Функциональный интерфейс для выполнения моделей SimBiology
SimFunction объект предоставляет интерфейс, позволяющий выполнять модель SimBiology ®, например функцию и рабочий процесс, для выполнения сканирования параметров (параллельно при наличии Toolbox™ параллельных вычислений), моделирования Монте-Карло и сканирования с несколькими или векторизованными дозами. С момента SimFunction объект может выполняться как дескриптор функции, его можно настроить для интеграции моделей SimBiology с другими продуктами MATLAB ® и другими пользовательскими анализами (например, визуальными прогностическими проверками).
Используйте createSimFunction метод для построения объекта SimFunction. Объекты SimFunction становятся неизменяемыми при создании и автоматическом ускорении при первом выполнении функции.
Если вы указали какую-либо информацию о дозировке при вызове createSimFunction для построения SimFunction объект F, то F имеет следующие синтаксисы.
simdata = F(phi,t_stop,u,t_output)SimData object
simdata после моделирования модели SimBiology с использованием исходных условий или сценариев моделирования, указанных в phi, время остановки моделирования, t_stop, дозирующая информация, uи время вывода, t_output.
simdata = F(phi,t_stop,u)phi, t_stop, и u.
Если при вызове не была указана информация о дозировке createSimFunction, то F имеет следующие синтаксисы:
simdata = F(phi,t_stop)SimData object
simdata после моделирования модели с использованием исходных условий или сценариев моделирования, указанных в phiи время остановки моделирования, t_stop.
simdata = F(phi,t_stop,[],t_output)phi, t_stop, пустой дозируемый аргумент [], и t_output. Необходимо указать u, информацию дозирования, как пустой массив[] для этой подписи. Когда t_output пуст и t_stop указано, моделирование сообщает о моментах времени решателя до t_stop. Когда t_output указывается и t_stop пуст, только моменты времени в t_output сообщается. Когда указаны оба момента времени, сообщаемые моменты времени являются объединением моментов времени решателя и моментов времени в t_output. Если последний t_output больше соответствующего t_stop, затем моделирование продолжается до последнего момента времени в t_output.
simdata = F(phi,tbl)phi и tbl. Использование этой сигнатуры позволяет только указать время вывода в качестве одной из переменных tbl. Любая строка данных в tbl где все зависимые столбцы переменных имеют NaN значения игнорируются.
[ прибыль T,Y] = F(_)T, массив ячеек числового вектора и Y, массив ячеек 2-D числовых матриц, использующий любой из входных аргументов в предшествующих синтаксисах.
|
Одно из следующих:
Когда Когда |
|
|
|
Если
|
|
|
|
Если Если |
|
Массив объектов SimData, содержащий результаты выполнения SimFunction |
|
Массив ячеек, содержащий числовой вектор размера |
|
Массив ячеек 2-D числовых матриц. i-й элемент |
| createSimFunction (модель) | Создать объект SimFunction |
| ускорение (SimFunction) | Подготовка объекта SimFunction к ускоренному моделированию |
| isAccelerated (SimFunction) | Определение ускорения объекта SimFunction |
Parameters |
Таблица содержит информацию о количествах модели (виды, отделения или параметры), которые определяют входные данные | ||||||||||
Observables |
Эта таблица содержит информацию о количествах модели (виды, отделения или параметры), которые определяют выходные данные | ||||||||||
Dosed |
Кроме того, таблица также содержит переменные для каждого параметризованного свойства. Для каждого параметризованного свойства в эту таблицу добавляются две переменные. Имя первой переменной совпадает с именем свойства, а значение является именем указанного параметра. Вторая переменная имеет имя свойства, суффиксированное значением (PropertyNameValue), а значение является значением параметра по умолчанию. Если Предположим, что
| ||||||||||
UseParallel | Логический. Если | ||||||||||
UnitConversion | Логический. Если true:
Это свойство доступно только для чтения. | ||||||||||
AutoAccelerate | Логический. Если true, модель ускоряется при первой оценке Это свойство доступно только для чтения. | ||||||||||
DependentFiles | Массив ячеек векторов символов, содержащих имена файлов, от которых зависит модель. Это свойство используется для развертывания. Это свойство доступно только для чтения. |
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);
Этот пример показывает, как сканировать начальные количества вида из модели радиоактивного распада с реакции первого порядка, где x и z являются видами и c - постоянная прямой скорости.
Загрузка образца проекта, содержащего модель радиодекая m1.
sbioloadproject radiodecay;Создать SimFunction объект f для сканирования начальных количеств видов 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
Определите четыре различных начальных количества видов x для сканирования. Количество строк указывает общее количество моделирований, и в каждом моделировании используется значение параметра, указанное в каждой строке вектора.
phi = [200; 400; 600; 800];
Выполните моделирование, пока время остановки не достигнет 20, и постройте график результатов моделирования.
sbioplot(f(phi, 20));
В этом примере показано, как моделировать и сканировать параметр модели радиодекая во время дозирования вида.
Загрузка образца проекта, содержащего модель радиодекая m1.
sbioloadproject radiodecay;Создать SimFunction объект f указание параметра Reaction1.c подлежащие сканированию и виды x в качестве дозированной мишени.
f = createSimFunction(m1,{'Reaction1.c'},{'x','z'},{'x'});Определите скалярную дозу из 200 молекул в три момента 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'};Определение значений параметров для Reaction1.c для сканирования.
phi = [0.1 0.2 0.5]';
Смоделировать модель в течение 20 секунд и построить график результатов.
sbioplot(f(phi,20,u));
Можно также указать различные количества доз 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'};Смоделировать модель с использованием этих доз и построить график результатов.
sbioplot(f(phi,20,{d1;d2;d3}));
Можно также определить массив ячеек таблиц доз.
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'};Моделирование модели с использованием таблиц доз и результатов графика.
sbioplot(f(phi,20,u));
[1] Гиллеспи, Д. Т. (1977). Точное стохастическое моделирование связанных химических реакций. Журнал физической химии. 81(25), 2340–2361.
createSimFunction | RepeatDose object | sbiosampleerror | sbiosampleparameters | ScheduleDose object | SimBiology.Scenarios | SimFunctionSensitivity object