predict(NLMEResults)

Симулируйте и оцените подбиравшую модель SimBiology

Синтаксис

[ynew,parameterEstimates] = predict(resultsObj)
[ynew,parameterEstimates] = predict(resultsObj,data,dosing)
[ynew,parameterEstimates] = predict(___,Name,Value)

Описание

[ynew,parameterEstimates] = predict(resultsObj) возвращает результаты симуляции ynew от оценки подходящего SimBiology® модель. Предполагаемые значения параметров parameterEstimates использованный для расчета ynew от исходной подгонки sbiofitmixed.

[ynew,parameterEstimates] = predict(resultsObj,data,dosing) возвращает результаты симуляции ynew от оценки подбиравшей модели SimBiology при помощи заданного data и dosing информация.

[ynew,parameterEstimates] = predict(___,Name,Value) дополнительные опции использования заданы одними или несколькими аргументами name-value.

Совет

Используйте этот метод, чтобы получить ответы модели в определенных моментах времени или предсказать ответы модели с помощью различных ковариационных данных и информации о дозах.

Примеры

свернуть все

Оцените нелинейные параметры смешанных эффектов с помощью клинических фармакокинетических данных, собранных от 59 младенцев. Оцените подобранную модель, данную новые данные или информацию о дозах.

Загрузка данных

Этот пример использует данные, собранные по 59 недоношенным детям, данным фенобарбитал в течение первых 16 дней после рождения [1]. ds таблица, содержащая разовые концентрацией данные о профиле и ковариационную информацию для каждого младенца (или группа).

load pheno.mat ds

Преобразуйте в groupedData

Преобразуйте данные в groupedData формат для оценки параметра.

data = groupedData(ds);

Отобразите первые несколько 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

Визуализируйте данные

Отобразите данные в графике решетки.

t = sbiotrellis(data, 'ID', 'TIME', 'CONC', 'marker', 'o',...
       'markerfacecolor', [.7 .7 .7], 'markeredgecolor', 'r', ...
       'linestyle', 'none');
t.plottitle = 'Concentration versus Time';

Создайте один отсек модель PK

Создайте простую модель PK с одним отсеком, с администрированием дозы шарика и линейным устранением разрешения, чтобы соответствовать данным.

pkmd = PKModelDesign;
addCompartment(pkmd,'Central','DosingType','Bolus',...
                    'EliminationType','linear-clearance',...
                    'HasResponseVariable',true,'HasLag',false);
onecomp = pkmd.construct;

Сопоставьте разновидности модели с данными об ответе.

responseMap = 'Drug_Central = CONC';

Задайте предполагаемые параметры

Параметры, чтобы оценить в этой модели являются объемом центрального отсека (Central) и уровень раскрываемости преступлений (Cl_Central). sbiofitmixed вычисляет зафиксированные и случайные эффекты для каждого параметра. Базовый алгоритм вычисляет нормально распределенные случайные эффекты, которые могут нарушить ограничения для биологических параметров, которые всегда положительны, таковы как объем и разрешение. Поэтому задайте преобразование для предполагаемых параметров так, чтобы преобразованные параметры следовали за нормальным распределением. Получившаяся модель

log(Vi)=log(ϕV,i)=θV+ηV,i

и

log(Cli)=log(ϕCl,i)=θCl+ηCl,i,

где θ, eta, и ϕ фиксированные эффекты, случайные эффекты и оцененные значения параметров соответственно, вычисленный для каждого младенца (группа) i. Некоторые произвольные первоначальные оценки для V (объем центрального отсека) и Статья (уровень раскрываемости преступлений) используются здесь в отсутствие лучших эмпирических данных.

estimatedParams = estimatedInfo({'log(Central)','log(Cl_Central)'},'InitialValue',[1 1]);

Задайте дозирование

Всем младенцам дали препарат, представленный Drug_Central разновидности, где расписание дозирования варьируется среди младенцев. Количество препарата перечислено в переменной данных DOSE. Можно автоматически сгенерировать объекты дозы из данных и использовать их во время подбора кривой. В этом примере, Drug_Central целевая разновидность, которая получает дозу.

sampleDose = sbiodose('sample','TargetName','Drug_Central');
doses = createDoses(data,'DOSE','',sampleDose);

Подбирайте модель

Используйте sbiofitmixed подбирать модель с одним отсеком к данным.

nlmeResults = sbiofitmixed(onecomp,data,responseMap,estimatedParams,doses,'nlmefit');

Визуализация результатов

Визуализируйте подходящие результаты с помощью отдельно-специфичных оценок параметра.

