MCSim

GNU MCSim es un conjunto de software de simulación . Permite a los usuarios diseñar modelos estadísticos o de simulación , realizar simulaciones de Monte Carlo e inferencia bayesiana mediante simulaciones de Monte Carlo de cadena de Markov (MCMC) (con corrección de errores). La última versión permite el cálculo paralelo de simulaciones de Monte Carlo o MCMC.

GNU MCSim es una herramienta de simulación e inferencia estadística para sistemas de ecuaciones algebraicas o diferenciales , optimizada para realizar análisis de Monte Carlo. El software comprende un generador de modelos y un motor de simulación :

• El generador de modelos facilita la definición y el mantenimiento de modelos estructurales, a la vez que reduce el tiempo de ejecución. El modelo se codifica mediante una gramática sencilla y el generador lo traduce a código fuente en C. A partir de la versión 5.3.0, también se pueden utilizar modelos codificados en el Lenguaje de Marcado de Biología de Sistemas ( SBML ).
• El motor de simulación es un conjunto de rutinas vinculadas al modelo para generar código ejecutable. Como resultado, se pueden ejecutar simulaciones de un modelo estructural bajo diversas condiciones.

Internamente, el software utiliza la Biblioteca Científica GNU para algunos de sus cálculos numéricos.

El proyecto comenzó en 1991 en Berkeley, cuando Don Maszle y Frederic Y. Bois tradujeron al lenguaje C y reorganizaron un programa que Bois había desarrollado en Harvard para su tesis doctoral . El principal objetivo era desarrollar rápidamente y mantener fácilmente modelos de modelado farmacocinético basados ​​en la fisiología (PBPK). Sin embargo, la sintaxis se definió con la suficiente generalidad como para resolver numerosas ecuaciones diferenciales ordinarias algebraicas y de primer orden . La capacidad de realizar simulaciones Monte Carlo eficientes se incorporó desde el principio, para satisfacer las necesidades de investigación del grupo. El código se puso a disposición del público de forma gratuita desde un servidor de la UC Berkeley. Las conversaciones con Stuart Beal, de la Facultad de Farmacia de la Universidad de California en San Francisco (UCSF), llevaron al equipo a investigar el uso de técnicas de Monte Carlo de cadena de Markov para la calibración de modelos PBPK . El código correspondiente fue desarrollado por Maszle, durante un proyecto en colaboración con Andrew Gelman , entonces profesor del Departamento de Estadística de la Universidad de California en Berkeley (UC Berkeley). El código adicional escrito por Ken Revzan permitió la definición y calibración bayesiana de modelos estadísticos jerárquicos (multinivel). En el momento de estos desarrollos (alrededor de 1996), estas capacidades eran únicas para un software de distribución gratuita, de fácil acceso, muy potente y versátil. Desde entonces, el software se ha mantenido y ampliado de forma constante.

GNU MCSim es software libre; puede redistribuirlo y/o modificarlo bajo los términos de la Licencia Pública General de GNU publicada por la Free Software Foundation ; ya sea la versión 3 o cualquier versión posterior, a elección del usuario.

El código fuente en C se proporciona y puede compilarse en cualquier máquina con un compilador de C. La biblioteca científica GNU también debe estar disponible en la plataforma de destino para utilizar algunas distribuciones adicionales en los modelos estadísticos. Para utilizar las capacidades de traducción SBML, debe instalarse la biblioteca LibSBLM . A partir de la versión 6.0.0, también se utiliza el integrador Sundials Cvodes. Para aprovechar la computación paralela (a partir de la versión 6.2.0), debe instalarse una biblioteca de interfaz de paso de mensajes (MPI).

• Lista de software de análisis numérico

Bois F., Maszle D., 1997, MCSim: Un programa de simulación, Journal of Statistical Software, 2(9): http://www.stat.ucla.edu/journals/jss/v02/i09 .

Jonsson F., Johanson G., 2003, El enfoque poblacional bayesiano para modelos toxicocinéticos-toxicodinámicos fisiológicos: un ejemplo utilizando el software MCSim, Toxicology Letters 138:143-150.

Bois F., 2009, GNU MCSim: Inferencia estadística bayesiana para modelos de biología de sistemas codificados en SBML, Bioinformatics, 25:1453-1454, doi: 10.1093/bioinformatics/btp162.

Allen BC, Hack EC, Clewell HJ, 2007, Uso del análisis de Monte Carlo de cadena de Markov con un modelo farmacocinético basado en la fisiología del metilmercurio para estimar las exposiciones en mujeres estadounidenses en edad fértil, Risk Analysis, 27:947-959.

Covington TR, Gentry PR, et al., 2007, El uso del análisis de incertidumbre de cadena de Markov Monte Carlo para respaldar un objetivo de salud pública para el percloroetileno, Toxicología y farmacología regulatoria , 47:1-18.

David RM, Clewell HJ, et al., 2006, Evaluación revisada del riesgo de cáncer por diclorometano II. Aplicación de métodos probabilísticos a la determinación del riesgo de cáncer. Toxicología y farmacología regulatorias 45: 55–65.

Franks SJ, Spendiff MK, et al., 2006, Modelado farmacocinético basado en la fisiología de la exposición humana al 2-butoxietanol, Toxicology Letters 162:164-173.

Hack EC, 2006, Análisis bayesiano de modelos toxicocinéticos y toxicodinámicos basados ​​en la fisiología, Toxicology, 221:241-248.

Hack EC, Chiu WA, et al., 2006, Análisis poblacional bayesiano de un modelo farmacocinético armonizado basado en la fisiología del tricloroetileno y sus metabolitos, Toxicología y farmacología regulatoria, 46:63-83.

Lyons MA, Yang RSH, Mayeno AN, Reisfeld B. 2008, Toxicología computacional del cloroformo: dosimetría inversa mediante inferencia bayesiana, simulación de Monte Carlo de cadena de Markov y datos de biomonitoreo humano, Environmental Health Perspectives, 116:1040-1046.

Marino, DJ, H. Clewell, et al., 2006, Evaluación revisada del riesgo de cáncer por diclorometano: parte I PBPK bayesiano y modelado de dosis-respuesta en ratones, Toxicología y farmacología regulatoria 45:44-54.

Mezzetti M., Ibrahim JG, et al., 2003, Un modelo compartimental bayesiano para la evaluación del metabolismo del 1,3-butadieno, Journal of the Royal Statistical Society, Serie C, 52:291-305.

• Sitio web oficial