Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Model Approaches for Pharmacokinetic Data: Distributed Parameter Models01:06

Model Approaches for Pharmacokinetic Data: Distributed Parameter Models

124
Pharmacokinetic models are mathematical constructs that represent and predict the time course of drug concentrations in the body, providing meaningful pharmacokinetic parameters. These models are categorized into compartment, physiological, and distributed parameter models.
The distributed parameter models are specifically designed to account for variations and differences in some drug classes. This model is particularly useful for assessing regional concentrations of anticancer or...
124
Model Approaches for Pharmacokinetic Data: Physiological Models01:15

Model Approaches for Pharmacokinetic Data: Physiological Models

107
Physiological models in pharmacokinetics are instrumental in understanding the distribution and elimination of drugs within the body. These models describe the drug concentration within target organs, influenced by factors such as drug uptake, tissue volume, and blood flow. Drug uptake is governed by the partition coefficient, which signifies the drug concentration ratio in tissue to that in the blood. The blood flow rate to a specific tissue is expressed as Qt, and the rate of change in tissue...
107
Propagation of Uncertainty from Systematic Error01:10

Propagation of Uncertainty from Systematic Error

877
The atomic mass of an element varies due to the relative ratio of its isotopes. A sample's relative proportion of oxygen isotopes influences its average atomic mass. For instance, if we were to measure the atomic mass of oxygen from a sample, the mass would be a weighted average of the isotopic masses of oxygen in that sample. Since a single sample is not likely to perfectly reflect the true atomic mass of oxygen for all the molecules of oxygen on Earth, the mass we obtain from this...
877
Physiological Pharmacokinetic Models: Assumption with Protein Binding01:13

Physiological Pharmacokinetic Models: Assumption with Protein Binding

91
Physiological models with protein binding in pharmacokinetics offer a sophisticated approach to understanding drug disposition. These models consider drug-protein interactions, enabling them to effectively predict drug concentrations in different organs and tissues. This precision aids in accurate drug dosing, providing a significant advantage over conventional models. A key process within these models is equilibration, which ensures that drug concentrations achieve a steady state within the...
91
Pharmacokinetic Models: Comparison and Selection Criterion01:26

Pharmacokinetic Models: Comparison and Selection Criterion

147
Physiological and compartmental models are valuable tools used in studying biological systems. These models rely on differential equations to maintain mass balance within the system, ensuring an accurate representation of the dynamic processes at play.
Physiological models take a detailed approach by considering specific molecular processes. They can predict drug distribution, metabolism, and elimination changes, providing a comprehensive understanding of how drugs interact with the body.
147
Model-Independent Approaches for Pharmacokinetic Data: Noncompartmental Analysis00:59

Model-Independent Approaches for Pharmacokinetic Data: Noncompartmental Analysis

124
Noncompartmental analyses offer an alternative method for describing drug pharmacokinetics without relying on a specific compartmental model. In this approach, the drug's pharmacokinetics are assumed to be linear, with the terminal phase log-linear. This assumption allows for simplified analysis and interpretation of the drug's behavior in the body.
One important characteristic of noncompartmental analyses is that drug exposure increases proportionally with increasing doses. This...
124

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Large language models instantiate evolutionarily robust strategies of cooperation.

PNAS nexus·2026
Same author

Using PyBioNetFit to leverage qualitative and quantitative data in biological model parameterization and uncertainty quantification.

Frontiers in immunology·2026
Same author

Structural hormesis in protein aggregation: A minimal mechanistic model.

Journal of the Royal Society, Interface·2026
Same author

Data-driven Mori-Zwanzig modeling of Lagrangian particle dynamics in turbulent flows.

Proceedings of the National Academy of Sciences of the United States of America·2026
Same author

Phase II Trial of Vemurafenib and Sorafenib Combination in Advanced <i>KRAS</i>-Mutated Metastatic Pancreatic Cancer.

Journal of immunotherapy and precision oncology·2026
Same author

Embryonic stem cell-derived extracellular vesicles delay cellular senescence by inhibiting oxidative stress.