fig1 = plot(nlmeResults,'ParameterType','individual');
% Resize the figure.
fig1.hFig.Position(:) = [100 100 1200 800];

Используйте новые данные о дозировании, чтобы симулировать подобранную модель

Предположим, что вы хотите предсказать, как младенцы 1 и 2 ответили бы под различными объемами дозирования. Можно предсказать их ответы можно 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, чтобы оценить подобранную модель с помощью новых данных о дозировании. Если вы хотите предсказания ответа в конкретные времена, обеспечьте новый выходной временной вектор. Используйте опцию 'ParameterType', чтобы задать индивидуума или параметры населения, чтобы использовать. По умолчанию, predict использует параметры населения, когда вы задаете выходные времена.

timeVec = [0:25:400];
newResults = predict(nlmeResults,timeVec,[dose1;dose2],'ParameterType','population');

Визуализируйте предсказанные ответы при наложении экспериментальных данных для младенцев 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 ковариационную модель для ковариационных зависимостей

Предположим, что существует корреляция между объемом и весом, и возможно счетом APGAR и объемом. Рассмотрите эффект веса путем моделирования двух из этих ковариационных зависимостей: объем центральных (Central) и уровень раскрываемости преступлений (Cl_Central) меняйтесь в зависимости от веса. Модель становится

log(Vi)=log(ϕV,i)=θV+θV/weight*weighti+ηV,i

и

log(Cli)=log(ϕCl,i)=θCl+θCl/weight*weighti+ηCl,i

Используйте CovariateModel объект задать ковариационные зависимости. Для получения дополнительной информации смотрите, Задают Ковариационную 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 отобразить thetas (зафиксированные эффекты) заданный в модели.

covModel.FixedEffectNames
ans = 4×1 cell
    {'theta1'}
    {'theta3'}
    {'theta2'}
    {'theta4'}

Используйте FixedEffectDescription свойство показать описания соответствующих фиксированных эффектов (thetas) используемый в ковариационном выражении. Например, theta2 фиксированный эффект для коварианта веса, который коррелирует с объемом (Central), обозначенный как 'Центральный / ВЕС'.

disp('Fixed Effects Description:');
Fixed Effects Description:
disp(covModel.FixedEffectDescription);
    {'Central'          }
    {'Cl_Central'       }
    {'Central/WEIGHT'   }
    {'Cl_Central/WEIGHT'}

Установите исходные предположения для значений параметров фиксированного эффекта для Central и Cl_Central использование значений, оцененных от того, чтобы подбирать базовую модель.

initialEstimates.theta1 = nlmeResults.FixedEffects.Estimate(1);
initialEstimates.theta3 = nlmeResults.FixedEffects.Estimate(2);
covModel.FixedEffectValues = initialEstimates;

Подбирайте модель

nlmeResults_cov = sbiofitmixed(onecomp,data,responseMap,covModel,doses,'nlmefit');

Отобразите подходящие параметры и ковариации

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 подходящие результаты с помощью отдельно-специфичных оценок параметра.

fig2 = plot(nlmeResults_cov,'ParameterType','individual');
% Resize the figure.
fig2.hFig.Position(:) = [100 100 1200 800];

Используйте новые ковариационные данные, чтобы оценить подобранную модель

Предположим, что вы хотите исследовать ответы младенцев 1 и 2 использующих различных ковариационных данных, а именно, WEIGHT. Можно сделать это путем определения нового WEIGHT данные. 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;

Симулируйте ответы младенцев 1 и 2 использования новых ковариационных данных.

[newResults_cov, newEstimates] = predict(nlmeResults_cov,newData,[dose1;dose2]);

newEstimates содержит обновленные оценки параметра для каждого индивидуума (младенцы 1 и 2) после того, как модель будет переоценена с помощью 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 ориентировочными стоимостями от 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] Grasela, T. H. Младший, и С. М. Донн. "Неонатальная фармакокинетика населения фенобарбитала выведена из стандартных клинических данных". Фармакол Dev Там 1985:8 (6). 374-83.

Входные параметры

свернуть все

Оценка заканчивается в виде скаляра NLMEResults object, который содержит нелинейные результаты оценки смешанных эффектов, возвращенные sbiofitmixed.

Сгруппированные данные или выходные времена в виде a groupedData object, вектор или массив ячеек векторов выходных времен.

