Подобный функции интерфейс, чтобы выполнить модели SimBiology
Объект SimFunction обеспечивает интерфейс, который позволяет вам выполнять модель SimBiology® как функция и рабочий процесс, чтобы выполнить сканирования параметра (параллельно, если Parallel Computing Toolbox™ доступен), симуляции Монте-Карло, и сканирует с несколькими или векторизованными дозами. Поскольку объект SimFunction может быть выполнен как указатель на функцию, можно настроить его, чтобы интегрировать модели SimBiology с другими продуктами MATLAB® и другими пользовательскими исследованиями (такими как визуальные прогнозирующие проверки).
Используйте метод createSimFunction, чтобы создать объект SimFunction. Объекты SimFunction являются неизменяемыми когда-то созданные и автоматически ускоренные при первом функциональном выполнении.
Если вы указали информацию дозирования, когда вы вызвали createSimFunction, чтобы создать объект SimFunction F, то F имеет следующие синтаксисы.
simdata = F(phi,t_stop,u,t_output)simdata SimData object после симуляции модели SimBiology с помощью начальных условий, заданных в phi, времени остановки симуляции, t_stop, дозируя информацию, u, и выходное время, t_output.
simdata = F(phi,t_stop,u)phi, t_stop и u.
Если вы не указали информации дозирования, когда вы вызвали createSimFunction, то F имеет следующие синтаксисы:
simdata = F(phi,t_stop)simdata SimData object после симуляции модели с помощью начальных условий, заданных в phi, и времени остановки симуляции, t_stop.
simdata = F(phi,t_stop,[],t_output)phi, t_stop, пустой дозируемый аргумент [] и t_output. Необходимо задать u, информацию о дозировании, как пустой array[] для этой подписи. Когда t_output пуст, и t_stop задан, симуляции сообщают о моментах времени решателя до t_stop. Когда t_output задан, и t_stop пуст, только о моментах времени в t_output сообщают. Когда и заданы, моменты времени, о которых сообщают, являются объединением моментов времени решателя и моментов времени в t_output. Если последний t_output больше, чем соответствующий t_stop, то доходы симуляции до последнего момента времени в t_output.
simdata = F(phi,tbl)phi и tbl. Используя эту подпись только позволяет вам задать выходные времена как одну из переменных tbl. Любая строка данных в tbl, где все столбцы зависимой переменной, имеющие значения NaN, проигнорирован.
[ возвращает T,Y] =
F(_)T, массив ячеек числового вектора, и Y, массив ячеек 2D числовых матриц, с помощью любого из входных параметров в предыдущих синтаксисах.
|
Одно из следующего:
Когда |
|
|
|
Если
|
|
|
|
Если аргумент Если |
|
Массив объектов SimData, который содержит результаты выполнения SimFunction |
|
Массив ячеек, содержащий числовой вектор размера |
|
Массив ячеек 2D числовых матриц. ith элемент |
| createSimFunction (модель) | Объект Create SimFunction |
| ускорьтесь (SimFunction) | Подготовьте объект SimFunction к ускоренным симуляциям |
| isaccelerated (SimFunction) | Определите, ускоряется ли объект SimFunction |
Parameters |
Таблица содержит информацию о количествах модели (разновидности, отсеки или параметры), которые задают входные параметры | ||||||||||
Observables |
Эта таблица содержит информацию о количествах модели (разновидности, отсеки или параметры), которые задают вывод | ||||||||||
Dosed |
Кроме того, таблица также содержит переменные для каждого свойства, которое параметризовано. Для каждого параметризованного свойства две переменные добавляются к этой таблице. Первая переменная имеет то же имя как имя свойства, и значение является именем заданного параметра. Второй переменной снабдил суффиксом имя свойства Value (PropertyNameValue), и значение является значением по умолчанию параметра. Если Предположим, что свойство
| ||||||||||
UseParallel | Логический. Если | ||||||||||
UnitConversion | Логический. Если верный:
| ||||||||||
DependentFiles | Массив ячеек из символьных векторов, содержащий имена файлов, от которых зависит модель. Это свойство используется для развертывания. Это свойство доступно только для чтения. |
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);
Этот пример показывает, как отсканировать начальные суммы разновидности из радиоактивной модели затухания с реакцией первого порядка , где x и z являются разновидностями, и c является постоянным форвардным курсом.