The Journal of biological chemistry·2025

Video Experimental Relacionado

Updated: Sep 9, 2025

A Quantitative Fitness Analysis Workflow
11:39

A Quantitative Fitness Analysis Workflow

Published on: August 13, 2012

14.6K

El uso de PyBioNetFit para aprovechar los datos cualitativos y cuantitativos en la parametrización de modelos

Ely F Miller, Abhishek Mallela, Jacob Neumann

    ArXiv
    |September 5, 2025
    PubMed
    Resumen

    Este estudio introduce un nuevo método para la parametrización de modelos matemáticos de sistemas celulares utilizando datos cualitativos. El software PyBioNetFit permite el análisis reproducible y la cuantificación de la incertidumbre para los modelos de biología de sistemas.

    Más Videos Relacionados

    High-Throughput Metabolic Profiling for Model Refinements of Microalgae
    11:07

    High-Throughput Metabolic Profiling for Model Refinements of Microalgae

    Published on: December 4, 2021

    3.9K
    High-Resolution Neutron Spectroscopy to Study Picosecond-Nanosecond Dynamics of Proteins and Hydration Water
    08:48

    High-Resolution Neutron Spectroscopy to Study Picosecond-Nanosecond Dynamics of Proteins and Hydration Water

    Published on: April 28, 2022

    1.8K

    Videos de Experimentos Relacionados

    Last Updated: Sep 9, 2025

    A Quantitative Fitness Analysis Workflow
    11:39

    A Quantitative Fitness Analysis Workflow

    Published on: August 13, 2012

    14.6K
    High-Throughput Metabolic Profiling for Model Refinements of Microalgae
    11:07

    High-Throughput Metabolic Profiling for Model Refinements of Microalgae

    Published on: December 4, 2021

    3.9K
    High-Resolution Neutron Spectroscopy to Study Picosecond-Nanosecond Dynamics of Proteins and Hydration Water
    08:48

    High-Resolution Neutron Spectroscopy to Study Picosecond-Nanosecond Dynamics of Proteins and Hydration Water

    Published on: April 28, 2022

    1.8K

    Área de la Ciencia:

    • Biología de sistemas
    • Biología computacional
    • Señalización celular

    Sus antecedentes:

    • Los estudios de sistemas reguladores celulares a menudo producen datos cualitativos, como respuestas ordenadas por rango, que son difíciles de integrar en modelos matemáticos.
    • Los métodos anteriores para incorporar datos cualitativos en modelos de ecuaciones diferenciales ordinarias (EDO) a menudo eran ad hoc, no reproducibles y carecían de cuantificación de incertidumbre.

    Objetivo del estudio:

    • Desarrollar un enfoque sistemático y automatizado para la parametrización de modelos ODE de sistemas reguladores celulares utilizando datos cualitativos y cuantitativos.
    • Mejorar la reutilización de las observaciones biológicas cualitativas en el modelado matemático.
    • Implementar la cuantificación de la incertidumbre (UQ) en la parametrización de modelos de biología de sistemas.

    Principales métodos:

    • Observaciones cualitativas formalizadas a partir de datos biológicos.
    • Utilizó el paquete de software PyBioNetFit para la parametrización automatizada del modelo.
    • Datos cualitativos y cuantitativos integrados en el marco de un modelo ODE.
    • Cuantificación de la incertidumbre realizada (UQ).

    Principales resultados:

    • PyBioNetFit aprovechó con éxito los datos cualitativos junto con los datos cuantitativos para la parametrización del modelo.
    • El enfoque automatizado mejoró la reproducibilidad y permitió la cuantificación de la incertidumbre, que estaba ausente en los métodos anteriores.
    • Demostró una estimación más confiable de los parámetros del modelo para la biología de sistemas.

    Conclusiones:

    • PyBioNetFit proporciona un marco sólido para la integración de datos cualitativos y cuantitativos en el modelado de la biología de sistemas.
    • El método desarrollado mejora la fiabilidad de la estimación de parámetros y facilita la cuantificación de incertidumbres cruciales.
    • Este enfoque es vital para los análisis reproducibles y perspicaces de los sistemas reguladores celulares.