Подбирайте нелинейную модель смешанных эффектов (требует программного обеспечения Statistics and Machine Learning Toolbox),
fitResults = sbiofitmixed(sm,grpData,responseMap,covEstiminfo)sm SimBiology® и возвращает NLMEResults объект fitResults.
grpData groupedData object определение данных, чтобы соответствовать. responseMap задает отображение между компонентами модели и данными об ответе в grpData. covEstiminfo CovariateModel object или массив estimatedInfo объекты, который задает параметры, которые будут оценены.
Если модель содержит активные дозы и варианты, они применяются во время симуляции.
fitResults = sbiofitmixed(sm,grpData,responseMap,covEstiminfo,dosing)dosing вместо того, чтобы использовать активные дозы модели sm если существует кто-либо.
fitResults = sbiofitmixed(sm,grpData,responseMap,covEstiminfo,dosing,functionName)functionName это должно быть любой 'nlmefit' или 'nlmefitsa'.
fitResults = sbiofitmixed(sm,grpData,responseMap,covEstiminfo,dosing,functionName,opt)opt поскольку оценка функционирует functionName.
fitResults = sbiofitmixed(sm,grpData,responseMap,covEstiminfo,dosing,functionName,opt,variants)variants вместо того, чтобы использовать любые активные варианты модели.
fitResults = sbiofitmixed(_,'UseParallel',tf_parallel)
fitResults = sbiofitmixed(_,'ProgressPlot',tf_progress)
[ возвращается вектор результатов возражает fitResults,simDataI,simDataP]
= sbiofitmixed(_)fitResults, вектор результатов симуляции simDataI использование отдельно-специфичных оценок параметра и вектора результатов симуляции simDataP использование оценок параметра населения.
sbiofitmixed объединяет sbionlmefit и sbionlmefitsa функции оценки. Используйте sbiofitmixed выполнять нелинейное моделирование смешанных эффектов и оценку.
sbiofitmixed симулирует модель с помощью SimFunction object, который автоматически ускоряет симуляции по умолчанию. Следовательно не необходимо запустить sbioaccelerate прежде чем вы вызовете sbiofitmixed.
Этот пример использует данные, собранные по 59 недоношенным детям, данным фенобарбитал в течение первых 16 дней после рождения [1]. Каждый младенец получил начальную дозу, сопровождаемую одной или несколькими дозами поддержки внутривенным администрированием шарика. В общей сложности между 1 и 6 концентрациями измерения получались от каждого младенца время от времени кроме времен дозы для в общей сложности 155 измерений. Младенческие веса и баллы APGAR (мера новорожденного здоровья) были также зарегистрированы.
Загрузите данные.
load pheno.mat ds
Преобразуйте набор данных в groupedData object, контейнер для содержания табличных данных, который разделен на группы. Это может автоматически идентифицировать обычно используемые имена переменных как сгруппированную переменную или независимый (время) переменная. Отобразите свойства данных и подтвердите тот GroupVariableName и IndependentVariableName правильно идентифицированы как 'ID' и 'TIME', соответственно.
data = groupedData(ds); data.Properties
ans = struct with fields:
Description: ''
UserData: []
DimensionNames: {'Observations' 'Variables'}
VariableNames: {'ID' 'TIME' 'DOSE' 'WEIGHT' 'APGAR' 'CONC'}
VariableDescriptions: {}
VariableUnits: {}
VariableContinuity: []
RowNames: {}
CustomProperties: [1x1 matlab.tabular.CustomProperties]
GroupVariableName: 'ID'
IndependentVariableName: 'TIME'
Создайте простую модель PK с одним отсеком с болюсным введением и линейным разрешением, чтобы соответствовать таким данным. Используйте PKModelDesign возразите, чтобы создать модель. Каждый отсек задан именем, дозируя тип, тип разрешения, и требует ли дозирование параметра задержки. После построения модели можно также получить PKModelMap объект map это перечисляет имена разновидностей и параметров в модели, которые являются самыми важными для подбора кривой.
pkmd = PKModelDesign; addCompartment(pkmd,'Central','DosingType','Bolus',... 'EliminationType','linear-clearance',... 'HasResponseVariable',true,'HasLag',false); [onecomp, map] = pkmd.construct;
Опишите экспериментально измеренный ответ путем отображения соответствующего компонента модели с переменной отклика. Другими словами, укажите, которому разновидность в модели соответствует который переменная отклика в данных. PKModelMap свойство Observed указывает, что соответствующей разновидностью в модели является Drug_Central, который представляет концентрацию препарата в системе. Соответствующей переменной данных является CONC, который вы визуализировали ранее.
map.Observed
ans = 1x1 cell array
{'Drug_Central'}
Сопоставьте Drug_Central разновидности к CONC переменная.
responseMap = 'Drug_Central = CONC';Параметры, чтобы оценить в этой модели являются объемом центрального отсека Central и уровень раскрываемости преступлений Cl_Central. PKModelMap свойство Estimated списки эти соответствующие параметры. Базовый алгоритм sbiofit принимает, что параметры нормально распределены, но это предположение не может быть верным для биологических параметров, которые ограничиваются быть положительными, такими как объем и разрешение. Укажите, что журнал преобразовывает для предполагаемых параметров так, чтобы преобразованные параметры следовали за нормальным распределением. Используйте estimatedInfo объект задать такие преобразования и (дополнительные) начальные значения.
map.Estimated
ans = 2x1 cell array
{'Central' }
{'Cl_Central'}
Задайте такие предполагаемые параметры, соответствующие преобразования и начальные значения.
estimatedParams = estimatedInfo({'log(Central)','log(Cl_Central)'},'InitialValue',[1 1]);Каждый младенец получил различное расписание дозирования. Количество препарата перечислено в переменной данных DOSE. Чтобы задать их дозирующие во время подбора кривой, создайте объекты дозы из данных. Эти объекты используют свойство TargetName задавать, какая разновидность в модели получает дозу. В этом примере целевой разновидностью является Drug_Central, как перечислено PKModelMap свойство Dosed.
map.Dosed
ans = 1x1 cell array
{'Drug_Central'}
Создайте демонстрационную дозу с этим целевым именем и затем используйте createDoses метод groupedData объект data сгенерировать дозы для каждого младенца на основе данных о дозировании DOSE.
sampleDose = sbiodose('sample','TargetName','Drug_Central'); doses = createDoses(data,'DOSE','',sampleDose);
Подбирайте модель.
[nlmeResults,simI,simP] = sbiofitmixed(onecomp,data,responseMap,estimatedParams,doses,'nlmefit');Визуализируйте подходящие результаты с помощью отдельно-специфичных оценок параметра.
fig1 = plot(nlmeResults,'ParameterType','individual'); % Resize the figure. fig1.hFig.Position(:) = [100 100 1200 800];
Визуализируйте подходящие оценки параметра населения использования результатов.
fig2 = plot(nlmeResults,'ParameterType','population'); % Resize the figure. fig2.hFig.Position(:) = [100 100 1200 800];
[1] Грэзела младший, T.H., Донн, S.M. (1985) Неонатальная фармакокинетика населения фенобарбитала выведена из стандартных клинических данных. Фармакол Dev Там. 8 (6), 374–83.
CovariateModel object | EstimatedInfo object | NLMEResults object | groupedData | nlmefit | nlmefitsa | sbiofit | sbiofitstatusplot