Выполните мультипараметрический анализ глобальной чувствительности (требует Statistics and Machine Learning Toolbox)
mpgsaResults = sbiompgsa(modelObj,params,classifiers)classifiers относительно параметров модели params на модели SimBiology modelObj. params являются величинами модели (входные входы чувствительности) и classifiers задайте выражения характеристик модели (выходные выходы модели).
mpgsaResults = sbiompgsa(modelObj,samples,classifiers)samples параметров для выполнения мультипараметрического глобального анализа чувствительности classifiers.
mpgsaResults = sbiompgsa(simdata,samples,classifiers)simdata для выполнения мультипараметрического глобального анализа чувствительности classifiers.
mpgsaResults = sbiompgsa(___,Name,Value)
Загрузите модель диспозиции лекарственных средств, опосредованных мишенью (TMDD).
sbioloadproject tmdd_with_TO.sbprojПолучите активный конфигурационный набор и установите целевое заполнение (TO) как ответ.
cs = getconfigset(m1);
cs.RuntimeOptions.StatesToLog = 'TO';Симулируйте модель и постройте график TO профиль.
sbioplot(sbiosimulate(m1,cs));
Определите порог воздействия (область под кривой профиля ТО) для целевой заполненности.
classifier = 'trapz(time,TO) <= 0.1';Выполните MPGSA, чтобы найти чувствительные параметры относительно TO. Измените значения параметров между предопределенными границами, чтобы сгенерировать 10000 выборок параметров.
% Suppress an information warning that is issued during simulation. warnSettings = warning('off', 'SimBiology:sbservices:SB_DIMANALYSISNOTDONE_MATLABFCN_UCON'); rng(0,'twister'); % For reproducibility params = {'kel','ksyn','kdeg','km'}; bounds = [0.1, 1; 0.1, 1; 0.1, 1; 0.1, 1]; mpgsaResults = sbiompgsa(m1,params,classifier,'Bounds',bounds,'NumberSamples',10000)
mpgsaResults =
MPGSA with properties:
Classifiers: {'trapz(time,TO) <= 0.1'}
KolmogorovSmirnovStatistics: [4x1 table]
ECDFData: {4x4 cell}
SignificanceLevel: 0.0500
PValues: [4x1 table]
SupportHypothesis: [10000x1 table]
Observables: {'TO'}
ParameterSamples: [10000x4 table]
SimulationInfo: [1x1 struct]
Постройте график квантилей отклика моделируемой модели.
plotData(mpgsaResults);
Постройте график эмпирических кумулятивных функций распределения (eCDFs) принятых и отклоненных выборок. Кроме kmни один из параметров не показывает значительного различия в eCDF для принятых и отклонённых выборок. The km график показывает большое расстояние Колмогоров-Смирнов (К-С) между eCDF принятых и отклонённых выборок. Расстояние K-S является максимальным абсолютным расстоянием между двумя кривыми eCDFs.
h = plot(mpgsaResults);
% Resize the figure.
pos = h.Position(:);
h.Position(:) = [pos(1) pos(2) pos(3)*2 pos(4)*2];
Чтобы вычислить расстояние K-S между двумя eCDF, SimBiology использует двусторонний тест, основанный на нулевой гипотезе, что два распределения принятых и отклоненных выборок равны. См. kstest2 (Statistics and Machine Learning Toolbox) для получения дополнительной информации. Если расстояние K-S большое, то два распределения различаются, что означает, что классификация выборок чувствительна к изменениям в параметре входа. С другой стороны, если расстояние K-S мало, то изменения в параметре входа не влияют на классификацию выборок. Результаты предполагают, что классификация нечувствительна к параметру входа. Чтобы оценить значимость статистики K-S, отвергающей нулевую гипотезу, можно изучить p-значения.
bar(mpgsaResults)
На столбиковую диаграмму показаны две полосы для каждого параметра: одна для расстояния K-S (статистика K-S) и другая для соответствующего p-значения. Вы отвергаете нулевую гипотезу, если p-значение меньше уровня значимости. Крест (x) показан для любого значения p, которое почти 0. Вы можете увидеть точное значение p, соответствующее каждому параметру.
[mpgsaResults.ParameterSamples.Properties.VariableNames',mpgsaResults.PValues]
ans=4×2 table
Var1 trapz(time,TO) <= 0.1
________ _____________________
{'kel' } 0.0021877
{'ksyn'} 1
{'kdeg'} 0.99983
{'km' } 0
Значения p km и kel меньше уровня значимости (0,05), что подтверждает альтернативную гипотезу о том, что принятые и отклоненные выборки происходят из различных распределений. Другими словами, классификация выборок чувствительна к km и kel но не к другим параметрам (kdeg и ksyn).
Можно также построить гистограммы принятых и отклонённых выборок. Исторические граммы позволяют вам увидеть тренды в принятых и отклонённых выборках. В этом примере гистограмма km показывает, что существуют больше принятых выборок для больших km значений, в то время как kel гистограмма показывает, что отклонённых выборок меньше, чем kel увеличивается.
h2 = histogram(mpgsaResults);
% Resize the figure.
pos = h2.Position(:);
h2.Position(:) = [pos(1) pos(2) pos(3)*2 pos(4)*2];
Восстановите параметры предупреждения.
warning(warnSettings);
[1] Tiemann, Christian A., Joep Vanlier, Maaike H. Oosterveer, Albert K. Groen, Peter A. J. Hilbers, and Natal A. W. van Riel. «Анализ траектории параметра для выявления эффектов лечения фармакологических вмешательств». Под редакцией Скотта Маркела. PLoS Вычислительная биология 9, № 8 (1 августа 2013): e1003166. https://doi.org/10.1371/journal.pcbi.1003166.
Observable | sbiosobol | SimBiology.gsa.MPGSA | ecdf (Statistics and Machine Learning Toolbox) | kstest2 (Statistics and Machine Learning Toolbox)