Объект Create SimFunction
F = createSimFunction(model,params,observables,dosed)F = createSimFunction(model,params,observables,dosed, variants)F = createSimFunction(___,Name,Value)F = createSimFunction(model,params,observables,dosed)F SimFunction object, который можно выполнить как указатель на функцию. Аргументы params и observables задают вводы и выводы функционального F, когда он выполняется, и dosed задает информацию о дозировании разновидностей. Смотрите SimFunction object для получения дополнительной информации о том, как выполнить F.
F = createSimFunction(___,Name,Value)Name,Value.
Активные дозы и варианты модели проигнорированы, когда F выполняется.
F является неизменяемым после того, как он будет создан.
F автоматически ускоряется при первом функциональном выполнении. Однако вручную ускорьте объект, если вы хотите ускоренный в ваших приложениях развертывания.
Этот пример использует радиоактивную модель затухания с реакцией первого порядка , где x и z являются разновидностями, и c является постоянным форвардным курсом.
Загрузите демонстрационный проект, содержащий радиоактивную модель m1 затухания.
sbioloadproject radiodecay;Создайте SimFunction object, задав параметр Reaction1.c, чтобы быть отсканированными, и разновидности x как вывод функции без дозируемых разновидностей.
f = createSimFunction(m1, 'Reaction1.c','x', [])
f =
SimFunction
Parameters:
Name Value Type Units
_____________ _____ ___________ __________
'Reaction1.c' 0.5 'parameter' '1/second'
Observables:
Name Type Units
____ _________ __________
'x' 'species' 'molecule'
Dosed: None
Если опция UnitConversion была установлена в false, когда объект SimFunction, f был создан, таблица, не отображает модули количеств модели.
Чтобы проиллюстрировать это, сначала установите опцию UnitConversion на false.
cs = getconfigset(m1); cs.CompileOptions.UnitConversion = false;
Создайте объект SimFunction как прежде и обратите внимание, что переменная под названием Units исчезает.
f = createSimFunction(m1, {'Reaction1.c'},{'x'}, [])f =
SimFunction
Parameters:
Name Value Type
_____________ _____ ___________
'Reaction1.c' 0.5 'parameter'
Observables:
Name Type
____ _________
'x' 'species'
Dosed: None
Если какая-либо из разновидностей в модели дозируется, задайте имена дозируемых разновидностей в качестве последнего аргумента. Например, если разновидность x дозируется, задайте его в качестве последнего аргумента.
f = createSimFunction(m1, {'Reaction1.c'},{'x'}, 'x')f =
SimFunction
Parameters:
Name Value Type
_____________ _____ ___________
'Reaction1.c' 0.5 'parameter'
Observables:
Name Type
____ _________
'x' 'species'
Dosed:
TargetName
__________
'x'
Если объект SimFunction создается, можно выполнить его как указатель на функцию и выполнить сканирования параметра (параллельно, если Parallel Computing Toolbox™ доступен), симуляции Монте-Карло, и сканирует с несколькими или векторизованными дозами. См. SimFunction object для большего количества примеров.
Этот пример создает объект SimFunction с дозированием информации с помощью объекта RepeatDose или ScheduleDose или вектора этих объектов. Однако, если какой-либо объект дозы содержит данные, такие как StartTime, Amount и Rate, такие данные проигнорированы, и предупреждение выдано. Только данными, при наличии, используемый является TargetName, LagParameterName и DurationParameterName объекта дозы.
Загрузите демонстрационный проект, содержащий радиоактивную модель m1 затухания.
sbioloadproject radiodecay;Создайте RepeatDose object и задайте его свойства.
rdose = sbiodose('rd'); rdose.TargetName = 'x'; rdose.StartTime = 5; rdose.TimeUnits = 'second'; rdose.Amount = 300; rdose.AmountUnits = 'molecule'; rdose.Rate = 1; rdose.RateUnits = 'molecule/second'; rdose.Interval = 100; rdose.RepeatCount = 2;
Добавьте параметр задержки и параметр длительности к модели.
lagPara = addparameter(m1,'lp'); lagPara.Value = 1; lagPara.ValueUnits = 'second'; duraPara = addparameter(m1,'dp'); duraPara.Value = 1; duraPara.ValueUnits = 'second';
Установите эти параметры на объект дозы.
rdose.LagParameterName = 'lp'; rdose.DurationParameterName = 'dp';
Создайте объект SimFunction f с помощью объекта RepeatDose rdose, который вы только создали.
f = createSimFunction(m1,{'Reaction1.c'},{'x','z'},rdose)Warning: Some Dose objects in DOSED had data. This data
will be ignored.
