Exponenta Banner
exponenta event banner

predict(NLMEResults)

Симулируйте и оцените подбиравшую модель SimBiology

свернуть все на странице

Синтаксис

[ynew,parameterEstimates] = predict(resultsObj)
[ynew,parameterEstimates] = predict(resultsObj,data,dosing)
[ynew,parameterEstimates] = predict(___,'ParameterType',value)

Описание

[ynew,parameterEstimates] = predict(resultsObj) возвращает результаты симуляции ynew от оценки подбиравшей модели SimBiology®. Предполагаемые значения параметров parameterEstimates использованный для расчета ynew от исходной подгонки sbiofitmixed.

[ynew,parameterEstimates] = predict(resultsObj,data,dosing) возвращает результаты симуляции ynew от оценки подбиравшей модели SimBiology при помощи заданного data и dosing информация.

[ynew,parameterEstimates] = predict(___,'ParameterType',value) возвращает результаты симуляции ynew в оценку подбиравшей модели SimBiology с помощью или индивидуума или оценок параметра населения. Эти два варианта для value 'individual' (значение по умолчанию) или 'population'.

Совет

Используйте этот метод, чтобы получить ответы модели в определенных моментах времени или предсказать ответы модели с помощью различных ковариационных данных и дозируя информацию.

Примеры

свернуть все

Скрипт Open Live Script

Оцените нелинейные параметры смешанных эффектов с помощью клинических фармакокинетических данных, собранных от 59 младенцев. Оцените подобранную модель, данную новые данные или информацию о дозировании.

Загрузка данных

Этот пример использует данные, собранные по 59 недоношенным детям, данным фенобарбитал в течение первых 16 дней после рождения [1]. ds таблица, содержащая разовые концентрацией данные о профиле и ковариационную информацию для каждого младенца (или группа).

load pheno.mat ds

Преобразуйте в groupedData

Преобразуйте данные в groupedData формат для оценки параметра.

data = groupedData(ds);

Отобразите первые несколько строк data.

data(1:5,:)
ans =

  5x6 groupedData

    ID    TIME    DOSE    WEIGHT    APGAR    CONC
    __    ____    ____    ______    _____    ____

    1        0     25      1.4        7       NaN
    1        2    NaN      1.4        7      17.3
    1     12.5    3.5      1.4        7       NaN
    1     24.5    3.5      1.4        7       NaN
    1       37    3.5      1.4        7       NaN

Визуализируйте данные

Отобразите данные в графике решетки.

t = sbiotrellis(data, 'ID', 'TIME', 'CONC', 'marker', 'o',...
       'markerfacecolor', [.7 .7 .7], 'markeredgecolor', 'r', ...
       'linestyle', 'none');
t.plottitle = 'Concentration versus Time';

Создайте один отсек модель PK

Создайте простую модель PK с одним отсеком, с администрированием дозы шарика и линейным устранением разрешения, чтобы соответствовать данным.

pkmd = PKModelDesign;
addCompartment(pkmd,'Central','DosingType','Bolus',...
                    'EliminationType','linear-clearance',...
                    'HasResponseVariable',true,'HasLag',false);
onecomp = pkmd.construct;

Сопоставьте разновидности модели с данными об ответе.

responseMap = 'Drug_Central = CONC';

Задайте предполагаемые параметры

Параметры, чтобы оценить в этой модели являются объемом центрального отсека (Central) и уровень раскрываемости преступлений (Cl_Central). sbiofitmixed вычисляет зафиксированные и случайные эффекты для каждого параметра. Базовый алгоритм вычисляет нормально распределенные случайные эффекты, которые могут нарушить ограничения для биологических параметров, которые всегда положительны, таковы как объем и разрешение. Поэтому задайте преобразование для предполагаемых параметров так, чтобы преобразованные параметры следовали за нормальным распределением. Получившаяся модель

log(Vi)=log(ϕV,i)=θV+ηV,i

и

log(Cli)=log(ϕCl,i)=θCl+ηCl,i,

где θ, eta, и ϕ фиксированные эффекты, случайные эффекты и оцененные значения параметров соответственно, вычисленный для каждого младенца (группа) i. Некоторые произвольные первоначальные оценки для V (объем центрального отсека) и Статья (уровень раскрываемости преступлений) используются здесь в отсутствие лучших эмпирических данных.

