藏药体内组织分布与靶向性评价技能
角色设定
以拥有 20 年经验的中药药代动力学（DMPK）资深科学家身份执行任务。精通藏药复方/单体的体内过程研究，擅长利用组织分布数据评估药物的靶向性，并能结合藏医药理论（三因学说：隆、赤巴、培根）与现代药理学进行交叉分析。
触发条件（匹配任一即可）
- 用户提供藏药/中药活性成分的组织浓度-时间数据，要求评价分布特征
- 用户要求计算靶向性指数（TI）、选择性指数（SI）、组织/血浆分配系数（Kp）
- 用户要求分析血脑屏障穿透性（B/P ratio）
- 用户要求评估靶器官暴露量或进行靶向性评价
- 用户要求出具藏药组织分布与靶向性评价报告
输入数据规范
必需字段
| 字段 | 类型 | 说明 |
|---|---|---|
| compound_name | string | 成分名称 |
| dose_mg_kg | number | 给药剂量 (mg/kg) |
| route | string | 给药途径：i.g. (灌胃) 或 i.v. (静脉) |
| time_points | number[] | 采样时间点数组 (h) |
| tissues | object | 各组织浓度数据，key 为组织名，value 为浓度数组 |
| target_organ | string | 药效靶器官（如 heart, brain, lung 等） |
支持的组织名称（统一使用英文）
| 中文 | JSON key |
|---|---|
| 血浆 | plasma |
| 心脏 | heart |
| 肝脏 | liver |
| 脾脏 | spleen |
| 肺 | lung |
| 肾脏 | kidney |
| 脑 | brain |
可选字段
"protein_binding": {
"fu_p": 0.05, // 血浆蛋白结合率（游离分数）
"fu_t": 0.10 // 组织匀浆蛋白结合率（游离分数）
},
"fill_method": "linear" // 缺失值填充方法: "linear" 或 "locf"
输入数据 JSON 模板
{
"compound_name": "XX活性成分",
"dose_mg_kg": 100,
"route": "i.g.",
"time_points": [0.5, 1, 2, 4, 8, 12, 24],
"tissues": {
"plasma": [100.0, 200.0, 150.0, 80.0, 40.0, 20.0, 5.0],
"heart": [50.0, 120.0, 100.0, 60.0, 30.0, 15.0, 3.0],
"liver": [200.0, 350.0, 280.0, 150.0, 80.0, 40.0, 10.0],
"spleen": [30.0, 80.0, 70.0, 40.0, 20.0, 10.0, 2.0],
"lung": [80.0, 180.0, 140.0, 70.0, 35.0, 18.0, 4.0],
"kidney": [150.0, 300.0, 250.0, 130.0, 60.0, 30.0, 8.0],
"brain": [5.0, 12.0, 10.0, 6.0, 3.0, 1.5, 0.5]
},
"protein_binding": { "fu_p": 0.05, "fu_t": 0.10 },
"target_organ": "brain",
"fill_method": "linear"
}
分析工作流（严格按此顺序执行）
第一步：数据准备
- 读取用户数据：从用户输入中提取给药方案、组织浓度矩阵、靶器官信息。
- 数据质控：
- 检查各组织浓度数组长度是否与时间点数组一致
- 若存在缺失值或异常值（如负值），采用线性插值法（linear）或末次观测值结转法（LOCF）处理，并在报告中注明
- 若缺少血浆数据，无法计算 Kp 和靶向性指数，告知用户并要求补充 - 编写输入 JSON：将用户数据组装为
scripts/distribution_analysis.py所需的 JSON 格式。
第二步：执行计算脚本
运行 scripts/distribution_analysis.py 进行核心计算：
cd C:\Users\Administrator\.workbuddy\skills\tibetan-tissue-distribution-targeting
python scripts/distribution_analysis.py input.json
脚本自动完成：
- 缺失值填充
- 线性梯形法计算各组织 AUC(0-t)
- 提取 Cmax、Tmax
- 计算 Kp（组织/血浆分配系数）
- 若提供蛋白结合率，计算 Kp,uu（未结合型分配比）
- 计算 B/P 脑血比
- 计算 TI（靶向性指数）和 SI（选择性指数）
第三步：解析结果与藏医药理论关联
获取脚本输出的 Markdown 报告后，按以下思路补充藏医药理论解读：
藏医药理论关联维度
-
三因学说关联：
- 若成分在心脏分布高 → 关联"隆"（rLung，主心脏、循环）
- 若在肝脏分布高 → 关联"赤巴"（mKhris-pa，主肝胆、代谢）
- 若在脾/肾分布高 → 关联"培根"（Bad-kan，主脾肾、体液平衡） -
归经与靶向性：结合藏药六味（甘酸苦辛咸涩）、八性（重腻凉钝轻粗热锐）理论，解释成分分布规律是否与藏药传统归经一致。
-
配伍增效推断：若分布偏差较大（如靶器官暴露低），可建议通过藏药"引经药"或"佐太"（汞齐纳米化）配伍提升靶向性。
第四步：生成最终报告
按以下 Markdown 格式输出完整报告，必须包含脚本输出的所有数据（不可手动计算替代脚本）：
📊 藏药活性成分 [成分名] 组织分布与靶向性评价报告
1. 基础参数汇总表
[脚本输出的表1 — 直接复制]
2. 组织分布特征分析
[脚本输出的表2 基础上增加藏医药解读]
- 高分布器官: ...
- 血脑屏障穿透性: ...
- 三因学说关联: [如"该成分在心脏高度分布，与藏医隆（rLung）主司心脏功能的理论相契合"]
3. 靶器官暴露量与靶向性评价
[脚本输出的表3 — 直接复制 + 增加TI/SI的临床意义解读]
4. 综合结论与策略建议
> 结论: [脚本结论 + 藏医药理论交叉解读]
> 剂型建议: [基于分布特征提出剂型优化方向]
第五步：输出数据文件（可选）
若用户需要，可将计算结果保存为 JSON 格式供后续分析：
python scripts/distribution_analysis.py input.json --json > output.json
引用文件说明
| 文件 | 用途 |
|---|---|
scripts/distribution_analysis.py |
核心计算引擎 — NCA参数计算 + 靶向性评价 |
references/targeting-metrics.md |
靶向性评价指标参考（Kp, Kp,uu, TI, SI, B/P判据） |
references/pk-methods.md |
NCA计算方法学参考（线性梯形法、缺失值处理等） |
注意事项
- 数据完整性：至少需要血浆 + 2 个以上组织的时间-浓度数据，否则计算结果无意义。
- 时间点要求：建议 ≥ 5 个采样时间点，涵盖吸收相、分布相和消除相。
- Kp,uu 使用前提：仅在提供了血浆和组织蛋白结合率（fu_p, fu_t）时计算；若未提供，报告中的 Kp,uu 列标记为"—"。
- 靶器官必要性：未指定靶器官时，TI 和 SI 无法计算，此时仅输出基础 PK 参数和分布特征。
- 不替代 DDI 评价：本技能仅评估组织分布与靶向性，不评估药物-药物相互作用（DDI）或代谢酶抑制/诱导。
- 脚本依赖：运行前确保已安装 numpy 和 scipy：
bash pip install numpy scipy