> In SimFunction>SimFunction.SimFunction at 847
In SimFunction>SimFunction.createSimFunction at 374
f =
SimFunction
Parameters:
Name Value Type Units
_____________ _____ ___________ __________
'Reaction1.c' 0.5 'parameter' '1/second'
Observables:
Name Type Units
____ _________ __________
'x' 'species' 'molecule'
'z' 'species' 'molecule'
Dosed:
TargetName TargetDimension
__________ _______________________________
'x' 'Amount(e.g. mole or molecule)'
DurationParameterName DurationParameterValue
_____________________ ______________________
'dp' 1
DurationParameterUnits LagParameterName
______________________ ________________
'second' 'lp'
LagParameterValue LagParameterUnits
_________________ _________________
1 'second' Предупреждающее сообщение появляется, потому что объект rdose содержит данные (StartTime, Amount, Rate), которые проигнорированы методом createSimFunction.
Этот пример показывает, как выполнить различные подписи SimFunction object, чтобы моделировать и отсканировать параметры Лотки - Вольтерры (добыча хищника) модель, описанная Гиллеспи [1].
Загрузите демонстрационный проект, содержащий модель m1.
sbioloadproject lotka;Создайте объект SimFunction f с c1 и c2 как входные параметры, которые будут отсканированы, и y1 и y2 как вывод функции без дозируемых разновидностей.
f = createSimFunction(m1,{'Reaction1.c1', 'Reaction2.c2'},{'y1', 'y2'}, [])f =
SimFunction
Parameters:
Name Value Type
______________ _____ ___________
'Reaction1.c1' 10 'parameter'
'Reaction2.c2' 0.01 'parameter'
Observables:
Name Type
____ _________
'y1' 'species'
'y2' 'species'
Dosed: None
Задайте входную матрицу, которая содержит значения для каждого параметра (c1 и c2) для каждой симуляции. Количество строк указывает на общее количество симуляций, и каждая симуляция использует значения параметров, заданные в каждой строке.
phi = [10 0.01; 10 0.02];
Запустите симуляции, пока время остановки не равняется 5, и постройте результаты симуляции.
sbioplot(f(phi, 5));
Можно также задать вектор различных времен остановки для каждой симуляции.
t_stop = [3;6]; sbioplot(f(phi, t_stop));
Затем, задайте выходные времена как вектор.
t_output = 0:0.1:5; sbioplot(f(phi,[],[],t_output));
Задайте выходные времена как массив ячеек векторов.
t_output = {0:0.01:3, 0:0.2:6};
sbioplot(f(phi, [], [], t_output));
Этот пример показывает, как вычислить чувствительность некоторых разновидностей в модели Лотки-Вольтерры с помощью объекта SimFunctionSensitivity.
Загрузите демонстрационный проект.
sbioloadproject lotka;Задайте входные параметры.
params = {'Reaction1.c1', 'Reaction2.c2'};Задайте наблюдаемые разновидности, которые являются выходными параметрами симуляции.
observables = {'y1', 'y2'};Создайте объект SimFunctionSensitivity. Установите чувствительность выходные факторы на все разновидности (y1 и y2) заданный в аргументе observables и введите факторы тем в аргументе params (c1 и c2) при помощи ключевого слова 'все'.
f = createSimFunction(m1,params,observables,[],'SensitivityOutputs','all','SensitivityInputs','all','SensitivityNormalization','Full')
f =
SimFunction
Parameters:
Name Value Type
______________ _____ ___________
'Reaction1.c1' 10 'parameter'
'Reaction2.c2' 0.01 'parameter'
Observables:
Name Type
____ _________
'y1' 'species'
'y2' 'species'
Dosed: None
Sensitivity Input Factors:
Name Type
______________ ___________
'Reaction1.c1' 'parameter'
'Reaction2.c2' 'parameter'
Sensitivity Output Factors:
Name Type
____ _________
'y1' 'species'
'y2' 'species'
Sensitivity Normalization:
Full
Вычислите чувствительность путем выполнения объекта с c1 и набором c2 к 10 и 0.1 соответственно. Установите выходные времена от 1 до 10. t содержит моменты времени, y содержит данные моделирования, и sensMatrix является матрицей чувствительности, содержащей чувствительность y1 и y2 относительно c1 и c2.
