Моделируйте и оцените адаптированную модель SimBiology
[ynew,parameterEstimates]=
predict(resultsObj)
[ynew,parameterEstimates]=
predict(resultsObj,data,dosing)
[ возвращает результаты симуляцииynew,parameterEstimates]=
predict(resultsObj), ynew и параметр оценивают parameterEstimates подходящей модели SimBiology®.
[ возвращает результаты симуляции ynew,parameterEstimates]=
predict(resultsObj,data,dosing)ynew и оцененные значения параметров parameterEstimates от оценки подходящей модели SimBiology с помощью заданного data и информации о dosing.
Во время симуляций predict использует значения параметров в свойстве resultsObj.ParameterEstimates. Используйте этот метод когда это необходимо, чтобы оценить подобранную модель и предсказать ответы с помощью новых данных и/или дозируя информацию.
Этот пример использует дрожжи гетеротримерные данные модели белка G и экспериментальные данные, о которых сообщают [1]. Для получения дополнительной информации о модели, смотрите раздел Background в Сканировании Параметра, Оценке Параметра и Анализе чувствительности в Дрожжах Гетеротримерный Цикл Белка G.
Загрузите модель белка G.
sbioloadproject gproteinВведите экспериментальные данные, содержащие курс времени для части активного белка G, как сообщается в ссылочной газете [1].
time = [0;10;30;60;110;210;300;450;600]; GaFracExpt = [0;0.35;0.4;0.36;0.39;0.33;0.24;0.17;0.2];
Создайте groupedData, основанный на объектах на экспериментальных данных.
tbl = table(time,GaFracExpt); grpData = groupedData(tbl);
Сопоставьте соответствующий компонент модели с экспериментальными данными. Другими словами, укажите, которому разновидность в модели соответствует который переменная отклика в данных. В этом примере сопоставьте параметр модели GaFrac с переменной GaFracExpt экспериментальных данных из grpData.
responseMap = 'GaFrac = GaFracExpt'; Используйте объект estimatedInfo задать параметр модели kGd в качестве параметра, чтобы быть оцененными.
estimatedParam = estimatedInfo('kGd');Выполните оценку параметра.
fitResult = sbiofit(m1,grpData,responseMap,estimatedParam);
Просмотрите предполагаемое значение параметров kGd.
fitResult.ParameterEstimates
ans =
Name Estimate StandardError
_____ ________ _____________
'kGd' 0.11 3.683e-05
Предположим, что вы хотите моделировать подобранную модель с помощью различных выходных времен, чем те в данных тренировки. Можно использовать метод predict, чтобы сделать так.
Создайте новую переменную T с различными выходными временами.
T = [0;10;50;80;100;150;300;350;400;450;500;550];
Используйте метод predict, чтобы моделировать подобранную модель на новых моментах времени. Никакое дозирование не было задано, когда вы сначала запустили sbiofit. Следовательно, вы не можете использовать информацию о дозировании с методом predict, и пустой массив должен быть задан как третий входной параметр.
ynew = predict(fitResult,T,[]);
Отобразите моделируемые данные на графике с новыми выходными временами.
sbioplot(ynew)
Расширьте Run1 и только выберите GaFrac, чтобы отобразить его моделируемые данные.
Этот пример показывает, как оценить специфичный для категории (такой как молодой по сравнению со старым, штекерным по сравнению с розеткой) параметры PK с помощью данных о профиле от нескольких человек, использующих модель 2D отсека. Параметры, чтобы оценить являются объемами центрального и периферийного отсека, разрешения и межразделенного на отсеки разрешения.
Синтетические данные, используемые в этом примере, содержат ход времени плазменных концентраций нескольких человек после дозы шарика (100 мг), измеренных в разное время и для центральных и для периферийных отсеков. Это также содержит категориальные переменные, а именно, Sex и Age.
clear load(fullfile(matlabroot,'examples','simbio','sd5_302RAgeSex.mat'));
Преобразуйте набор данных в объект groupedData, который является необходимым форматом данных для подходящего функционального sbiofit. Объект groupedData позволяет вам устанавливать независимую переменную и имена переменных группы (если они существуют). Установите модули ID, Time, CentralConc, PeripheralConc, Age и переменных Sex. Модули являются дополнительными и только необходимыми для функции UnitConversion, которая автоматически преобразовывает соответствие с физическими количествами в одну сопоставимую модульную систему.
gData = groupedData(data);
gData.Properties.VariableUnits = {'','hour','milligram/liter','milligram/liter','',''};
Свойства IndependentVariableName и GroupVariableName были автоматически установлены в переменные Time и ID данных.
gData.Properties
ans =
Description: ''
VariableDescriptions: {}
VariableUnits: {'' 'hour' 'milligram/liter' 'milligram/liter' '' ''}
DimensionNames: {'Row' 'Variable'}
UserData: []
RowNames: {}
VariableNames: {'ID' 'Time' 'CentralConc' 'PeripheralConc' 'Sex' 'Age'}
GroupVariableName: 'ID'
IndependentVariableName: 'Time'В целях рисунка используйте первые пять отдельных данных для обучения и 6-е отдельные данные для тестирования.
trainData = gData([gData.ID < 6],:); testData = gData([gData.ID == 6],:);
Отобразите данные об ответе для каждого человека в наборе обучающих данных.
sbiotrellis(trainData,'ID','Time',{'CentralConc','PeripheralConc'});
Пользуйтесь встроенной библиотекой PK, чтобы создать модель 2D отсека с дозированием вливания и устранением первого порядка, где уровень устранения зависит от разрешения и объема центрального отсека. Используйте объект configset включить модульное преобразование.