Если data isa groupedData объект, это должно иметь и метки группы и вывести заданные времена. Метки группы могут относиться к новым группам или существующим группам от исходной подгонки. Если модель смешанных эффектов от исходной подгонки (возвращенный sbiofitmixed) коварианты использования, groupedData объект должен также содержать ковариационные данные с теми же метками для ковариантов (CovariateLabels свойство) заданный в исходной ковариационной модели.

По умолчанию отдельные оценки параметра используются для симуляции групп от исходной подгонки, в то время как параметры населения используются для новых групп, если таковые имеются. Смотрите value описание аргумента для деталей.

Общее количество результатов симуляции в выходе ynew зависит от количества групп или выходных временных векторов в data и количество строк в dosing матрица. Для получения дополнительной информации см. таблицу в ynew описание аргумента.

Информация о дозах в виде пустого [] или {}, 2D матрица или вектор ячейки из объектов дозы SimBiology (ScheduleDose object или RepeatDose object).

Если dosing пусто, никакие дозы не применяются в процессе моделирования, даже если модель имеет активные дозы.

Для матрицы объектов дозы это должно иметь одну строку или одну строку на группу во входных данных. Если это имеет одну строку, те же дозы применяются ко всем группам в процессе моделирования. Если это имеет несколько строк, каждая строка применяется к отдельной группе в том же порядке, как группы появляются во входных данных. Несколько столбцов позволены так, чтобы можно было применить несколько объектов дозы к каждой группе.

Для вектора ячейки из доз это должно иметь один элемент или один элемент на группу во входных данных. Каждым элементом должен быть [] или вектор из доз. Каждый элемент ячейки применяется к отдельной группе в том же порядке, как группы появляются во входных данных.

В дополнение к ручному построению использования объектов дозы sbiodose, если вход groupedData объект имеет информацию о дозах, можно использовать createDoses метод, чтобы создать дозы.

Объекты дозы dosing введите должно быть сопоставимо с исходными данными о дозировании, используемыми с sbiofitmixed. Объекты должны иметь те же значения для свойств дозы (таких как TargetName) или должен быть параметрирован таким же образом как исходные данные о дозировании. Например, предположите, что исходная матрица дозирования имеет два столбца доз, где дозы в первом столбце предназначаются для разновидностей x и тех во вторых целевых разновидностях y столбца. Затем dosing должен иметь дозы в первом столбце, предназначающемся для разновидностей x и тех во втором столбце, предназначающемся для разновидностей y. Параметрированный пример дозы следующие. Предположим что Amount свойство дозы используется в оригинале sbiofitmixed вызов параметрируется к ограниченному по объему моделью параметру 'A'. Все дозы для соответствующей группы (столбец) в dosing матричный вход должен иметь Amount свойство параметрируется к 'A'.

Количество строк в dosing элементы матрицы или число элементов в dosing вектор ячейки и количество групп или выходных временных векторов в data определите общее количество результатов симуляции в выходе ynew. Для получения дополнительной информации см. таблицу в ynew описание аргумента.

Примечание

Если UnitConversion включен для базовой модели SimBiology, которая использовалась для подбора кривой, dosing должен задать допустимую сумму и единицы измерения времени.

Аргументы name-value

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: 'ParameterType','population' задает, чтобы использовать оценки параметра населения.

Тип параметра в виде 'individual' (значение по умолчанию) или 'population'. Если value 'population', predict метод возвращает результаты симуляции с помощью оценок параметра населения, то есть, значения параметров, которые оцениваются с помощью зафиксированных эффектов (θs) только. Предполагаемые значения параметров, используемые в симуляции, идентичны тем в resultsObj.PopulationParameterEstimates свойство, если вы не задаете новый groupedData объект data с новыми ковариационными данными. В этом случае метод переоценивает ковариационную модель и оценки параметра на основе нового groupedData и ковариационные данные.

Если value 'individual', метод возвращает результаты симуляции с помощью соответствующих значений параметров группы в resultsObj.IndividualParameterEstimates свойство. Эти значения включают и зафиксированный - и оценки случайных эффектов, то есть, значения параметров, оцененные с помощью и зафиксированных эффектов (θs) и случайных эффектов (ηs). Если data содержит новые группы, только зафиксированные эффекты (оценки параметра населения объекта результатов) используются для этих групп.

По умолчанию, predict использует отдельные оценки параметра объекта результатов когда data isa groupedData объект. Если data вектор выходных времен или массив ячеек векторов, predict использует оценки параметра населения объекта результатов вместо этого.

Типы данных: char | string

Варианты, чтобы применяться в виде пустого массива ([], {}), 2D матрица или вектор ячейки из различных объектов.

