sbiofitmixed | Подбор нелинейной модели смешанных эффектов (требуется программное обеспечение Statistics and Machine Learning Toolbox) |
sbionlmefit | Оценка нелинейных смешанных эффектов с использованием моделей SimBiology (требуется программное обеспечение Statistics and Machine Learning Toolbox) |
sbionlmefitsa | Оценка нелинейных смешанных эффектов с помощью алгоритма stochastic EM (требуется программное обеспечение Statistics and Machine Learning Toolbox) |
sbiosampleparameters | Создание параметров путем выборки ковариатной модели (требуется программное обеспечение Statistics and Machine Learning Toolbox) |
sbiosampleerror | Пример ошибки на основе модели ошибки и добавление шума в данные моделирования |
sbiofitstatusplot | Статус графика нелинейной оценки смешанных эффектов |
CovariateModel object | Определение взаимосвязи между параметрами и ковариатами |
groupedData | Табличный сбор данных и метаданных |
EstimatedInfo object | Объект, содержащий информацию об оценочных количествах модели |
Observable | Объект, содержащий выражение для расчетов после моделирования |
NLMEResults object | Объект результатов, содержащий результаты оценки нелинейного моделирования смешанных эффектов |
| Построитель моделей SimBiology | Создание моделей QSP, PK/PD и механистической системной биологии в интерактивном режиме |
| Анализатор модели SimBiology | Анализ моделей QSP, PK/PD и механистической системной биологии |
Моделирование популяционной фармакокинетики фенобарбитала у новорожденных
Этот пример показывает, как построить простую нелинейную модель смешанных эффектов из клинических фармакокинетических данных.
Моделирование нелинейных смешанных эффектов
Модель смешанных эффектов - это статистическая модель, которая включает как фиксированные эффекты, так и случайные эффекты.
Поддерживаемые методы оценки параметров в SimBiology
SimBiology ® поддерживает различные методы оптимизации для задач оценки наименьших квадратов и смешанных эффектов.
SimBiology поддерживает модели ошибок, описанные в следующей таблице.
Выполнение подгонки данных с использованием моделей PK/PD
SimBiology позволяет оценивать параметры модели, подгоняя модель к экспериментальным данным временного курса, используя методы нелинейной регрессии или смешанных эффектов (NLME).