Моделируйте и оценивайте подобранную модель SimBiology
[ynew,parameterEstimates]
= predict(resultsObj)
[ynew,parameterEstimates]
= predict(resultsObj,data,dosing)
[ynew,parameterEstimates]
= predict(___,'ParameterType',value)
[ возвращает результаты симуляции ynew,parameterEstimates]
= predict(resultsObj)ynew от оценки подобранного SimBiology® модель. Предполагаемые значения параметров parameterEstimates используется для вычисления ynew являются из исходной подгонки sbiofitmixed.
[ возвращает результаты симуляции ynew,parameterEstimates]
= predict(resultsObj,data,dosing)ynew от оценки подобранной модели SimBiology при помощи заданной data и dosing информацию.
[ Возвраты результатов симуляции от оценки подобранной модели SimBiology с помощью индивидуума или населения оценок параметров. Два варианта для ynew,parameterEstimates]
= predict(___,'ParameterType',value)value являются 'individual' (по умолчанию) или 'population'.
Совет
Используйте этот метод, чтобы получить ответы модели в определенный момент времени или предсказать ответы модели точек используя различные ковариационные данные и информацию о дозах.
Оцените нелинейные параметры смешанных эффектов с помощью клинических фармакокинетических данных, собранных у 59 детей. Оцените подобранную модель с учетом новых данных или информации о дозах.
Загрузка данных
Этот пример использует данные, собранные для 59 недоношенных детей, получавших фенобарбитал в течение первых 16 дней после рождения [1]. ds - таблица, содержащая данные профиля концентрации-времени и ковариатную информацию для каждого младенца (или группы).
load pheno.mat ds
Преобразование в groupedData
Преобразуйте данные в формат groupedData для оценки параметра.
data = groupedData(ds);
Отображение первых нескольких строк data.
data(1:5,:)
ans =
5×6 groupedData
ID TIME DOSE WEIGHT APGAR CONC
__ ____ ____ ______ _____ ____
1 0 25 1.4 7 NaN
1 2 NaN 1.4 7 17.3
1 12.5 3.5 1.4 7 NaN
1 24.5 3.5 1.4 7 NaN
1 37 3.5 1.4 7 NaN
Визуализация данных
Отображение данных на шпалерном графике.
t = sbiotrellis(data, 'ID', 'TIME', 'CONC', 'marker', 'o',... 'markerfacecolor', [.7 .7 .7], 'markeredgecolor', 'r', ... 'linestyle', 'none'); t.plottitle = 'Concentration versus Time';
Создайте модель PK с одним отсеком
Создайте простую однокамерную модель PK с введением болюсной дозы и линейным устранением клиренса, чтобы соответствовать данным.
pkmd = PKModelDesign; addCompartment(pkmd,'Central','DosingType','Bolus',... 'EliminationType','linear-clearance',... 'HasResponseVariable',true,'HasLag',false); onecomp = pkmd.construct;
Сопоставьте виды модели с данными отклика.
responseMap = 'Drug_Central = CONC';Задайте предполагаемые параметры
Параметрами для оценки в этой модели являются объем центрального отсека (Central) и коэффициент клиренса (Cl_Central). sbiofitmixed вычисляет фиксированные и случайные эффекты для каждого параметра. Базовый алгоритм вычисляет нормально распределенные случайные эффекты, которые могут нарушить ограничения для биологических параметров, которые всегда положительны, таких как объем и клиренс. Поэтому задайте преобразование для предполагаемых параметров, чтобы преобразованные параметры следовали нормальному распределению. Получившаяся модель является
и
где , , и являются фиксированными эффектами, случайными эффектами и оцененными значениями параметров, соответственно, рассчитанными для каждого младенца (группы) . Некоторые произвольные первоначальные оценки для V (объем центрального отсека) и C1 (скорость клиренса) используются здесь в отсутствие лучших эмпирических данных.
estimatedParams = estimatedInfo({'log(Central)','log(Cl_Central)'},'InitialValue',[1 1]);Определите дозирование
Все дети получали препарат, представленный Drug_Central виды, где график дозирования варьируется среди детей. Количество препарата указано в переменной данных DOSE. Можно автоматически сгенерировать объекты дозы из данных и использовать их во время подбора кривой. В этом примере Drug_Central - целевой вид, который получает дозу.
