Создать объект SimFunction
F = createSimFunction(model,params,observables,dosed)SimFunction object F , который можно выполнить, как дескриптор функции. params и observables аргументы определяют входы и выходы функции F при его выполнении, и dosed определяет информацию о дозировке видов. Посмотрите SimFunction object для получения подробной информации о выполнении F.
F = createSimFunction(___,Name,Value)Name,Value аргументы пары.
Примечание
Активные дозы и варианты модели игнорируются, когда F выполняется.
F является неизменным после его создания.
F автоматически ускоряется при первом выполнении функции, если для параметра AutoAccelerate не установлено значение false. Ускорьте объект вручную, если требуется его ускорение в приложениях развертывания.
В этом примере используется модель радиоактивного распада с реакции первого порядка, где x и z являются видами и c - постоянная прямой скорости.
Загрузить пробный проект, содержащий модель радиоактивного распада m1.
sbioloadproject radiodecay;Создать SimFunction object, указание параметра Reaction1.c для сканирования и виды x как выход функции без дозированных видов.
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 для параметра установлено значение false когда SimFunction объект f была создана, в таблице не отображаются единицы измерения величин модели.
Чтобы проиллюстрировать это, сначала установите UnitConversion опция для false.
cs = getconfigset(m1); cs.CompileOptions.UnitConversion = false;
Создать SimFunction объект, как и ранее, и обратите внимание, что переменная с именем 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 какой-либо из видов в модели дозируется, укажите названия дозированных видов в качестве последнего аргумента. Например, если вид x дозируется, укажите 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'}
Один раз SimFunction создается объект, его можно выполнять как функциональный дескриптор и выполнять сканирование параметров (параллельно при наличии Toolbox™ параллельных вычислений), моделирование Монте-Карло и сканирование с несколькими или векторизованными дозами. Посмотрите SimFunction object для получения дополнительных примеров.
В этом примере создается SimFunction объект с дозирующей информацией с использованием RepeatDose или ScheduleDose объект или вектор этих объектов. Однако, если какой-либо объект дозы содержит такие данные, как StartTime, Amount, и Rateтакие данные игнорируются, и выдается предупреждение. Используются только данные, если они имеются TargetName, LagParameterName, и DurationParameterName объекта дозы.
Загрузить пробный проект, содержащий модель радиоактивного распада m1.
sbioloadproject radiodecay;Создать RepeatDose object и укажите 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 в модель параметр задержки и параметр длительности.
lagPara = addparameter(m1,'lp'); lagPara.Value = 1; lagPara.ValueUnits = 'second'; duraPara = addparameter(m1,'dp'); duraPara.Value = 1; duraPara.ValueUnits = 'second';
Установите эти параметры для объекта дозы.
rdose.LagParameterName = 'lp'; rdose.DurationParameterName = 'dp';
Создать SimFunction объект f с использованием RepeatDose объект rdose что ты только что создал.
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' Появляется предупреждающее сообщение, так как rdose объект содержит данные (StartTime, Amount, Rate), которые игнорируются createSimFunction способ.
В этом примере показано, как выполнять различные подписи SimFunction object для моделирования и сканирования параметров модели Лотка-Вольтерра (хищник-добыча), описанной Гиллеспи [1].
Загрузка образца проекта, содержащего модель m1.
sbioloadproject lotka;Создание объекта SimFunction f с c1 и c2 в качестве входных параметров, подлежащих сканированию, и y1 и y2 как выход функции без дозированных видов.
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
Определите входную матрицу, содержащую значения для каждого параметра (c1 и c2) для каждого моделирования. Количество строк указывает общее количество моделирований, и в каждом моделировании используются значения параметров, указанные в каждой строке.
phi = [10 0.01; 10 0.02];
Выполните моделирование, пока время остановки не достигнет 5, и постройте график результатов моделирования.
sbioplot(f(phi, 5));
Для каждого моделирования можно также задать вектор с различными временами остановки.
t_stop = [3;6]; sbioplot(f(phi, t_stop));
Затем укажите время вывода в виде вектора.
t_output = 0:0.1:5; sbioplot(f(phi,[],[],t_output));
Укажите время вывода в виде массива ячеек векторов.
t_output = {0:0.01:3, 0:0.2:6};
sbioplot(f(phi, [], [], t_output));
SimFunctionSensitivity ОбъектВ этом примере показано, как рассчитать чувствительность некоторых видов в модели Lotka-Volterra с помощью SimFunctionSensitivity объект.
Загрузите образец проекта.
sbioloadproject lotka;Определите входные параметры.
params = {'Reaction1.c1', 'Reaction2.c2'};Определите наблюдаемые виды, которые являются результатами моделирования.
observables = {'y1', 'y2'};Создать SimFunctionSensitivity объект. Установите выходные коэффициенты чувствительности для всех видов (y1 и y2), указанный в observables аргумент и входные факторы для тех, кто в params аргумент (c1 и c2) путем установки аргумента пары «имя-значение» в 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
Вычисление чувствительности путем выполнения объекта с помощью c1 и c2 установите значения 10 и 0,1 соответственно. Установите время вывода от 1 до 10. t содержит моменты времени, y содержит данные моделирования и sensMatrix - матрица чувствительности, содержащая чувствительности y1 и y2 в отношении c1 и c2.