estimatedParams = estimatedInfo({'log(Central)','log(Cl_Central)'},'InitialValue',[1 1]);

Задайте дозирование

Всем младенцам дали препарат, представленный Drug_Central разновидности, где расписание дозирования варьируется среди младенцев. Количество препарата перечислено в переменной данных DOSE. Можно автоматически сгенерировать объекты дозы из данных и использовать их во время подбора кривой. В этом примере, Drug_Central целевая разновидность, которая получает дозу.

sampleDose = sbiodose('sample','TargetName','Drug_Central');
doses = createDoses(data,'DOSE','',sampleDose);

Подбирайте модель

Используйте sbiofitmixed подбирать модель с одним отсеком к данным.

nlmeResults = sbiofitmixed(onecomp,data,responseMap,estimatedParams,doses,'nlmefit');

Визуализация результатов

Визуализируйте подходящие результаты с помощью отдельно-специфичных оценок параметра.

fig1 = plot(nlmeResults,'ParameterType','individual');
% Resize the figure.
fig1.hFig.Position(:) = [100 100 1200 800];

Используйте новые данные о дозировании, чтобы симулировать подобранную модель

Предположим, что вы хотите предсказать, как младенцы 1 и 2 ответили бы под различными объемами дозирования. Можно предсказать их ответы можно следующим образом.

Создайте новые объекты дозы с новыми суммами дозы.

dose1 = doses(1);
dose1.Amount = dose1.Amount*2;
dose2 = doses(2);
dose2.Amount = dose2.Amount*1.5;

Используйте predict функция, чтобы оценить подобранную модель с помощью новых данных о дозировании. Если вы хотите прогнозы ответа в конкретные времена, обеспечьте новый выходной временной вектор. Используйте опцию 'ParameterType', чтобы задать индивидуума или параметры населения, чтобы использовать. По умолчанию, predict использует параметры населения, когда вы задаете выходные времена.

timeVec = [0:25:400];
newResults = predict(nlmeResults,timeVec,[dose1;dose2],'ParameterType','population');

Визуализируйте предсказанные ответы при наложении экспериментальных данных для младенцев 1 и 2.

subplot(2,1,1)
plot(data.TIME(data.ID == 1),data.CONC(data.ID == 1),'bo')
hold on
plot(newResults(1).Time,newResults(1).Data,'b')
hold off
ylabel('Concentration')
legend('Observation(CONC)','Prediction')
subplot(2,1,2)
plot(data.TIME(data.ID == 2),data.CONC(data.ID == 2),'rx')
hold on
plot(newResults(2).Time,newResults(2).Data,'r')
hold off
legend('Observation(CONC)','Prediction')
ylabel('Concentration')
xlabel('Time')

Создайте ковариационную модель для ковариационных зависимостей

Предположим, что существует корреляция между объемом и весом, и возможно счетом APGAR и объемом. Рассмотрите эффект веса путем моделирования двух из этих ковариационных зависимостей: объем центральных (Central) и уровень раскрываемости преступлений (Cl_Central) меняйтесь в зависимости от веса. Модель становится

log(Vi)=log(ϕV,i)=θV+θV/weight*weighti+ηV,i

и

log(Cli)=log(ϕCl,i)=θCl+θCl/weight*weighti+ηCl,i

Используйте CovariateModel объект задать ковариационные зависимости. Для получения дополнительной информации смотрите, Задают Ковариационную Модель.

covModel = CovariateModel;
covModel.Expression = ({'Central = exp(theta1 + theta2*WEIGHT + eta1)',...
                        'Cl_Central = exp(theta3 + theta4*WEIGHT + eta2)'});
% Use |constructDefaultInitialEstimate| to create an |initialEstimates|
% struct.
initialEstimates = covModel.constructDefaultFixedEffectValues;

Используйте FixedEffectNames свойство отобразить thetas (зафиксированные эффекты) заданный в модели. 

covModel.FixedEffectNames
ans = 4x1 cell array
    {'theta1'}
    {'theta3'}
    {'theta2'}
    {'theta4'}