sampleDose = sbiodose('sample','TargetName','Drug_Central'); doses = createDoses(data,'DOSE','',sampleDose);
Подбор модели
Использование sbiofitmixed для соответствия модели с одним отсеком данным.
nlmeResults = sbiofitmixed(onecomp,data,responseMap,estimatedParams,doses,'nlmefit');Визуализация результатов
Визуализируйте подгоненные результаты с помощью индивидуальных оценок параметров.
fig1 = plot(nlmeResults,'ParameterType','individual'); % Resize the figure. fig1.hFig.Position(:) = [100 100 1200 800];
Используйте новые данные дозирования для моделирования подобранной модели
Предположим, что вы хотите предсказать, как дети 1 и 2 реагировали бы при различных количествах дозирования. Их ответы можно предсказать следующим образом.
Создайте новые объекты дозы с новыми суммарными дозами.
dose1 = doses(1); dose1.Amount = dose1.Amount*2; dose2 = doses(2); dose2.Amount = dose2.Amount*1.5;
Используйте predict функция для оценки подобранной модели с использованием новых данных дозирования. Если вы хотите предсказания отклика в определенные моменты времени, предоставьте новый выходной временной вектор. Используйте опцию 'ParameterType', чтобы задать индивидуальные или популяционные параметры для использования. По умолчанию predict использует параметры населения, когда вы задаете время выхода.
timeVec = [0:25:400]; newResults = predict(nlmeResults,timeVec,[dose1;dose2],'ParameterType','population');
Визуализируйте предсказанные ответы, перекрывая экспериментальные данные для детей 1 и 2.
subplot(2,1,1) plot(data.TIME(data.ID == 1),data.CONC(data.ID == 1),'bo') hold on plot(newResults(1).Time,newResults(1).Data,'b') hold off ylabel('Concentration') legend('Observation(CONC)','Prediction') subplot(2,1,2) plot(data.TIME(data.ID == 2),data.CONC(data.ID == 2),'rx') hold on plot(newResults(2).Time,newResults(2).Data,'r') hold off legend('Observation(CONC)','Prediction') ylabel('Concentration') xlabel('Time')
Создайте ковариатную модель для ковариатных зависимостей
Предположим, что существует корреляция между объемом и весом, и, возможно, объемом и счетом APGAR. Рассмотрим эффект веса путем моделирования двух из этих ковариативных зависимостей: объем центрального (Central) и коэффициент клиренса (Cl_Central) варьируются в зависимости от веса. Модель становится
и
Используйте CovariateModel объект для определения ковариатных зависимостей. Для получения дополнительной информации смотрите Задать ковариатную модель.
covModel = CovariateModel;
covModel.Expression = ({'Central = exp(theta1 + theta2*WEIGHT + eta1)',...
'Cl_Central = exp(theta3 + theta4*WEIGHT + eta2)'});
% Use |constructDefaultInitialEstimate| to create an |initialEstimates|
% struct.
initialEstimates = covModel.constructDefaultFixedEffectValues;Используйте FixedEffectNames свойство для отображения тетов (фиксированных эффектов), определенных в модели.
covModel.FixedEffectNames
ans = 4×1 cell
{'theta1'}
{'theta3'}
{'theta2'}
{'theta4'}
Используйте FixedEffectDescription свойство для отображения описаний соответствующих фиксированных эффектов (thetas), используемых в ковариатном выражении. Для примера, theta2 является фиксированным эффектом для ковариаты веса, который коррелирует с объемом (Central), обозначаемое как 'Central/WEIGHT'.
disp('Fixed Effects Description:');Fixed Effects Description:
disp(covModel.FixedEffectDescription);
{'Central' }
{'Cl_Central' }
{'Central/WEIGHT' }
{'Cl_Central/WEIGHT'}
Установите начальные предположения для значений параметров с фиксированным эффектом для Central и Cl_Central использование значений, оцененных из подбора кривой базовой модели.