[t,y,sensMatrix] = f([10,0.1],[],[],1:10);
Извлеките информацию о чувствительности в момент времени 5.
temp = sensMatrix{:};
sensMatrix2 = temp(t{:}==5,:,:);
sensMatrix2 = squeeze(sensMatrix2)sensMatrix2 = 2×2
37.6987 -6.8447
-40.2791 5.8225
Строки sensMatrix2 представляют собой выходные коэффициенты (y1 и y2). Столбцы представляют входные коэффициенты (c1 и c2).
Установите время остановки равным 15 без указания времени вывода. В этом случае временем вывода по умолчанию являются моменты времени решателя.
sd = f([10,0.1],15);
Извлеките вычисленные чувствительности из SimData объект sd.
[t,y,outputs,inputs] = getsensmatrix(sd);
Постройте график чувствительности видов y1 и y2 в отношении 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 график чувствительности видов y1 и y2 в отношении c2.
figure; plot(t,y(:,:,2)); legend(outputs); title('Sensitivities of species y1 and y2 with respect to parameter c2'); xlabel('Time'); ylabel('Sensitivity');
Кроме того, можно использовать sbioplot.
sbioplot(sd);
![Figure contains an axes. The axes with title States versus Time contains 6 objects of type line. These objects represent y1, y2, d[y1]/d[Reaction1.c1], d[y2]/d[Reaction1.c1], d[y1]/d[Reaction2.c2], d[y2]/d[Reaction2.c2].](../../examples/simbio/win64/CalculateSensitivitiesUsingSimFunctionSensitivityObjectExample_03.png)
Можно также построить график матрицы чувствительности, используя интеграл времени для вычисленных 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');
Этот пример показывает, как моделировать глюкозно-инсулиновые реакции для нормальных и диабетических субъектов.
Загрузить модель глюкозно-инсулиновой реакции. Для получения подробной информации о модели см. раздел «Фон» в разделе «Моделирование реакции глюкоза-инсулин».
sbioloadproject('insulindemo', 'm1')
Модель содержит различные исходные условия, хранящиеся в различных вариантах.
variants = getvariant(m1);
Получите исходные условия для пациента с диабетом 2 типа.
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
Подавление информационного предупреждения, выдаваемого во время моделирования.
warnSettings = warning('off','SimBiology:DimAnalysisNotDone_MatlabFcn_Dimensionless');
Создание объектов SimFunction для моделирования реакции глюкоза-инсулин для нормальных и диабетических субъектов.
Укажите пустой массив {} для второго входного аргумента, обозначающего, что модель будет моделироваться с использованием базовых значений параметров (то есть сканирование параметров не будет выполняться).
Укажите концентрации глюкозы и инсулина в плазме в качестве ответов (выходные данные функции, которая должна быть нанесена на график).
Укажите вид Dose в качестве дозированного вида. Этот вид представляет начальную концентрацию глюкозы в начале моделирования.
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 больного диабетом укажите 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 собой однократный прием 78 граммов глюкозы в начале моделирования.
singleMeal = sbioselect(m1,'Name','Single Meal');
Преобразуйте информацию о дозировке в формат таблицы.
mealTable = getTable(singleMeal);
Имитировать глюкозно-инсулиновый ответ для нормального субъекта в течение 24 часов.
sbioplot(normSim([],24,mealTable));
Имитировать глюкозно-инсулиновый ответ для субъекта диабета в течение 24 часов.
sbioplot(diabSim([],24,mealTable));
Выполнение сканирования с использованием вариантов
Предположим, что вы хотите выполнить сканирование параметров с использованием массива вариантов, которые содержат различные начальные условия для различных нарушений инсулина. Например, модель m1 имеет варианты, которые соответствуют низкой чувствительности к инсулину и высокой чувствительности к инсулину. Модель для обоих условий можно смоделировать одним вызовом объекта SimFunction.
Выберите варианты для сканирования.
varToScan = sbioselect(m1,'Name',... {'Low insulin sensitivity','High insulin sensitivity'});
Проверьте, 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. Их необходимо указать в качестве входных параметров при создании объекта SimFunction.
Создайте объект SimFunction для сканирования вариантов.
variantScan = createSimFunction(m1,{'Vmx','kp3'},...
{'[Plasma Glu Conc]','[Plasma Ins Conc]'},'Dose');Моделирование модели и печать результатов. Run 1 включают результаты моделирования для низкой чувствительности к инсулину и Run 2 для высокой чувствительности к инсулину.
sbioplot(variantScan(varToScan,24,mealTable));
Низкая чувствительность к инсулину приводит к увеличению и увеличению концентрации глюкозы в плазме.
Восстановить параметры предупреждения.
warning(warnSettings);
[1] Гиллеспи, Д. Т. (1977). Точное стохастическое моделирование связанных химических реакций. Журнал физической химии. 81(25), 2340–2361.
model object | sbiosampleerror | sbiosampleparameters | SimBiology.Scenarios | SimFunction object | SimFunctionSensitivity object