[t,y,sensMatrix] = f([10,0.1],[],[],1:10);
Получите информацию о чувствительности во времени симуляции = 5.
temp = sensMatrix{:};
sensMatrix2 = temp(t{:}==5,:,:);
sensMatrix2 = squeeze(sensMatrix2)sensMatrix2 = 2×2
37.6987 -6.8447
-40.2791 5.8225
Строки sensMatrix2 представляют выходные факторы (y1 и y2). Столбцы представляют входные факторы (c1 и c2).
Установите время остановки на 15, не задавая выходные времена. В этом случае выходные времена являются моментами времени решателя по умолчанию.
sd = f([10,0.1],15);
Получите расчетную чувствительность из объекта SimData sd.
[t,y,outputs,inputs] = getsensmatrix(sd);
Постройте чувствительность разновидностей y1 и y2 относительно c1.
figure; plot(t,y(:,:,1)); legend(outputs); title('Sensitivities of species y1 and y2 with respect to parameter c1'); xlabel('Time'); ylabel('Sensitivity');
Постройте чувствительность разновидностей y1 и y2 относительно c2.
figure; plot(t,y(:,:,2)); legend(outputs); title('Sensitivities of species y1 and y2 with respect to parameter c2'); xlabel('Time'); ylabel('Sensitivity');
Также можно использовать sbioplot. Расширьте Run1, чтобы выбрать который симуляция или данные о чувствительности, чтобы отобразиться.
sbioplot(sd);
Можно также построить матрицу чувствительности использование интеграла времени для расчетной чувствительности y1 и y2. График показывает, что y1 и y2 более чувствительны к параметру c1, чем c2.
[~, in, out] = size(y); result = zeros(in, out); for i = 1:in for j = 1:out result(i,j) = trapz(t(:),abs(y(:,i,j))); end end figure; hbar = bar(result); haxes = hbar(1).Parent; haxes.XTick = 1:length(outputs); haxes.XTickLabel = outputs; legend(inputs,'Location','NorthEastOutside'); ylabel('Sensitivity');
Этот пример показывает, как моделировать ответы инсулина глюкозы для нормальных и диабетических предметов.
Загрузите модель ответа инсулина глюкозы. Для получения дополнительной информации о модели, смотрите раздел Background в Симуляции Ответа Инсулина Глюкозы.
sbioloadproject('insulindemo', 'm1')
Модель содержит различные начальные условия, сохраненные в различных вариантах.
variants = getvariant(m1);
Получите начальные условия для пациента диабетика типа 2.
type2 = variants(1)
SimBiology Variant - Type 2 diabetic (inactive) ContentIndex: Type: Name: Property: Value: 1 parameter Plasma Volume ... Value 1.49 2 parameter k1 Value 0.042 3 parameter k2 Value 0.071 4 parameter Plasma Volume ... Value 0.04 5 parameter m1 Value 0.379 6 parameter m2 Value 0.673 7 parameter m4 Value 0.269 8 parameter m5 Value 0.0526 9 parameter m6 Value 0.8118 10 parameter Hepatic Extrac... Value 0.6 11 parameter kmax Value 0.0465 12 parameter kmin Value 0.0076 13 parameter kabs Value 0.023 14 parameter kgri Value 0.0465 15 parameter f Value 0.9 16 parameter a Value 6e-05 17 parameter b Value 0.68 18 parameter c Value 0.00023 19 parameter d Value 0.09 20 parameter Stomach Glu Af... Value 125 21 parameter kp1 Value 3.09 22 parameter kp2 Value 0.0007 23 parameter kp3 Value 0.005 24 parameter kp4 Value 0.0786 25 parameter ki Value 0.0066 26 parameter [Ins Ind Glu U... Value 1 27 parameter Vm0 Value 4.65 28 parameter Vmx Value 0.034 29 parameter Km Value 466.21 30 parameter p2U Value 0.084 31 parameter K Value 0.99 32 parameter alpha Value 0.013 33 parameter beta Value 0.05 34 parameter gamma Value 0.5 35 parameter ke1 Value 0.0007 36 parameter ke2 Value 269 37 parameter Basal Plasma G... Value 164.18 38 parameter Basal Plasma I... Value 54.81
Подавите информационное предупреждение, которое выдано во время симуляций.
warnSettings = warning('off','SimBiology:DimAnalysisNotDone_MatlabFcn_Dimensionless');
Создайте объекты SimFunction моделировать ответ инсулина глюкозы для нормальных и диабетических предметов.
