Создайте объект SimFunction
F = createSimFunction(model,params,observables,dosed)SimFunction object F который можно выполнить как указатель на функцию. The params и observables аргументы определяют входы и выходы функции F когда она выполняется, и dosed определяет информацию о дозах видов. Посмотрите SimFunction
object для получения дополнительной информации о том, как выполнить F.
F = createSimFunction(___,Name,Value)Name,Value аргументы в виде пар.
Примечание
Активные дозы и варианты модели игнорируются при F выполняется.
F является неизменяемым после создания.
F автоматически ускоряется при первом выполнении функции, если вы не задаете значение 'AutoAccelerate' false. Ускорите объект вручную, если необходимо ускорить его работу в приложениях развертывания.
Этот пример использует модель радиоактивного распада с реакцией первого порядка , где x и z являются видами и c - константа прямой скорости.
Загрузите проект выборки, содержащий модель радиоактивного распада m1.
sbioloadproject radiodecay;Создайте SimFunction object, определение параметра Reaction1.c подлежащих сканированию и видовых 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 на UnitConversion опция была установлена на false когда SimFunction f объекта был создан, в таблице не отображаются модули величин модели.
Чтобы проиллюстрировать это, сначала установите UnitConversion опция для false.
cs = getconfigset(m1); cs.CompileOptions.UnitConversion = false;
Создайте SimFunction объект как и прежде 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 имена дозированных видов в качестве последнего аргумента. Например, если вид x дозируется, задайте его как последний аргумент.
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 в SimFunction создается объект, можно выполнить его как указатель на функцию и выполнить сканы параметров (параллельно, если доступен Parallel Computing Toolbox™), симуляции Монте-Карло и сканы с множественными или векторизованными дозами. Посмотрите SimFunction object для дополнительных примеров.
Этот пример создает SimFunction объект с информацией о дозах 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. Только данные, если они доступны, используются TargetName, LagParameterName, и DurationParameterName объекта дозы.
Загрузите проект выборки, содержащий модель радиоактивного распада m1.
sbioloadproject radiodecay;Создайте RepeatDose object и определить 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 параметр задержки и параметр длительности к модели.
lagPara = addparameter(m1,'lp'); lagPara.Value = 1; lagPara.ValueUnits = 'second'; duraPara = addparameter(m1,'dp'); duraPara.Value = 1; duraPara.ValueUnits = 'second';
Установите эти параметры в объект дозы.
rdose.LagParameterName = 'lp'; rdose.DurationParameterName = 'dp';
Создайте SimFunction f объекта использование RepeatDose rdose объекта 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, поскольку rdose объект содержит данные (StartTime, Amount, Rate), которые игнорируются createSimFunction способ.
В этом примере показано, как выполнить различные сигнатуры SimFunction object для моделирования и сканирования параметров модели Лотка-Вольтерра (хищник-добыча), описанной Гиллеспи [1].
Загрузите образец проекта, содержащий модель m1.
sbioloadproject lotka;Создайте объект SimFunction f с c1 и c2 в качестве входных параметров, которые нужно сканировать, 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
Задайте матрицу входа, которая содержит значения для каждого параметра (c1 и c2) для каждой симуляции. Количество строк указывает общее количество симуляций, и в каждой симуляции используются значения параметров, заданные в каждой строке.
phi = [10 0.01; 10 0.02];
Выполняйте симуляции до тех пор, пока время остановки не составит 5, и стройте график результатов симуляции.
sbioplot(f(phi, 5));
Можно также задать вектор с различными временами остановки для каждой симуляции.
t_stop = [3;6]; sbioplot(f(phi, t_stop));
Далее задайте выход в виде вектора.
t_output = 0:0.1:5; sbioplot(f(phi,[],[],t_output));
Задайте выходное время как массив ячеек из векторов.
t_output = {0:0.01:3, 0:0.2:6};
sbioplot(f(phi, [], [], t_output));
SimFunctionSensitivity ОбъектЭтот пример показывает, как вычислить чувствительность некоторых видов в модели Лотки-Вольтерры с помощью SimFunctionSensitivity объект.
