createSimFunction (model)
Объект Create SimFunction
Синтаксис
Описание
F = createSimFunction(model,params,observables,dosed)SimFunction object F то, что можно выполниться как указатель на функцию. params и observables аргументы задают вводы и выводы функционального F когда это 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 парные аргументы.
Примечание
Активные дозы и варианты модели проигнорированы когда
Fвыполняется.Fявляется неизменяемым после того, как это будет создано.Fавтоматически ускоряется при первом функциональном выполнении. Однако вручную ускорьте объект, если вы хотите ускоренный в ваших приложениях развертывания.
Входные параметры
Выходные аргументы
Примеры
Создайте объект SimFunction
Этот пример использует радиоактивную модель затухания с реакцией первого порядка , где x и z разновидности и c постоянный форвардный курс.
Загрузите демонстрационный проект, содержащий радиоактивную модель m1 затухания.
sbioloadproject radiodecay;Создайте a SimFunction object, определение параметра Reaction1.c быть отсканированным, и разновидности x как выход 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 UnitConversion опция была установлена в false когда SimFunction объект f был создан, таблица не показывает модули количеств модели.
Чтобы проиллюстрировать это, сначала установите UnitConversion опция к false.
cs = getconfigset(m1); cs.CompileOptions.UnitConversion = false;
Создайте SimFunction возразите как прежде и примечание 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 разновидности 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'}
Однажды SimFunction объект создается, можно выполнить его как указатель на функцию и выполнить сканы параметра (параллельно, если Parallel Computing Toolbox™ доступен), симуляции Монте-Карло, и сканирует с несколькими или векторизованными дозами. Смотрите SimFunction object для большего количества примеров.
Создайте объект SimFunction с дозированием информации
Этот пример создает SimFunction объект с дозированием информации с помощью RepeatDose или ScheduleDose возразите или вектор из 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 из 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 SimFunction объект f использование RepeatDose объект rdose то, что 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 rdose объект содержит данные (StartTime, Amount, Rate) это проигнорировано createSimFunction метод.
Отсканируйте параметры модели Лотки-Вольтерры
В этом примере показано, как выполнить различные подписи SimFunction object симулировать 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 выход 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 из 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));
Вычислите чувствительность Используя SimFunctionSensitivity Объект
В этом примере показано, как вычислить чувствительность некоторых разновидностей в модели Лотки-Вольтерры с помощью SimFunctionSensitivity объект.
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 SimFunctionSensitivity объект. Установите чувствительность выходные факторы на все разновидности (y1 и y2) заданный в observables аргумент и входные факторы тем в params аргумент (c1 и c2) путем установки аргумента пары "имя-значение" 'all'.
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 c2 установите на 10 и 0.1, соответственно. Установите выходные времена от 1 до 10. t содержит моменты времени, y содержит данные моделирования и sensMatrix матрица чувствительности, содержащая чувствительность y1 и y2 относительно c1 и c2.
[t,y,sensMatrix] = f([10,0.1],[],[],1:10);
Получите информацию о чувствительности в моменте времени 5.
temp = sensMatrix{:};
sensMatrix2 = temp(t{:}==5,:,:);
sensMatrix2 = squeeze(sensMatrix2)sensMatrix2 = 2×2
37.6987 -6.8447
-40.2791 5.8225
Строки sensMatrix2 представляйте 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 SimData объект 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');
В качестве альтернативы можно использовать sbioplot.
sbioplot(sd);
Можно также построить матрицу чувствительности использование интеграла времени для расчетной чувствительности y1 и y2. График показывает y1 и y2 более чувствительны к 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');
Симулируйте модель ответа инсулина глюкозы с различными начальными условиями
В этом примере показано, как симулировать 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)
type2 = 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 симулировать ответ инсулина глюкозы для нормальных и диабетических предметов.
Задайте пустой массив
{}для второго входного параметра, чтобы обозначить, что модель будет симулирована 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
Doseкак 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 варианта 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);
Симулируйте ответ инсулина глюкозы для нормального предмета в течение 24 часов.
sbioplot(normSim([],24,mealTable));
Симулируйте ответ инсулина глюкозы для диабетического предмета в течение 24 часов.
sbioplot(diabSim([],24,mealTable));
Выполните использование скана варианты
Предположим, что вы хотите выполнить скан 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 симулировать 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)
ans = 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)
ans = 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 Vmx и kp3 параметры. 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');Симулируйте модель и постройте результаты. Run 1 включайте 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);
Ссылки
[1] Гиллеспи, D.T. (1977). Точная стохастическая симуляция двойных химических реакций. Журнал физической химии. 81 (25), 2340–2361.
Расширенные возможности
Смотрите также
model object | sbiosampleerror | sbiosampleparameters | SimBiology.Scenarios | SimFunction object | SimFunctionSensitivity object