Используйте FixedEffectDescription свойство показать описания соответствующих фиксированных эффектов (thetas) используемый в ковариационном выражении. Например, theta2 фиксированный эффект для коварианта веса, который коррелирует с объемом (Central), обозначенный как 'Центральный / ВЕС'.

disp('Fixed Effects Description:');
Fixed Effects Description:

disp(covModel.FixedEffectDescription);
    'Central'
    'Cl_Central'
    'Central/WEIGHT'
    'Cl_Central/WEIGHT'

Установите исходные предположения для значений параметров фиксированного эффекта для Central и Cl_Central использование значений, оцененных от того, чтобы подбирать базовую модель.

initialEstimates.theta1 = nlmeResults.FixedEffects.Estimate(1);
initialEstimates.theta3 = nlmeResults.FixedEffects.Estimate(2);
covModel.FixedEffectValues = initialEstimates;

Подбирайте модель

nlmeResults_cov = sbiofitmixed(onecomp,data,responseMap,covModel,doses,'nlmefit');

Отобразите подходящие параметры и ковариации

disp('Estimated Fixed Effects:');
Estimated Fixed Effects:

disp(nlmeResults_cov.FixedEffects);
       Name            Description         Estimate    StandardError
    __________    _____________________    ________    _____________

    {'theta1'}    {'Central'          }    -0.45664      0.078933   
    {'theta3'}    {'Cl_Central'       }     -5.9519        0.1177   
    {'theta2'}    {'Central/WEIGHT'   }     0.52948      0.047342   
    {'theta4'}    {'Cl_Central/WEIGHT'}     0.61954      0.071386   

disp('Estimated Covariance Matrix:');
Estimated Covariance Matrix:

disp(nlmeResults_cov.RandomEffectCovarianceMatrix);
              eta1        eta2  
            ________    ________

    eta1    0.046503           0
    eta2           0    0.041609

Визуализация результатов

Визуализируйте подходящие результаты с помощью отдельно-специфичных оценок параметра.

fig2 = plot(nlmeResults_cov,'ParameterType','individual');
% Resize the figure.
fig2.hFig.Position(:) = [100 100 1200 800];

Используйте новые ковариационные данные, чтобы оценить подобранную модель

Предположим, что вы хотите исследовать ответы младенцев 1 и 2 использующих различных ковариационных данных, а именно, WEIGHT. Можно сделать это путем определения нового WEIGHT данные. ID переменная данных соответствует отдельным младенцам.

newData = data(data.ID == 1 | data.ID == 2,:);
newData.WEIGHT(newData.ID == 1) = 1.3;
newData.WEIGHT(newData.ID == 2) = 1.4;

Симулируйте ответы младенцев 1 и 2 использования новых ковариационных данных.

[newResults_cov, newEstimates] = predict(nlmeResults_cov,newData,[dose1;dose2]);

newEstimates содержит обновленные оценки параметра для каждого индивидуума (младенцы 1 и 2) после того, как модель будет переоценена с помощью новых ковариационных данных.

newEstimates
newEstimates=4×3 table
    Group         Name         Estimate 
    _____    ______________    _________

      1      {'Central'   }       2.5596
      1      {'Cl_Central'}    0.0065965
      2      {'Central'   }       1.7123
      2      {'Cl_Central'}    0.0064806

Сравните с ориентировочными стоимостями от исходной подгонки с помощью старых ковариационных данных.

nlmeResults_cov.IndividualParameterEstimates( ...
            nlmeResults_cov.IndividualParameterEstimates.Group == '1' | ...
            nlmeResults_cov.IndividualParameterEstimates.Group == '2',:)
ans=4×3 table
    Group         Name         Estimate 
    _____    ______________    _________

      1      {'Central'   }       2.6988
      1      {'Cl_Central'}    0.0070181
      2      {'Central'   }       1.8054
      2      {'Cl_Central'}    0.0068948

Визуализируйте новые результаты симуляции вместе с экспериментальными данными для младенца 1 и 2.