pkmd = PKModelDesign; pkc1 = addCompartment(pkmd,'Central'); pkc1.DosingType = 'Bolus'; pkc1.EliminationType = 'linear-clearance'; pkc1.HasResponseVariable = true; pkc2 = addCompartment(pkmd,'Peripheral'); model = construct(pkmd); configset = getconfigset(model); configset.CompileOptions.UnitConversion = true;
Примите, что каждый человек получает дозу шарика 100 мг во время = 0.
dose = sbiodose('dose','TargetName','Drug_Central'); dose.StartTime = 0; dose.Amount = 100; dose.AmountUnits = 'milligram'; dose.TimeUnits = 'hour';
Данные содержат измеренную плазменную концентрацию в центральных и периферийных отсеках. Сопоставьте эти переменные с соответствующими компонентами модели, которые являются Drug_Central и Drug_Peripheral.
responseMap = {'Drug_Central = CentralConc','Drug_Peripheral = PeripheralConc'};Задайте объемы центральных и периферийных отсеков Central и Peripheral, межразделенное на отсеки разрешение Q12 и разрешение Cl_Central как параметры, чтобы оценить. Объект estimatedInfo позволяет вам опционально указать, что параметр преобразовывает, начальные значения и границы параметра. С тех пор и Центральный и Периферийный ограничиваются быть положительным, задать логарифмическое преобразование для каждого параметра.
paramsToEstimate = {'log(Central)', 'log(Peripheral)', 'Q12', 'Cl_Central'};
estimatedParam = estimatedInfo(paramsToEstimate,'InitialValue',[1 1 1 1]);Используйте свойство 'CategoryVariableName' объекта estimatedInfo задать который категория использовать во время подбора кривой. Используйте 'Sex' в качестве группы к пригодному для разрешения параметры Q12 и Cl_Central. Используйте 'Age' в качестве группы к пригодному для параметров Peripheral и Central.
estimatedParam(1).CategoryVariableName = 'Age'; estimatedParam(2).CategoryVariableName = 'Age'; estimatedParam(3).CategoryVariableName = 'Sex'; estimatedParam(4).CategoryVariableName = 'Sex'; categoryFit = sbiofit(model,trainData,responseMap,estimatedParam,dose)
При подборе кривой по категориям (или группа), всегда возвращается sbiofit, каждый заканчивается объект, не один для каждого уровня категории. Это вызвано тем, что и штекерные и розеточные люди считаются частью той же оптимизации с помощью тех же ошибочных параметров модели и параметров ошибок, так же для молодых и старых людей.
categoryFit =
OptimResults with properties:
ExitFlag: 3
Output: [1x1 struct]
GroupName: []
Beta: [8x5 table]
ParameterEstimates: [20x6 table]
J: [40x8x2 double]
COVB: [8x8 double]
CovarianceMatrix: [8x8 double]
R: [40x2 double]
MSE: 0.1240
SSE: 8.9269
Weights: []
EstimatedParameterNames: {'Central' 'Peripheral' 'Q12' 'Cl_Central'}
ErrorModelInfo: [1x3 table]
EstimationFunction: 'lsqnonlin'
ErrorModel: 'constant'
ErrorParameters: [1x1 table]Постройте специфичные для категории предполагаемые результаты. Для Cl_Central и параметров Q12, все штекеры имели те же оценки, и так же для розеток. Для Central и параметров Peripheral, у всех молодых людей были те же оценки, и так же для старых людей.
plot(categoryFit);
Что касается тестирования целей, моделируйте ответы 6-го человека, который является старым штекером. Поскольку вы оценили один набор параметров для категории Age (молодой по сравнению со старым) и другой набор для категории Sex (штекер по сравнению с розеткой), можно моделировать ответы старого штекера даже при том, что нет такого человека в данных тренировки.
Используйте метод predict, чтобы моделировать ответы. ynew содержит данные моделирования, и paramestim содержит оценки параметра, используемые во время симуляции.
[ynew,paramestim] = predict(categoryFit,testData,dose);
Постройте моделируемые ответы старого штекера.
sbioplot(ynew);
Переменная paramestim содержит предполагаемые параметры, используемые методом predict. Оценки параметра для соответствующих категорий были получены из свойства categoryFit.ParameterEstimates. А именно, Central и оценки параметра Peripheral получены из группы Old, и Q12 и оценки параметра Cl_Central получены из группы Male.
paramestim
paramestim =
Name Estimate StandardError Group CategoryVariableName CategoryValue
____________ ________ _____________ _____ ____________________ _____________
'Central' 1.1993 0.0050591 6 'Age' Old
'Peripheral' 0.5627 0.02908 6 'Age' Old
'Q12' 1.3119 0.062733 6 'Sex' Male
'Cl_Central' 0.56631 0.0079784 6 'Sex' Male Наложите результаты эксперимента на моделируемых данных.
figure; plot(testData.Time,testData.CentralConc,'LineStyle','none','Marker','d','MarkerEdgeColor','b'); hold on plot(testData.Time,testData.PeripheralConc,'LineStyle','none','Marker','d','MarkerEdgeColor','r'); plot(ynew.Time,ynew.Data(:,1),'b'); plot(ynew.Time,ynew.Data(:,2),'r'); hold off legend({'OBS1(CentralConc)','OBS2(PeripheralConc)',... 'PRED1(Central.Drug\_Central)','PRED2(Peripheral.Drug\_Peripheral)'});
[1] И, T-M., Kitano, H. и Саймон, M. (2003). Количественная характеристика дрожжей гетеротримерный цикл белка G. PNAS. 100, 10764–10769.