В этом примере используется модель дрожжевого гетеротримерного G-белка и экспериментальные данные, представленные в [1]. Дополнительные сведения о модели см. в разделе Фон в разделе Сканирование параметров, Оценка параметров и Анализ чувствительности в цикле дрожжевого гетеротримерного G-белка.

Загрузите модель G-белка.

sbioloadproject gprotein

Хранят экспериментальные данные, содержащие временной курс для фракции активного G-белка.

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]';

Сопоставьте соответствующий компонент модели с экспериментальными данными. Другими словами, укажите, какие виды в модели соответствуют какой переменной ответа в данных. В этом примере сопоставьте параметр модели GaFrac в экспериментальную переменную данных GaFracExpt от grpData.

responseMap = 'GaFrac = GaFracExpt';

Создать groupedData объект на основе экспериментальных данных.

tbl = table(time,GaFracExpt);
grpData = groupedData(tbl);

Использовать estimatedInfo объект для определения параметра модели kGd в качестве параметра, подлежащего оценке.

estimatedParam = estimatedInfo('kGd');

Выполните оценку параметров.

fitResult = sbiofit(m1,grpData,responseMap,estimatedParam);

Просмотр расчетного значения параметра kGd.

fitResult.ParameterEstimates

ans=1×3 table
     Name      Estimate    StandardError
    _______    ________    _____________

    {'kGd'}    0.11307      3.4439e-05  

Предположим, что необходимо смоделировать подогнанную модель с использованием времени вывода, отличного от времени в данных обучения. Вы можете использовать predict способ для этого.

Создание новой переменной T с различным временем вывода.

T = [0;10;50;80;100;150;300;350;400;450;500;550];

Используйте predict метод моделирования подогнанной модели в новых точках времени. При первом запуске дозирование не было указано sbiofit. Следовательно, вы не можете использовать какую-либо информацию о дозировке с predict и пустой массив должен быть указан в качестве третьего входного аргумента.

ynew = predict(fitResult,T,[]);

Постройте график смоделированных данных с новым временем вывода.

sbioplot(ynew);

В этом примере показано, как оценить специфичные для категории (такие как молодой и старый, мужской и женский) параметры ПК с использованием данных профиля от нескольких лиц с использованием двухкамерной модели. Параметрами для оценки являются объемы центрального и периферийного отделения, клиренс и межотраслевой клиренс.

Синтетические данные, используемые в этом примере, содержат временной ход концентраций в плазме нескольких индивидуумов после болюсной дозы (100 мг), измеренной в разное время как для центрального, так и для периферического отделения. Он также содержит категориальные переменные, а именно пол и возраст.

clear
load('sd5_302RAgeSex.mat');

Преобразуйте набор данных в объект groupedData, который является необходимым форматом данных для подходящей функции sbiofit. Объект groupedData позволяет Вам устанавливать независимую переменную и имена переменной группы (если они существуют). Задайте единицы измерения переменных ID, Time, CentralConc, Conc, Age и Sex. Единицы измерения являются необязательными и обязательными только для функции UnitConversion, которая автоматически преобразует соответствующие физические величины в одну согласованную систему единиц измерения.

gData = groupedData(data);
gData.Properties.VariableUnits = {'','hour','milligram/liter','milligram/liter','',''};

Для свойств «» Имя вариации «» и «» Имя вариации «» автоматически установлены переменные «» Время «» и «» Идентификатор «» данных.

gData.Properties

ans = struct with fields:
                Description: ''
                   UserData: []
             DimensionNames: {'Row'  'Variables'}
              VariableNames: {1x6 cell}
       VariableDescriptions: {}
              VariableUnits: {1x6 cell}
         VariableContinuity: []
                   RowNames: {}
           CustomProperties: [1x1 matlab.tabular.CustomProperties]
          GroupVariableName: 'ID'
    IndependentVariableName: 'Time'

В целях иллюстрации используйте первые пять индивидуальных данных для обучения и шестые индивидуальные данные для тестирования.

trainData = gData([gData.ID < 6],:);
testData  = gData([gData.ID == 6],:);

Просмотрите данные ответа для каждого сотрудника в наборе обучения.

sbiotrellis(trainData,'ID','Time',{'CentralConc','PeripheralConc'});

Используйте встроенную библиотеку ПК для построения двухкамерной модели с инфузионным дозированием и устранением первого порядка, где скорость устранения зависит от зазора и объема центрального отсека. Используйте объект configset для включения преобразования единиц измерения.

pkmd                                    = PKModelDesign;
pkc1                                    = addCompartment(pkmd,'Central');
pkc1.DosingType                         = 'Bolus';
pkc1.EliminationType                    = 'linear-clearance';
pkc1.HasResponseVariable                = true;
pkc2                                    = addCompartment(pkmd,'Peripheral');
model                                   = construct(pkmd);
configset                               = getconfigset(model);
configset.CompileOptions.UnitConversion = true;

Предположим, что каждый человек получает болюсную дозу 100 мг в момент времени = 0.