Загрузите демонстрационный проект, содержащий radiodecay модель m1.
sbioloadproject radiodecay;Создайте объект SimFunction f, чтобы отсканировать начальные суммы разновидностей x.
f = createSimFunction(m1,{'x'},{'x','z'},[])f =
SimFunction
Parameters:
Name Value Type Units
____ _____ _________ __________
'x' 1000 'species' 'molecule'
Observables:
Name Type Units
____ _________ __________
'x' 'species' 'molecule'
'z' 'species' 'molecule'
Dosed: None
Задайте четыре различных начальных суммы разновидностей x для сканирования. Количество строк указывает на общее количество симуляций, и каждая симуляция использует значение параметров, заданное в каждой строке вектора.
phi = [200; 400; 600; 800];
Запустите симуляции, пока время остановки не равняется 20, и постройте результаты симуляции.
sbioplot(f(phi, 20));
Этот пример показывает, как моделировать и отсканировать параметр radiodecay модели, в то время как разновидность дозируется.
Загрузите демонстрационный проект, содержащий radiodecay модель m1.
sbioloadproject radiodecay;Создайте объект SimFunction f, задающий параметр Reaction1.c, который будет отсканирован и разновидности x как дозируемая цель.
f = createSimFunction(m1,{'Reaction1.c'},{'x','z'},{'x'});Задайте скалярную дозу суммы 200 молекул, данных в трех моментах времени (5, 10, и 15 секунд).
dosetime = [5 10 15];
dose = [200 200 200];
u = table(dosetime', dose');
u.Properties.VariableNames = {'Time','Amount'};
u.Properties.VariableUnits = {'second','molecule'};Задайте значения параметров для Reaction1.c, чтобы отсканировать.
phi = [0.1 0.2 0.5]';
Моделируйте модель в течение 20 секунд и постройте результаты.
sbioplot(f(phi,20,u));
Можно также задать различные суммы дозы в разное время.
d1 = table(5,100);
d1.Properties.VariableNames = {'Time','Amount'};
d1.Properties.VariableUnits = {'second','molecule'};
d2 = table(10,300);
d2.Properties.VariableNames = {'Time','Amount'};
d2.Properties.VariableUnits = {'second','molecule'};
d3 = table(15,600);
d3.Properties.VariableNames = {'Time','Amount'};
d3.Properties.VariableUnits = {'second','molecule'};Моделируйте модель с помощью этих доз и постройте результаты.
sbioplot(f(phi,20,{d1;d2;d3}));
Можно также задать массив ячеек таблиц дозы.
u = cell(3,1);
dosetime = [5 10 15];
dose = [200 200 200];
u{1} = table(dosetime',dose');
u{1}.Properties.VariableNames = {'Time','Amount'};
u{1}.Properties.VariableUnits = {'second','molecule'};
dosetime2 = [2 6 12];
dose2 = [500 500 500];
u{2} = table(dosetime2', dose2');
u{2}.Properties.VariableNames = {'Time','Amount'};
u{2}.Properties.VariableUnits = {'second','molecule'};
dosetime3 = [3 8 18];
dose3 = [100 100 100];
u{3} = table(dosetime3', dose3');
u{3}.Properties.VariableNames = {'Time','Amount'};
u{3}.Properties.VariableUnits = {'second','molecule'};Моделируйте модель с помощью таблиц дозы и постройте результаты.
sbioplot(f(phi,20,u));
[1] Гиллеспи, D.T. (1977). Точная стохастическая симуляция двойных химических реакций. Журнал физической химии. 81 (25), 2340–2361.
RepeatDose object | ScheduleDose object | SimFunctionSensitivity object | createSimFunction | sbiosampleerror | sbiosampleparameters