Exponenta Banner
exponenta event banner

random(LeastSquaresResults,OptimResults,NLINResults)

Симулируйте модель SimBiology, добавив изменения путем выборки ошибочной модели

свернуть все на странице

Синтаксис

[ynew,parameterEstimates] = random(resultsObj)
[ynew,parameterEstimates] = random(resultsObj,data,dosing)

Описание

[ynew,parameterEstimates] = random(resultsObj) возвращает результаты симуляции ynew с добавленным шумом с помощью ошибочной информации о модели задан resultsObj.ErrorModelInfo свойство и оцененные значения параметров parameterEstimates.

[ynew,parameterEstimates] = random(resultsObj,data,dosing) использует заданный data и dosing информация.

Примечание

Шум только добавляется к состояниям, которые являются ответами, которые являются состояниями, включенными в responseMap входной параметр, когда вы вызвали sbiofit. Если существует отдельная ошибочная модель для каждого ответа, шум добавляется к каждому ответу отдельно с помощью соответствующей ошибочной модели.

Входные параметры

свернуть все

Оценка заканчивается в виде OptimResults object или NLINResults object, который содержит результаты оценки, возвращенные sbiofit. Это должен быть скалярный объект.

Сгруппированные данные или выходные времена в виде a groupedData object, вектор или массив ячеек векторов выходных времен.

Если это - вектор из моментов времени, random симулирует модель с новыми моментами времени с помощью оценок параметра от объекта resultsObj результатов.

Если это - массив ячеек векторов из моментов времени, random симулирует времена модели n с помощью выходных времен от каждого временного вектора, где n является длиной data.

Если это - groupedData объект, это должно иметь независимую переменную, такую как Время. Это должно также иметь переменную группы, если обучающие данные, используемые для подбора кривой, имеют такую переменную. Можно использовать groupedData возразите, чтобы запросить различные комбинации категорий если resultsObj содержит оценки параметра для каждой категории. random симулирует модель для каждой группы с заданными категориями. Например, предположите, что у вас есть набор оценок параметра для сексуальной категории (штекеры по сравнению с розетками) и категории возраста (молодой по сравнению со старым) в ваших обучающих данных. Можно использовать random симулировать ответы старого штекера (или любая другая комбинация) несмотря на то, что такой пациент не может существовать в обучающих данных.

Если resultsObj от оценки специфичных для категории параметров, data должен быть groupedData объект.

Примечание

Если UnitConversion включен для базовой модели SimBiology, которая использовалась для подбора кривой и data groupedData объект, data должен задать модули действительной переменной через data.Properties.VariableUnits свойство. Если это - числовой векторный массив или массив ячеек векторов из моментов времени, random использует TimeUnits модели.

Дозирование информации в виде пустого массива [] 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 sbiofit. Таким образом, доза возражает в dosing должен иметь те же значения для свойств дозы (таких как TargetName) или должен быть параметрирован таким же образом как исходные данные о дозировании. Например, предположите, что исходная матрица дозирования имеет два столбца доз, где дозы в первом столбце предназначаются для разновидностей x и тех во вторых целевых разновидностях y столбца. Затем dosing должен иметь дозы в первом столбце, предназначающемся для разновидностей x и тех 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 ту же цель дозы TargetName) и должен иметь сопоставимые параметрированные свойства как в исходных данных о дозировании, используемых с sbiofit. Например, если Amount свойство дозы используется в оригинале sbiofit вызов параметрируется к ограниченному по объему моделью параметру 'A', все дозы для соответствующей группы (столбец) в dosing должен иметь Amount свойство параметрируется 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 для подбора кривой, dosing должен задать допустимую сумму и единицы измерения времени.

Выходные аргументы

свернуть все

Результаты симуляции, возвращенные как вектор из SimData объекты. О состояниях сообщают в ynew состояния, которые были включены в responseMap входной параметр sbiofit а также любые другие состояния, перечисленные 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, возвращенные как таблица. Это идентично resultsObj.ParameterEstimates свойство.

Примеры

свернуть все

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 gprotein

Введите 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 к переменной GaFracExpt экспериментальных данных от grpData.

responseMap = 'GaFrac = GaFracExpt';

Используйте estimatedInfo объект задать параметр модели kGd в качестве параметра быть оцененным. 

estimatedParam = estimatedInfo('kGd');

Выполните оценку параметра. Используйте аргумент пары "имя-значение" 'ErrorModel' задавать ошибочную модель, которая добавляет ошибку в данные моделирования.

fitResult = sbiofit(m1,grpData,responseMap,estimatedParam,'ErrorModel','proportional');

Просмотрите предполагаемое значение параметров kGd.

fitResult.ParameterEstimates
ans = 

    Name     Estimate    StandardError
    _____    ________    _____________

    'kGd'    0.11        0.00064116

Используйте random метод, чтобы получить данные моделирования с добавленным шумом с помощью пропорциональной ошибочной модели, которая была задана sbiofit. Обратите внимание на то, что шум добавляется только к состоянию ответа, которое является GaFrac параметр.

[ynew,paramEstim] = random(fitResult);

Выберите данные моделирования для GaFrac параметр.

GaFracNew = select(ynew,{'Name','GaFrac'});

Постройте результаты симуляции.

plot(GaFracNew.Time,GaFracNew.Data)
hold on

Отобразите экспериментальные данные на графике, чтобы сравнить его с симулированными данными.

plot(time,GaFracExpt,'Color','k','Marker','o')
legend('GaFracNew','GaFracExpt')

Ссылки

[1] И, T-M., Kitano, H. и Саймон, M. (2003). Количественная характеристика дрожжей гетеротримерный цикл белка G. PNAS. 100, 10764–10769.

Смотрите также

| |

Введенный в R2014a

Документация SimBiology

Поддержка