.

ترجمه فارسی چکیده

عامل‌های هوش مصنوعی جریان‌های کاری محاسباتی را تغییر می‌دهند، اما تحلیل‌های فارماکومتریک همچنان دستی هستند و به داده‌کشی سنگین، اسکریپت‌های سفارشی و نرم‌افزارهای تخصصی وابسته‌اند. ما PMxAgent را معرفی می‌کنیم، یک پلتفرم عامل‌محور متن‌باز برای توسعه و اجرای ابزارهای فارماکومتریک خاص که قابل فراخوانی توسط عامل هستند. این پلتفرم از Docker برای هماهنگ‌سازی یک سرور API مبتنی بر R همراه با یک سرور پروتکل زمینه مدل (MCP) مبتنی بر پایتون استفاده می‌کند که به طور خودکار ابزارهای قابل فراخوانی توسط عامل را از مشخصات OpenAPI تولید می‌کند، که باعث می‌شود توابع فارماکومتریک برای عامل‌های هوش مصنوعی قابل کشف و استفاده باشند. برای مثال‌سازی کاربردهای فارماکومتریک، پنج ابزار توسعه یافتند: تحلیل غیرکمپارتمانال (NCA) با استفاده از PKNCA، مدل‌سازی پاسخ به دوز (ER)، شبیه‌سازی فارماکوکینتیک (PK) با استفاده از mrgsolve، استانداردسازی داده (DATA) و تولید مجموعه داده‌های فارماکوکینتیک جمعیتی از کتابخانه مدل nlmixr2lib (LIBRARY). به عنوان یک مطالعه موردی اثبات مفهوم، PMxAgent یک جریان کار چندمرحله‌ای فارماکومتریک را هماهنگ کرد، شامل شبیه‌سازی PK ۶۰ فرد در سه گروه دوز، NCA برای استخراج شاخص‌های دوز-واکنش فردی و تحلیل ER. برای ارزیابی دقت تحلیلی و تکرارپذیری، جریان کار عامل NCA با چهار عامل هوش مصنوعی پیشرو در ۱۸۲ دارو و ۱۸۲۰ فرد شبیه‌سازی شده مقایسه شد، با استفاده از PKanalix به عنوان مرجع. دقت NCA PMxAgent (۹۸.۳٪) با یا از همه عامل‌های پیشرو ارزیابی شده برابر یا بالاتر بود. PMxAgent نتایج قطعی و تکرارپذیری تولید کرد در حالی که عامل‌های GPT و Claude با تولید کد جدید در هر اجرا NCA انجام می‌دادند. PMxAgent با استفاده از دو عامل هوش مصنوعی سازگار با MCP (Cursor و Claude Code) نشان داده شد و برای ادغام با هر عامل هوش مصنوعی که پروتکل MCP را پشتیبانی می‌کند طراحی شده است. PMxAgent یک پایه قابل توسعه برای ادغام ابزارهای فارماکومتریک در جریان‌های کار هدایت شده توسط انسان با هوش مصنوعی فراهم می‌کند، در حالی که تکرارپذیری، شفافیت و مستندات دقیق مورد نیاز برای توسعه دارو مبتنی بر مدل را تضمین می‌کند.

متن کامل اصلی