Моделируйте и оценивайте подобранную модель SimBiology
[ynew,parameterEstimates]=
predict(resultsObj)
[ynew,parameterEstimates]=
predict(resultsObj,data,dosing)
[ возвращает результаты симуляции ynew,parameterEstimates]=
predict(resultsObj)ynew и оценки параметров parameterEstimates встроенной SimBiology® модель.
[ возвращает результаты симуляции ynew,parameterEstimates]=
predict(resultsObj,data,dosing)ynew и предполагаемые значения параметров parameterEstimates от оценки подобранной модели SimBiology с использованием заданной data и dosing информацию.
Во время симуляций, predict использует значения параметров в resultsObj.ParameterEstimates свойство. Используйте этот метод, когда вы хотите оценить подобранную модель и предсказать ответы с помощью новых данных и/или информации о дозах.
Этот пример использует модель гетеротримерного G-белка дрожжей и экспериментальные данные, представленные [1]. Для получения дополнительной информации о модели смотрите раздел «Фон» в Сканировании параметров, Оценке параметров и Анализе чувствительности в дрожжевом гетеротримерном цикле G-белка.
Загрузите модель G-белка.
sbioloadproject gproteinСохраните экспериментальные данные, содержащие время течения 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, какой вид в модели соответствует какой переменной отклика в данных. В этом примере сопоставьте параметр модели GaFrac в переменную экспериментальных данных GaFracExpt от grpData.
responseMap = 'GaFrac = GaFracExpt';Создайте groupedData объект на основе экспериментальных данных.
tbl = table(time,GaFracExpt); grpData = groupedData(tbl);
Использование estimatedInfo объект для определения параметра модели kGd как параметр, который будет оценен.
estimatedParam = estimatedInfo('kGd');Выполните оценку параметра.
fitResult = sbiofit(m1,grpData,responseMap,estimatedParam);
Просмотрите предполагаемое значение параметров kGd.
fitResult.ParameterEstimates
ans=1×3 table
Name Estimate StandardError
_______ ________ _____________
{'kGd'} 0.11307 3.4439e-05
Предположим, что вы хотите симулировать подобранную модель с использованием другого времени выхода, чем в обучающих данных. Можно использовать predict способ для этого.
Создайте новую переменную T с различными временами выхода.
T = [0;10;50;80;100;150;300;350;400;450;500;550];
Используйте predict метод для симуляции подобранной модели на новых временных точках. Дозирование не было задано, когда вы впервые побежали sbiofit. Следовательно, вы не можете использовать какую-либо информацию о дозах с predict метод, и пустой массив должен быть задан в качестве третьего входного параметра.
ynew = predict(fitResult,T,[]);
Постройте график моделируемых данных с новым временем выхода.
sbioplot(ynew);
В этом примере показано, как оценить специфичные для категории (такие как молодая от старой, мужская от женской) параметры PK с помощью данных профиля от нескольких индивидуумов, использующих модель с двумя отсеками. Параметрами для оценки являются объемы центрального и периферийного отсеков, зазор и межкомпартментальная очистка.
Синтетические данные, используемые в этом примере, содержат временное течение 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 функции sbiofit аппроксимации. Объект groupedData позволяет вам задать независимые имена переменных и переменных групп (если они существуют). Установите модули переменных ID, Time, CentralConc, PeripheralConc, Age и Sex. Модули являются необязательными и требуются только для функции UnitConversion, который автоматически преобразует соответствующие физические величины в один последовательный модуль.
gData = groupedData(data);
gData.Properties.VariableUnits = {'','hour','milligram/liter','milligram/liter','',''};Для свойств IndependentVariableName и GroupVariableName автоматически заданы переменные Time и ID 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 рисунок целях используйте первые пять индивидуальных данных для обучения и шестые индивидуальные данные для проверки.
trainData = gData([gData.ID < 6],:); testData = gData([gData.ID == 6],:);
Отобразите данные отклика для каждого индивидуума в набор обучающих данных.
sbiotrellis(trainData,'ID','Time',{'CentralConc','PeripheralConc'});
Используйте встроенную библиотеку PK для создания двухкамерной модели с инфузионным дозированием и устранением первого порядка, где скорость устранения зависит от зазора и объема центрального отделения. Используйте объект configset, чтобы включить преобразование модулей.
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 индивидуум получит болюсную дозу 100 мг во время = 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 с соответствующими компонентами модели, которые являются Drug_Central и Drug_Peripheral.
responseMap = {'Drug_Central = CentralConc','Drug_Peripheral = PeripheralConc'};Укажите объемы центрального и периферийного отсеков Central и Peripheral, межкомпартментарные Q12 клиренса и Cl_Central клиренса в качестве параметров для оценки. Объект estimentedInfo позволяет вам опционально задать преобразования параметров, начальные значения и ограничения параметров. Поскольку и Central, и Peripheral ограничены положительными, задайте логарифмическое преобразование для каждого параметра.
paramsToEstimate = {'log(Central)', 'log(Peripheral)', 'Q12', 'Cl_Central'};
estimatedParam = estimatedInfo(paramsToEstimate,'InitialValue',[1 1 1 1]);Используйте свойство 'CategoryVariableName' объекта estimatedInfo, чтобы указать, какую категорию использовать во время подбора кривой. Используйте 'Sex' в качестве группы для соответствия параметрам Cl_Central и Q12 зазора. Используйте 'Age' в качестве группы, подходящей для параметров 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 категориям (или группам) sbiofit всегда возвращает один объект результатов, а не один для каждого уровня категории. Это потому, что как мужские, так и женские индивидуумы считаются частью одной и той же оптимизации с помощью одной и той же модели ошибки и параметров ошибки, аналогично для молодых и старых индивидуумов.
Постройте график предполагаемых результатов для конкретной категории. Для параметров Cl_Central и Q12 все мужчины имели одинаковые оценки, и аналогично для женщин. Для Центрального и Периферического параметров все молодые индивидуумы имели одинаковые оценки, и аналогично для старых индивидуумов.
plot(categoryFit);
Что касается целей проверки, моделируйте ответы 6-ого индивидуума, который является старым мужчиной. Поскольку вы оценили один набор параметров для категории Возраст (молодой по сравнению со старым) и другой набор для категории Пол (мужской по сравнению с женским), можно моделировать ответы старого мужчины, даже несмотря на отсутствие таких индивидуумов в обучающих данных.
Используйте метод предсказания, чтобы симулировать отклики. тис содержит данные моделирования и параметр содержит оценки параметров, используемые во время симуляции.
[ynew,paramestim] = predict(categoryFit,testData,dose);
Постройте график симулированных откликов старого самца.
sbioplot(ynew);
Переменная paramestim содержит предполагаемые параметры, используемые методом предсказания. Оценки параметров для соответствующих категорий были получены из свойства categoryFit.ParameterEstimes. В частности, оценки параметров Central и Peripheral получают из Старой группы, а Q12 и Cl_Central оценки параметров 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
Наложите экспериментальные результаты на моделируемые 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)'});
[1] Yi, T-M., Kitano, H. and Simon, M. (2003). Количественная характеристика дрожжевого гетеротримерного G-белкового цикла. PNAS. 100, 10764–10769.