《CPT: Pharmacometrics & Systems Pharmacology》：OpenPMX Software for Nonlinear Mixed-Effect Models in Pharmacometrics: Precision Compared With NONMEM First-Order Conditional Estimation
编辑推荐：
混合效应模型是药物计量学的核心工具，其中采用交互作用的一阶条件估计（First-Order Conditional Estimation with Interaction, FOCE-I）方法的NONMEM软件已成为行业事实标准。尽管其通用数学方法有文档记载，
混合效应模型是药物计量学的核心工具，其中采用交互作用的一阶条件估计（First-Order Conditional Estimation with Interaction, FOCE-I）方法的NONMEM软件已成为行业事实标准。尽管其通用数学方法有文档记载，但大量技术与实现细节缺失。研究人员开发了OpenPMX，旨在以透明高效的方式实现非线性混合效应建模与估计，其开源许可支持广泛应用与开发。研究人员将OpenPMX与NONMEM针对五个复杂度递增的人群模型及数据集，进行了参数估计偏差与均方根误差（Root Mean Squared Error, RMSE）的比较。针对每个模型与数据集，研究人员执行重复模拟与估计，并计算了OpenPMX相对于NONMEM的参数估计精度差异。研究发现，OpenPMX的偏差与RMSE与行业标准的NONMEM相当，且在部分情况下略优。该项目复杂度低、依赖少且开源，所有技术细节均可供审查、审计与科学协作。
本研究发表于《CPT: Pharmacometrics & Systems Pharmacology》，聚焦于药物计量学核心工具非线性混合效应模型（Nonlinear Mixed-Effects Models, NLME）的算法实现与软件优化。当前领域内，由ICON PLC维护的NONMEM软件凭借其一阶条件估计法（First-Order Conditional Estimation, FOCE）及其带交互作用版本（FOCE-I）长期占据行业标准地位，但其自7.1版本后源代码加密，导致算法黑箱化，具体实现细节缺乏透明度，阻碍了学术层面的审查与改进。同时，现有开源替代方案如nlmixr2虽功能全面，但代码架构复杂、依赖繁多，提升了学习与技术门槛。为此，研究人员开发了名为OpenPMX的全新开源软件，旨在通过精简的代码结构、极少的依赖以及透明的实现逻辑，提供一款兼具教育性与实用性的NLME建模工具，并对其与NONMEM的估计精度进行了系统性验证。
为开展此项研究，研究人员采用了基于模拟的评估策略。研究选取了五个涵盖不同复杂度与数据特征的经典药代动力学（Pharmacokinetics, PK）及药效动力学（Pharmacodynamics, PD）模型场景，包括SCHNIDER丙泊酚三室模型、稀疏采样PK模型、芬太尼高维模型、华法林PK-PD微分方程模型以及既往公认的困难测试集DATASIM。关键技术方法包括：首先，利用NONMEM生成已知参数的模拟数据集；其次，分别使用OpenPMX与NONMEM（7.6版）对数据集进行参数估计，初始值设定相同且与真实值存在差异；最后，通过统计偏差（Bias）与相对均方根误差（RMSE）量化估计精度，并引入损失（loss）指标进行配对比较，辅以Wilcoxon检验判定统计学显著性。计算环境统一部署于Ubuntu系统，并行设置保持一致。
研究结果部分详细展示了各项分析的具体发现。在SCHNIDER分析中，面对数据丰富且模型结构相对简单的场景，OpenPMX与NONMEM的估计分布几乎完全重合。统计显示，OpenPMX在11个参数中的5个上表现优于NONMEM，其余无显著差异，且OpenPMX的计算速度显著快于NONMEM。在SPARSE分析中，针对稀疏采样数据，OpenPMX在7个参数中的5个上表现更优，仅1个参数略逊于NONMEM，同时保持了更快的运行速度。在FENTANYL分析中，该场景涉及高达30个参数的高维优化问题，OpenPMX依然表现出色，在30个参数中的9个上优于NONMEM，且两者整体性能相当，证明了其采用的无需导数的BOBYQA优化算法在高维问题上的有效性。在WARFARIN分析中，模型涉及常微分方程组求解，两者的估计结果几乎一致，仅在1个参数上存在微小但显著的差异，表明OpenPMX内置的GNU科学库（GSL）Runge-Kutta Prince-Dormand微分方程求解器质量可靠。在DATASIM分析中，这是一项针对困难模型的盲法比较重现研究，OpenPMX在11个参数中的4个上优于NONMEM，2个略逊，且NONMEM在部分运行中出现了随机效应协方差矩阵（Ω）非正定的问题，而OpenPMX通过对Ω进行相关性矩阵与尺度矩阵的分解编码有效避免了这一数值稳定性问题。在与历史数据的横向对比中，OpenPMX的综合排名介于NONMEM 7.6与其他传统方法之间，表现稳健。
在讨论与结论部分，研究人员指出，OpenPMX之所以能达到与NONMEM相当甚至略优的精度，主要归因于两者虽同属FOCE-I框架，但在具体实现上存在差异，特别是OpenPMX采用了数值导数而非解析导数，以及不同的参数边界变换和Ω矩阵编码方式。这些差异在高维优化和数值稳定性上带来了优势。尽管OpenPMX在特定测试环境下显示出速度优势，但研究人员谨慎地指出，由于并行配置和编译开销等因素，尚不能断定其绝对速度优势，仅能确认两者速度相当。研究人员强调，OpenPMX的核心价值在于其开源特性、低依赖性以及对实现细节的完全透明，这不仅消除了商业软件的黑箱壁垒，也为资源有限的地区和机构提供了零成本的专业工具。此外，项目采用C语言编写，语法相对简洁，极大降低了代码审查与二次开发的门槛。目前，OpenPMX仍处于开发阶段，未来计划完善错误检测、模型诊断及参数不确定性计算等功能。综上所述，OpenPMX是一款精度媲美行业标准、架构透明且免费的开源替代软件，为药物计量学的研究与应用提供了新的可靠选择。