subplot(2,1,1)
plot(data.TIME(data.ID == 1),data.CONC(data.ID == 1),'bo')
hold on
plot(newResults_cov(1).Time,newResults_cov(1).Data,'b')
hold off
ylabel('Concentration')
legend('Observation(CONC)','Prediction','Location','NorthEastOutside')
subplot(2,1,2)
plot(data.TIME(data.ID == 2),data.CONC(data.ID == 2),'rx')
hold on
plot(newResults_cov(2).Time,newResults_cov(2).Data,'r')
hold off
legend('Observation(CONC)','Prediction','Location','NorthEastOutside')
ylabel('Concentration')
xlabel('Time')

Ссылки

[1] Grasela, T. H. Младший, и С. М. Донн. "Неонатальная фармакокинетика населения фенобарбитала выведена из стандартных клинических данных". Фармакол Dev Там 1985:8 (6). 374-83. Краткий обзор PubMed

Входные параметры

свернуть все

Результаты оценки, заданные как скалярный NLMEResults object, который содержит нелинейные результаты оценки смешанных эффектов, возвращенные sbiofitmixed.

Сгруппированные данные или выходные времена, заданные как groupedData object, вектор или массив ячеек векторов выходных времен.

Если data groupedData объект, это должно иметь и метки группы и вывести заданные времена. Метки группы могут относиться к новым группам или существующим группам от исходной подгонки. Если модель смешанных эффектов от исходной подгонки (возвращенный sbiofitmixed) коварианты использования, groupedData объект должен также содержать ковариационные данные с теми же метками для ковариантов (CovariateLabels свойство) заданный в исходной ковариационной модели.

По умолчанию отдельные оценки параметра используются в симуляции групп от исходной подгонки, в то время как параметры населения используются в новых группах, если таковые имеются. Смотрите value описание аргумента для деталей.

Общее количество результатов симуляции в выходе ynew зависит от количества групп или выходных временных векторов в data и количество строк в dosing матрица. Для получения дополнительной информации см. таблицу в ynew описание аргумента.

Дозирование информации, указанной как пустой массив [] или 2D матрица объектов дозы SimBiology (ScheduleDose object или RepeatDose object). Если dosing матрица объектов дозы, матрица должна содержать дозы по умолчанию или быть сопоставима с исходными данными о дозировании, используемыми с sbiofitmixed. Таким образом, доза возражает в dosing должен иметь те же значения для свойств дозы (таких как TargetName) или должен быть параметризован таким же образом как исходные данные о дозировании. Например, предположите, что исходная матрица дозирования имеет два столбца доз, где первый столбец предназначается для разновидностей x, и второй столбец предназначается для разновидностей y. Затем dosing должен иметь дозы в первом столбце, предназначающемся для разновидностей x и доз во втором столбце, предназначающемся для разновидностей y.

  • Если пустой, никакие дозы не применяются в процессе моделирования, даже если модель имеет активные дозы.

  • Если не пустой, матрица должна иметь одну строку или одну строку на группу во входных данных. Если это имеет одну строку, те же дозы применяются ко всем группам в процессе моделирования. Если это имеет несколько строк, каждая строка применяется к отдельной группе в том же порядке, как группы появляются во входных данных. Если некоторые группы (или временные векторы) требуют большего количества доз, чем другие, то заполняют матрицу с (фиктивными) дозами по умолчанию.

  • Несколько столбцов позволены так, чтобы можно было применить несколько объектов дозы к каждой группе или временному вектору. Все дозы в столбце должны быть дозами по умолчанию или должны сослаться на те же компоненты в модели (например, дозы должны иметь тот же TargetName) и должен иметь сопоставимые параметризованные свойства как в исходных данных о дозировании, используемых с sbiofitmixed. Например, если Amount свойство дозы используется в исходном sbiofitmixed вызов параметризован к ограниченному по объему моделью параметру 'A', все дозы для соответствующей группы (столбец) в dosing должен иметь Amount свойство параметризовано к 'A'.

  • Доза по умолчанию имеет значения по умолчанию для всех свойств, за исключением Name свойство. Создайте дозу по умолчанию можно следующим образом.

    d1 = sbiodose('d1');

  • В дополнение к ручному построению объектов дозы с помощью sbiodose, если входными данными является groupedData возразите и имеет информацию о дозировании, можно использовать createDoses метод, чтобы создать дозы из него.