dose             = sbiodose('dose','TargetName','Drug_Central');
dose.StartTime   = 0;
dose.Amount      = 100;
dose.AmountUnits = 'milligram';
dose.TimeUnits   = 'hour';

Данные содержат измеренную концентрацию плазмы в центральном и периферийном отсеках. Сопоставьте эти переменные соответствующим компонентам модели, которые являются Drug_Central и Drug_Peripheral.

responseMap = {'Drug_Central = CentralConc','Drug_Peripheral = PeripheralConc'};

В качестве параметров для оценки укажите объемы центрального и периферийного отсеков, Q12 межотраслевого клиренса и Cl_Central клиренса. Объект equimateInfo позволяет дополнительно указать преобразования параметров, начальные значения и границы параметров. Так как и центральный, и периферийный параметры ограничены положительным значением, укажите логарифмическое преобразование для каждого параметра.

paramsToEstimate    = {'log(Central)', 'log(Peripheral)', 'Q12', 'Cl_Central'};
estimatedParam      = estimatedInfo(paramsToEstimate,'InitialValue',[1 1 1 1]);

Для указания категории, используемой во время фитинга, используйте свойство CategureVariiveName объекта estimateInfo. Используйте «Sex» в качестве группы для соответствия Cl_Central зазора и параметрам Q12. Используйте «Age» в качестве группы для соответствия параметрам Central и Peripheral.

estimatedParam(1).CategoryVariableName = 'Age';
estimatedParam(2).CategoryVariableName = 'Age';
estimatedParam(3).CategoryVariableName = 'Sex';
estimatedParam(4).CategoryVariableName = 'Sex';
categoryFit = sbiofit(model,trainData,responseMap,estimatedParam,dose)

categoryFit = 
  OptimResults with properties:

                   ExitFlag: 1
                     Output: [1x1 struct]
                  GroupName: []
                       Beta: [8x5 table]
         ParameterEstimates: [20x6 table]
                          J: [40x8x2 double]
                       COVB: [8x8 double]
           CovarianceMatrix: [8x8 double]
                          R: [40x2 double]
                        MSE: 0.1047
                        SSE: 7.5349
                    Weights: []
              LogLikelihood: -19.0159
                        AIC: 54.0318
                        BIC: 73.0881
                        DFE: 72
             DependentFiles: {1x3 cell}
    EstimatedParameterNames: {'Central'  'Peripheral'  'Q12'  'Cl_Central'}
             ErrorModelInfo: [1x3 table]
         EstimationFunction: 'lsqnonlin'

При подгонке по категории (или группе) sbiofit всегда возвращает один объект результатов, а не один для каждого уровня категории. Это связано с тем, что как мужчины, так и женщины считаются частью одной и той же оптимизации, используя одну и ту же модель ошибок и параметры ошибок, аналогично для молодых и старых людей.

Постройте график оценочных результатов для конкретной категории. Для параметров Cl_Central и Q12 все мужчины имели одинаковые оценки и аналогично для женщин. Для центральных и периферических параметров все молодые люди имели одинаковые оценки, и аналогично для старых людей.

plot(categoryFit);

Что касается целей тестирования, смоделировать ответы 6-го человека, который является старым мужчиной. Поскольку вы оценили один набор параметров для возрастной категории (молодой или старый), а другой набор для сексуальной категории (мужчина или женщина), вы можете смоделировать ответы старого мужчины, даже если такой индивидуум отсутствует в данных обучения.

Используйте метод прогнозирования для моделирования ответов. ynew содержит данные моделирования, а paramestim содержит оценки параметров, используемые при моделировании.

[ynew,paramestim] = predict(categoryFit,testData,dose);

Постройте график смоделированных откликов старого мужчины.

sbioplot(ynew);

Переменная paramestim содержит оценочные параметры, используемые методом прогнозирования. Оценки параметров для соответствующих категорий были получены из свойства categureFit.ParameterEstimates. В частности, оценки параметров Central и Peripheral получают из группы Old, а оценки параметров Q12 и Cl_Central получают из группы Male.

paramestim

paramestim=4×6 table
         Name         Estimate    StandardError    Group    CategoryVariableName    CategoryValue
    ______________    ________    _____________    _____    ____________________    _____________

    {'Central'   }     1.1993       0.0046483        6            {'Age'}               Old      
    {'Peripheral'}    0.55195        0.015098        6            {'Age'}               Old      
    {'Q12'       }     1.4969        0.074321        6            {'Sex'}               Male     
    {'Cl_Central'}    0.56363       0.0072862        6            {'Sex'}               Male     

Наложение экспериментальных результатов на смоделированные данные.

figure;
plot(testData.Time,testData.CentralConc,'LineStyle','none','Marker','d','MarkerEdgeColor','b');
hold on
plot(testData.Time,testData.PeripheralConc,'LineStyle','none','Marker','d','MarkerEdgeColor','r');
plot(ynew.Time,ynew.Data(:,1),'b');
plot(ynew.Time,ynew.Data(:,2),'r');
hold off
legend({'OBS1(CentralConc)','OBS2(PeripheralConc)',...
        'PRED1(Central.Drug\_Central)','PRED2(Peripheral.Drug\_Peripheral)'});