SimFunction object
Подобный функции интерфейс, чтобы выполнить модели SimBiology
Описание
SimFunction объект обеспечивает интерфейс, который позволяет вам выполнять модель SimBiology® как функция и рабочий процесс, чтобы выполнить сканы параметра (параллельно, если Parallel Computing Toolbox™ доступен), симуляции Монте-Карло, и сканирует с несколькими или векторизованными дозами. Начиная с SimFunction объект 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 createSimFunction метод, чтобы создать объект SimFunction. Объекты SimFunction являются неизменяемыми когда-то созданные и автоматически ускоренные при первом функциональном выполнении.
Синтаксис
Если вы указали информацию дозирования, когда вы вызвали createSimFunction создать SimFunction объект F, затем F имеет следующие синтаксисы.
simdata = F(phi,t_stop,u,t_output)SimData object
simdata после симуляции модели SimBiology с помощью начальных условий или сценариев симуляции задан в phi, время 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, затем F имеет следующие синтаксисы:
simdata = F(phi,t_stop)SimData object
simdata после симуляции модели с помощью начальных условий или сценариев симуляции задан в phi, и время остановки симуляции, t_stop.
simdata = F(phi,t_stop,[],t_output)phi, t_stop, пустой дозируемый аргумент [], и t_output. Необходимо задать u, информация о дозировании, как пустой array[] для этой подписи. Когда t_output пусто и t_stop задан, симуляции сообщают о моментах времени решателя до t_stop. Когда t_output задан и t_stop пусто, только моменты времени в t_output сообщаются. Когда и заданы, моменты времени, о которых сообщают, являются объединением моментов времени решателя и моментов времени в t_output. Если последний t_output больше соответствующего t_stop, затем 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 NaN значения проигнорированы.
[ 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.
Входные параметры
|
Одно из следующего:
Когда Когда |
|
|
|
Если
|
|
|
|
Если Если |
Выходные аргументы
|
Массив объектов SimData, который содержит результаты выполнения SimFunction |
|
Массив ячеек, содержащий числовой вектор из размера |
|
Массив ячеек 2D числовых матриц. ith элемент |
Сводные данные конструктора
| createSimFunction (модель) | Объект Create SimFunction |
Сводные данные метода
| ускорьтесь (SimFunction) | Подготовьте объект SimFunction к ускоренным симуляциям |
| isAccelerated (SimFunction) | Определите, ускоряется ли объект SimFunction |
Сводные данные свойства
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 выход | ||||||||||
Dosed |
Кроме того, таблица также содержит переменные для каждого свойства, которое параметрируется. Для каждого параметрированного 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
| ||||||||||
UseParallel | Логический. Если | ||||||||||
UnitConversion | Логический. Если верный:
Это свойство доступно только для чтения. | ||||||||||
AutoAccelerate | Логический. Когда верный, модель ускоряется на первой оценке Это свойство доступно только для чтения. | ||||||||||
DependentFiles | Массив ячеек из символьных векторов, содержащий имена файлов, от которых зависит модель. Это свойство используется для развертывания. Это свойство доступно только для чтения. |
Примеры
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);
Отсканируйте начальные суммы разновидности из радиоактивной модели затухания
В этом примере показано, как отсканировать начальные суммы разновидности из радиоактивной модели затухания с реакцией первого порядка , где x и z разновидности и c постоянный форвардный курс.
Загрузите демонстрационный проект, содержащий radiodecay модель m1.
sbioloadproject radiodecay;Создайте SimFunction объект f 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));
Симулируйте модель и отсканируйте параметры с дозами
В этом примере показано, как симулировать и отсканировать параметр radiodecay модели, в то время как разновидность дозируется.
Загрузите демонстрационный проект, содержащий radiodecay модель m1.
sbioloadproject radiodecay;Создайте SimFunction объект f определение параметра Reaction1.c быть отсканированным 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 отсканировать.
phi = [0.1 0.2 0.5]';
Симулируйте модель в течение 20 секунд и постройте результаты.
sbioplot(f(phi,20,u));
Можно также задать различные суммарные 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'};Симулируйте 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'};Симулируйте модель с помощью таблиц дозы и постройте результаты.
sbioplot(f(phi,20,u));
Ссылки
[1] Гиллеспи, D.T. (1977). Точная стохастическая симуляция двойных химических реакций. Журнал физической химии. 81 (25), 2340–2361.
Смотрите также
createSimFunction | RepeatDose object | sbiosampleerror | sbiosampleparameters | ScheduleDose object | SimBiology.Scenarios | SimFunctionSensitivity object