Загрузите образец проекта.
sbioloadproject lotka;Определите входные параметры.
params = {'Reaction1.c1', 'Reaction2.c2'};Определите наблюдаемые виды, которые являются выходами симуляции.
observables = {'y1', 'y2'};Создайте SimFunctionSensitivity объект. Установите выходные коэффициенты чувствительности ко всем видам (y1 и y2), указанный в observables аргумент и входные коэффициенты для тех, кто в params аргумент (c1 и c2) путем установки аргумента пары "имя-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
Вычислим чувствительности путем выполнения объекта с c1 и c2 установите значение 10 и 0,1 соответственно. Установите время выхода от 1 до 10. t содержит временные точки, y содержит данные моделирования и sensMatrix - матрица чувствительности, содержащая чувствительности y1 и y2 относительно 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 факторы выхода (y1 и y2). Столбцы представляют входные факторы (c1 и c2).
Установите время остановки равным 15, не задавая время выхода. В этом случае выход является временными точками решателя по умолчанию.
sd = f([10,0.1],15);
Извлеките вычисленные чувствительности из SimData sd объекта.
[t,y,outputs,inputs] = getsensmatrix(sd);
Постройте график чувствительности видов y1 и y2 относительно 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 относительно c2.
figure; plot(t,y(:,:,2)); legend(outputs); title('Sensitivities of species y1 and y2 with respect to parameter c2'); xlabel('Time'); ylabel('Sensitivity');
Также 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/glnxa64/CalculateSensitivitiesUsingSimFunctionSensitivityObjectExample_03.png)
Можно также построить график матрицы чувствительности с помощью интеграла времени для вычисленных чувствительности y1 и y2. График указывает 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 глюкозо-инсулиновые ответы для нормальных и диабетических субъектов.
Загрузите модель глюкозо-инсулиновой реакции. Для получения дополнительной информации о модели смотрите раздел «Фон» в Симуляции ответа глюкозы-инсулина.
sbioloadproject('insulindemo', 'm1')
Модель содержит различные начальные условия, сохраненные в различных вариантах.
variants = getvariant(m1);
Получите начальные 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
Подавить информационное предупреждение, которое выдается во время симуляций.
warnSettings = warning('off','SimBiology:DimAnalysisNotDone_MatlabFcn_Dimensionless');
Создайте объекты SimFunction, чтобы симулировать ответ глюкоза-инсулин для нормальных и диабетических субъектов.
Задайте пустой массив {} для второго входного параметра, чтобы обозначить, что модель будет моделироваться с помощью базовых значений параметров (то есть сканирование параметра не будет выполнено).
Укажите концентрации глюкозы и инсулина в плазме в качестве ответов (выходы функции, которая будет нанесена).
Определите вид Dose в качестве дозированного вида. Этот вид 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 диабетического пациента 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 один прием пищи из 78 граммов глюкозы в начале симуляции.
singleMeal = sbioselect(m1,'Name','Single Meal');
Преобразуйте информацию о дозах в формат таблицы.
mealTable = getTable(singleMeal);
Моделируйте ответ глюкоза-инсулин для нормального субъекта в течение 24 часов.
sbioplot(normSim([],24,mealTable));
Моделируйте ответ глюкоза-инсулин для субъекта с диабетом в течение 24 часов.
sbioplot(diabSim([],24,mealTable));
Выполните скан с использованием вариантов
Предположим, что вы хотите выполнить скан параметра, используя массив вариантов, которые содержат различные начальные условия для различных нарушений инсулина. Для примера, модель m1 имеет варианты, которые соответствуют низкой чувствительности к инсулину и высокой чувствительности к инсулину. Можно симулировать модель для обоих условий через один вызов 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. Вы должны задать их как входные параметры, когда вы создаете объект SimFunction.
Создайте объект SimFunction для сканирования вариантов.
variantScan = createSimFunction(m1,{'Vmx','kp3'},...
{'[Plasma Glu Conc]','[Plasma Ins Conc]'},'Dose');Симулируйте модель и постройте график результатов. Run 1 включите результаты симуляции низкой чувствительности к инсулину и Run 2 для высокой чувствительности к инсулину.
sbioplot(variantScan(varToScan,24,mealTable));
Низкая чувствительность к инсулину приводит к повышенной и длительной концентрации глюкозы в плазме.
Восстановите параметры предупреждения.
warning(warnSettings);
[1] Gillespie, D.T. (1977). Точная стохастическая симуляция связанных химических реакций. Журнал физической химии. 81(25), 2340–2361.
model object | sbiosampleerror | sbiosampleparameters | SimBiology.Scenarios | SimFunction object | SimFunctionSensitivity object