lunagen

Simulación de cultivos basada en agentes: configurable, optimizable y con visualización en vivo.

lunagen simula poblaciones de células una por una (metabolismo, crecimiento, división, muerte y producción de uno o varios compuestos) y busca las condiciones de cultivo que maximizan lo que te interese: celulosa bacteriana, etanol, otra biomasa, tiempo de vida, velocidad de reproducción…

El motor no sabe nada de ningún organismo concreto: todo lo específico se declara (variables, respuestas al entorno, productos, qué medir). Incluye un preset de Komagataeibacter xylinus (celulosa bacteriana) y se pueden describir organismos nuevos en unas decenas de líneas.

Instalación

pip install lunagen                 # núcleo (solo requiere numpy)
pip install "lunagen[viz]"          # + ventana en vivo (pygame-ce y scipy)

También se puede instalar desde el archivo .whl:

pip install lunagen-0.1.1-py3-none-any.whl

Inicio rápido

import lunagen as lg

if __name__ == "__main__":        # necesario si usas varios procesos (workers > 1)
    organismo = lg.presets.komagataeibacter_xylinus()
    estudio = lg.Study(organismo, objective="yield[cellulose]", workers=4)
    resultado = estudio.optimize(samples=60, generations=8, population=16, viz=True)
    print(resultado.best_conditions, resultado.best_value)

Imprime en consola todo lo que hace, anima cada simulación en una ventana (viz=True) y escribe evaluations.csv, results.json y best_unity.xml en la carpeta output/.

Qué puedes hacer con pocas líneas

# Otra pregunta con el mismo organismo
lg.Study(org, objective="mean_lifespan_h", space=["temperature_c", "ph"])      # tiempo de vida
lg.Study(org, objective="doubling_time_h", direction="min")                    # reproducción
lg.Study(org, objective={"yield[cellulose]": 1.0, "survival_fraction": 2.0},   # varios objetivos
         constraints=[("final_population", ">=", 100)])                        # y restricciones

# Operar solo con algunas variables
lg.Study(org, space=["temperature_c", "ph"], fixed={"glucose_gl": 30})

# Una métrica propia
@lg.metric("viabilidad", unit="%")
def viabilidad(result, cond, ctx):
    return 100 * result.final_alive / max(1, result.peak_alive)

# Sin escribir código: un archivo JSON
lg.run("config.json")          # o en la terminal:  lunagen config.json

Documentación

La documentación completa en español (conceptos, referencia de la API, cómo describir un organismo nuevo, calibración, ventana en vivo, exportación y publicación) está en https://satsh.org/lunagen/.

Fiabilidad

Las pruebas incluidas comparan la librería con el modelo original del que nació: con las mismas condiciones y semilla, los resultados son idénticos bit a bit. Ejecuta python tests/test_regression.py.

Licencia

MIT (ver LICENSE).