Если вы не задаете этот аргумент, функция имеет следующее поведение в зависимости от ли второй входной параметр (data) задан также или нет.

  • Если data не задан, функция применяет специфичные для группы варианты от исходного вызова до sbiofitmixed.

  • Если data векторный массив или массив ячеек выходных времен, функция не применяет специфичные для группы варианты.

  • Если data groupedData объект, функция применяет варианты только к группам, идентификатор группы которых совпадает с идентификатором группы в исходных обучающих данных, который использовался в вызове sbiofitmixed.

Примечание

  • Базовые варианты, которые были заданы вариантами позиционный входной параметр в исходном вызове sbiofitmixed всегда применяются к модели, и они применяются перед любыми специфичными для группы вариантами.

  • Если нет никаких базовых вариантов, то есть, вы не задавали variants введите при вызове sbiofitmixed, функция все еще применяет активные варианты модели, если существует кто-либо.

Если значением аргумента является [] или {}, функция не применяет специфичных для группы вариантов.

Если это - матрица вариантов, это должно иметь или одну строку или одну строку на группу. Каждая строка применяется к отдельной группе в том же порядке, как группы появляются в data или dosing. Если это имеет одну строку, те же варианты применяются ко всем группам в процессе моделирования. Если существует несколько столбцов, варианты применяются в порядке от первого столбца до последнего.

Если это - вектор ячейки из различных объектов, количество ячеек должно быть один или должно совпадать с количеством групп во входных данных. Каждым элементом должен быть [] или вектор из вариантов. Если существует отдельная ячейка, содержащая вектор из вариантов, они применяются ко всем симуляциям. Если существует несколько ячеек, варианты в i th ячейка применяются к симуляции i th группа.

Функция задает количество групп путем исследования data, и dosing входные параметры.

  • data может иметь 1 или группы N.

  • Если data и dosing аргументы не заданы, затем данные по умолчанию и дозирование определяются можно следующим образом:

    • Для необъединенных подгонок они - данные и дозирующий для одной группы, сопоставленной с этим результаты подгонки.

    • Для всех других подгонок они - целый набор данных и дозирования связанного с вызовом sbiofitmixed.

Выходные аргументы

свернуть все

Результаты симуляции, возвращенные как вектор из SimData объекты. О состояниях сообщают в ynew состояния, включенные в responseMap входной параметр sbiofitmixed и любые другие состояния, перечисленные в StatesToLog свойство опций во время выполнения (RuntimeOptions) из модели SimBiology.

Общее количество результатов симуляции в ynew зависит от количества групп или выходных временных векторов в data и количество строк в dosing матрица.

Количество групп или выходных временных векторов в dataКоличество строк в dosing матрицаРезультаты симуляции

1

0, то есть, dosing isempty

Общее количество SimData объекты в ynew 1.

Никакие дозы не применяются в процессе моделирования.

1

1

Общее количество SimData объекты в ynew 1.

Данная строка доз применяется во время симуляции.

1

N

Общее количество SimData объекты в ynew N.

Каждая строка dosing применяется к каждой симуляции.

N

0, то есть, dosing isempty

Общее количество SimData объекты в ynew N.

Никакие дозы не применяются в процессе моделирования.

N

1

Общее количество SimData объекты в ynew N.

Та же строка доз применяется к каждой симуляции.

NN

Общее количество SimData объекты в ynew N.

Каждая строка dosing применяется к отдельной группе, в том же порядке, что группы появляются в data.

MNФункция выдает ошибку когда MN.

Предполагаемые значения параметров используются для предсказанных результатов симуляции, возвращенных как таблица.

Если 'ParameterType' 'individual', значения параметров, о которых сообщают, идентичны значениям в resultsObj.IndividualParameterEstimates свойство. Однако, если data содержит новые группы, затем только оценки параметра населения (зафиксированные эффекты) используются для этих групп. Соответствующие значения, о которых сообщают, в parameterEstimates поскольку эти группы идентичны значениям в resultsObj.PopulationParameterEstimates.

Если 'ParameterType' 'population', значения параметров, о которых сообщают, идентичны значениям в resultsObj.PopulationParameterEstimates свойство, если вы не указываете новую ковариационную информацию в data. Смотрите value описание аргумента для деталей.

Если data вектор или массив ячеек векторов выходных времен, значения параметров, о которых сообщают, идентичны значениям в resultsObj.PopulationParameterEstimates. Кроме того, группы сообщили, представляют перечисление выполняемых симуляций и не связаны с названиями группы в исходной подгонке.

Введенный в R2014a
Для просмотра документации необходимо авторизоваться на сайте