Задайте пустой массив {} для второго входного параметра, чтобы обозначить, что модель будет моделироваться с помощью основных значений параметров (то есть, никакое сканирование параметра не будет выполняться).
Задайте плазменные концентрации глюкозы и инсулина как ответы (выходные параметры функции, которая будет построена).
Задайте разновидности Dose как дозируемые разновидности. Эта разновидность представляет начальную концентрацию глюкозы в начале симуляции.
normSim = createSimFunction(m1,{},...
{'[Plasma Glu Conc]','[Plasma Ins Conc]'},'Dose')normSim =
SimFunction
Parameters:
Observables:
Name Type Units
___________________ _________ _____________________
'[Plasma Glu Conc]' 'species' 'milligram/deciliter'
'[Plasma Ins Conc]' 'species' 'picomole/liter'
Dosed:
TargetName TargetDimension
__________ ___________________
'Dose' 'Mass (e.g., gram)'
Для страдающего от диабета пациента задайте начальные условия с помощью различного type2.
diabSim = createSimFunction(m1,{},...
{'[Plasma Glu Conc]','[Plasma Ins Conc]'},'Dose',type2)diabSim =
SimFunction
Parameters:
Observables:
Name Type Units
___________________ _________ _____________________
'[Plasma Glu Conc]' 'species' 'milligram/deciliter'
'[Plasma Ins Conc]' 'species' 'picomole/liter'
Dosed:
TargetName TargetDimension
__________ ___________________
'Dose' 'Mass (e.g., gram)'
Выберите дозу, которая представляет одну еду 78 граммов глюкозы в начале симуляции.
singleMeal = sbioselect(m1,'Name','Single Meal');
Преобразуйте информацию о дозировании в формат таблицы.
mealTable = getTable(singleMeal);
Моделируйте ответ инсулина глюкозы для нормального предмета в течение 24 часов.
sbioplot(normSim([],24,mealTable));
Моделируйте ответ инсулина глюкозы для диабетического предмета в течение 24 часов.
sbioplot(diabSim([],24,mealTable));
Выполните сканирование с помощью вариантов
Предположим, что вы хотите выполнить сканирование параметра с помощью массива вариантов, которые содержат различные начальные условия для различных нарушений инсулина. Например, модель m1 имеет варианты, которые соответствуют низкой чувствительности инсулина и высокой чувствительности инсулина. Можно моделировать модель для обоих условий через один вызов объекта SimFunction.
Выберите варианты, чтобы отсканировать.
varToScan = sbioselect(m1,'Name',... {'Low insulin sensitivity','High insulin sensitivity'});
Проверяйте, какие параметры модели хранятся в каждом варианте.
varToScan(1)
SimBiology Variant - Low insulin sensitivity (inactive) ContentIndex: Type: Name: Property: Value: 1 parameter Vmx Value 0.0235 2 parameter kp3 Value 0.0045
varToScan(2)
SimBiology Variant - High insulin sensitivity (inactive) ContentIndex: Type: Name: Property: Value: 1 parameter Vmx Value 0.094 2 parameter kp3 Value 0.018
Оба варианта хранят альтернативные значения для параметров kp3 и Vmx. Необходимо задать их как входные параметры, когда вы создаете объект SimFunction.
Создайте объект SimFunction отсканировать варианты.
variantScan = createSimFunction(m1,{'Vmx','kp3'},...
{'[Plasma Glu Conc]','[Plasma Ins Conc]'},'Dose');Моделируйте модель и постройте результаты. Run 1 включает результаты симуляции для низкой чувствительности инсулина и Run 2 для высокой чувствительности инсулина.
sbioplot(variantScan(varToScan,24,mealTable));
Низкая чувствительность инсулина приводит к увеличенной и продленной плазменной концентрации глюкозы.
Восстановите предупреждение настроек.
warning(warnSettings);
[1] Гиллеспи, D.T. (1977). Точная стохастическая симуляция двойных химических реакций. Журнал физической химии. 81 (25), 2340–2361.
SimFunction object | SimFunctionSensitivity object | model object | sbiosampleerror | sbiosampleparameters