initialEstimates.theta1 = nlmeResults.FixedEffects.Estimate(1); initialEstimates.theta3 = nlmeResults.FixedEffects.Estimate(2); covModel.FixedEffectValues = initialEstimates;
Подбор модели
nlmeResults_cov = sbiofitmixed(onecomp,data,responseMap,covModel,doses,'nlmefit');Отображение настроенных параметров и ковариаций
disp('Estimated Fixed Effects:');Estimated Fixed Effects:
disp(nlmeResults_cov.FixedEffects);
Name Description Estimate StandardError
__________ _____________________ ________ _____________
{'theta1'} {'Central' } -0.45664 0.078933
{'theta3'} {'Cl_Central' } -5.9519 0.1177
{'theta2'} {'Central/WEIGHT' } 0.52948 0.047342
{'theta4'} {'Cl_Central/WEIGHT'} 0.61954 0.071386
disp('Estimated Covariance Matrix:');Estimated Covariance Matrix:
disp(nlmeResults_cov.RandomEffectCovarianceMatrix);
eta1 eta2
________ ________
eta1 0.046503 0
eta2 0 0.041609
Визуализация результатов
Визуализируйте подгоненные результаты с помощью индивидуальных оценок параметров.
fig2 = plot(nlmeResults_cov,'ParameterType','individual'); % Resize the figure. fig2.hFig.Position(:) = [100 100 1200 800];
Используйте новые ковариатные данные для оценки подобранной модели
Предположим, что вы хотите исследовать ответы детей 1 и 2 с помощью различных ковариационных данных, а именно WEIGHT. Вы можете сделать это, задав новую WEIGHT данные. The ID переменная данных соответствует отдельным младенцам.
newData = data(data.ID == 1 | data.ID == 2,:); newData.WEIGHT(newData.ID == 1) = 1.3; newData.WEIGHT(newData.ID == 2) = 1.4;
Моделируйте ответы детей 1 и 2 с помощью новых ковариационных данных.
[newResults_cov, newEstimates] = predict(nlmeResults_cov,newData,[dose1;dose2]);
newEstimates содержит обновленные оценки параметров для каждого индивидуума (младенцев 1 и 2) после переоценки модели с использованием новых ковариационных данных.
newEstimates
newEstimates=4×3 table
Group Name Estimate
_____ ______________ _________
1 {'Central' } 2.5596
1 {'Cl_Central'} 0.0065965
2 {'Central' } 1.7123
2 {'Cl_Central'} 0.0064806
Сравните с оценочными значениями из исходной подгонки с помощью старых ковариационных данных.
nlmeResults_cov.IndividualParameterEstimates( ... nlmeResults_cov.IndividualParameterEstimates.Group == '1' | ... nlmeResults_cov.IndividualParameterEstimates.Group == '2',:)
ans=4×3 table
Group Name Estimate
_____ ______________ _________
1 {'Central' } 2.6988
1 {'Cl_Central'} 0.0070181
2 {'Central' } 1.8054
2 {'Cl_Central'} 0.0068948
Визуализируйте новые результаты симуляции вместе с экспериментальными данными для младенца 1 и 2.
subplot(2,1,1) plot(data.TIME(data.ID == 1),data.CONC(data.ID == 1),'bo') hold on plot(newResults_cov(1).Time,newResults_cov(1).Data,'b') hold off ylabel('Concentration') legend('Observation(CONC)','Prediction','Location','NorthEastOutside') subplot(2,1,2) plot(data.TIME(data.ID == 2),data.CONC(data.ID == 2),'rx') hold on plot(newResults_cov(2).Time,newResults_cov(2).Data,'r') hold off legend('Observation(CONC)','Prediction','Location','NorthEastOutside') ylabel('Concentration') xlabel('Time')
Ссылки
[1] Грасела, Т. Х. Младший, и С. М. Донн. «Неонатальное население фармакокинетика фенобарбитала, полученная из рутинных клинических данных». Dev Pharmacol Ther 1985:8 (6). 374-83.
CovariateModel object | NLMEResults object | sbiofitmixed | sbiosampleerror | sbiosampleparameters