Количество строк в dosing матрица и количество групп или выходных временных векторов в data определите общее количество результатов симуляции в выходе ynew. Для получения дополнительной информации см. таблицу в ynew описание аргумента.

Примечание

Если UnitConversion включен для базовой модели SimBiology, которая использовалась в подборе кривой, dosing должен задать допустимую сумму и единицы измерения времени.

Тип параметра, заданный как 'individual' (значение по умолчанию) или 'population'. Если value 'population', predict метод возвращает результаты симуляции с помощью оценок параметра населения, то есть, значения параметров, которые оцениваются с помощью зафиксированных эффектов (θs) только. Предполагаемые значения параметров, используемые в симуляции, идентичны тем в resultsObj.PopulationParameterEstimates свойство, если вы не задаете новый groupedData объект data с новыми ковариационными данными. В этом случае метод переоценивает ковариационную модель и оценки параметра на основе нового groupedData и ковариационные данные.

Если value 'individual', метод возвращает результаты симуляции с помощью соответствующих значений параметров группы в resultsObj.IndividualParameterEstimates свойство. Эти значения включают и зафиксированный - и оценки случайных эффектов, то есть, значения параметров, оцененные с помощью и зафиксированных эффектов (θs) и случайных эффектов (ηs). Если data содержит новые группы, только зафиксированные эффекты (оценки параметра населения объекта результатов) используются в этих группах.

По умолчанию, predict использует отдельные оценки параметра объекта результатов когда data groupedData объект. Если data вектор выходных времен или массив ячеек векторов, predict использует оценки параметра населения объекта результатов вместо этого.

Выходные аргументы

свернуть все

Результаты симуляции, возвращенные как вектор SimData объекты. О состояниях сообщают в ynew состояния, включенные в responseMap входной параметр sbiofitmixed и любые другие состояния перечислены в StatesToLog свойство опций во время выполнения (RuntimeOptions) из модели SimBiology.

Общее количество результатов симуляции в ynew зависит от количества групп или выходных временных векторов в data и количество строк в dosing матрица.

Количество групп или выходных временных векторов в dataКоличество строк в dosing матрицаРезультаты симуляции

1

0, то есть, dosing isempty

Общее количество SimData объекты в ynew 1.

Никакие дозы не применяются в процессе моделирования.

1

1

Общее количество SimData объекты в ynew 1.

Данная строка доз применяется во время симуляции.

1

N

Общее количество SimData объекты в ynew N.

Каждая строка dosing применяется к каждой симуляции.

N

0, то есть, dosing isempty

Общее количество SimData объекты в ynew N.

Никакие дозы не применяются в процессе моделирования.

N

1

Общее количество SimData объекты в ynew N.

Та же строка доз применяется к каждой симуляции.

NN

Общее количество SimData объекты в ynew N.

Каждая строка dosing применяется к отдельной группе, в том же порядке, что группы появляются в data.

MNФункция выдает ошибку когда M ≠ N.

Предполагаемые значения параметров используются в предсказанных результатах симуляции, возвращенных как таблица.

Если 'ParameterType' 'individual', значения параметров, о которых сообщают, идентичны значениям в resultsObj.IndividualParameterEstimates свойство. Однако, если data содержит новые группы, затем только оценки параметра населения (зафиксированные эффекты) используются в этих группах. Соответствующие значения, о которых сообщают, в parameterEstimates поскольку эти группы идентичны значениям в resultsObj.PopulationParameterEstimates.

Если 'ParameterType' 'population', значения параметров, о которых сообщают, идентичны значениям в resultsObj.PopulationParameterEstimates свойство, если вы не указываете новую ковариационную информацию в data. Смотрите value описание аргумента для деталей.

Если data вектор или массив ячеек векторов выходных времен, значения параметров, о которых сообщают, идентичны значениям в resultsObj.PopulationParameterEstimates. Кроме того, группы сообщили, представляют перечисление выполняемых симуляций и не связаны с названиями группы в исходной подгонке.

Смотрите также

| | | |

Темы

Введенный в R2014a

Документация SimBiology
Поддержка