Выполните регрессию нелинейного метода наименьших квадратов
Statistics and Machine Learning Toolbox™, Optimization Toolbox™ и Global Optimization Toolbox рекомендуются для этой функции.
оценочные параметры модели SimBiology fitResults
= sbiofit(sm
,grpData
,ResponseMap
,estiminfo
)sm
использование регрессии нелинейного метода наименьших квадратов.
grpData
isa groupedData object
определение данных, чтобы соответствовать. ResponseMap
задает отображение между компонентами модели и данными об ответе в grpData
. estimatedInfo
EstimatedInfo object
это задает предполагаемые параметры в модели sm
. fitResults
isa OptimResults object
или NLINResults object
или вектор из этих объектов.
sbiofit
использует первую доступную функцию оценки среди следующего: lsqnonlin
(Optimization Toolbox), nlinfit
(Statistics and Machine Learning Toolbox), или fminsearch
.
По умолчанию, каждая группа в grpData
является подходящим отдельно, приводя к специфичным для группы оценкам параметра. Если модель содержит активные дозы и варианты, они применяются перед симуляцией.
использует информацию о дозах, заданную матрицей объектов дозы SimBiology fitResults
= sbiofit(sm
,grpData
,ResponseMap
,estiminfo
,dosing
)dosing
вместо того, чтобы использовать активные дозы модели sm
если существует кто-либо.
использует функцию оценки, заданную fitResults
= sbiofit(sm
,grpData
,ResponseMap
,estiminfo
,dosing
,functionName
)functionName
. Если заданная функция недоступна, предупреждение выдано, и первая доступная функция по умолчанию используется.
использует дополнительные опции, заданные fitResults
= sbiofit(sm
,grpData
,ResponseMap
,estiminfo
,dosing
,functionName
,options
)options
для функционального functionName
.
применяет различные объекты, заданные как fitResults
= sbiofit(sm
,grpData
,ResponseMap
,estiminfo
,dosing
,functionName
,options
,variants
)variants
вместо того, чтобы использовать любые активные варианты модели.
дополнительные опции использования заданы одним или несколькими fitResults
= sbiofit(_,Name,Value
)Name,Value
парные аргументы.
[
также возвращается, вектор из SimData возражает fitResults
,simdata
]
= sbiofit(_)simdata
использование любого из входных параметров в предыдущих синтаксисах.
Примечание
sbiofit
объединяет sbionlinfit
и sbioparamestim
функции оценки. Использование sbiofit
выполнять регрессию нелинейного метода наименьших квадратов.
sbiofit
симулирует модель с помощью a SimFunction object
, который автоматически ускоряет симуляции по умолчанию. Следовательно не необходимо запуститься sbioaccelerate
прежде чем вы вызовете sbiofit
.
Фон
В этом примере показано, как соответствовать PK индивидуума профилируют данные к модели с одним отсеком и оценить фармакокинетические параметры.
Предположим, что вы имеете данные о концентрации плазмы препарата от индивидуума и хотите оценить объем центрального отсека и разрешения. Примите, что концентрация препарата по сравнению с профилем времени следует за моноэкспоненциальным снижением , где концентрация препарата во время t, начальная концентрация, и константа скорости устранения, которая зависит от разрешения и объема центрального отсека .
Синтетические данные в этом примере были сгенерированы с помощью следующей модели, параметров и дозы:
Модель с одним отсеком с болюсным введением и устранением первого порядка
Объем центрального отсека (Central
) = 1,70 литра
Параметр разрешения (Cl_Central
) = 0,55 литра/час
Постоянная ошибочная модель
Доза шарика 10 мг
Загрузите данные и визуализируйте
Данные хранятся как таблица с переменными Time
и Conc
это представляет ход времени плазменной концентрации индивидуума после внутривенного администрирования шарика, измеренного в 13 различных моментах времени. Переменные модули для Time
и Conc
час и миллиграмм/литр, соответственно.
clear all load('data15.mat')
plot(data.Time,data.Conc,'b+') xlabel('Time (hour)'); ylabel('Drug Concentration (milligram/liter)');
Преобразуйте в groupedData Формат
Преобразуйте набор данных в groupedData
объект, который является необходимым форматом данных для подходящего функционального sbiofit
для дальнейшего использования. groupedData
объект также позволяет вам установить независимую переменную и имена переменных группы (если они существуют). Установите модули Time
и Conc
переменные. Модули являются дополнительными и только необходимыми для UnitConversion
покажите, который автоматически преобразует соответствие с физическими количествами в одну сопоставимую модульную систему.
gData = groupedData(data); gData.Properties.VariableUnits = {'hour','milligram/liter'}; gData.Properties
ans = struct with fields:
Description: ''
UserData: []
DimensionNames: {'Row' 'Variables'}
VariableNames: {'Time' 'Conc'}
VariableDescriptions: {}
VariableUnits: {'hour' 'milligram/liter'}
VariableContinuity: []
RowNames: {}
CustomProperties: [1x1 matlab.tabular.CustomProperties]
GroupVariableName: ''
IndependentVariableName: 'Time'
groupedData
автоматически определите имя IndependentVariableName
свойство к Time
переменная данных.
Создайте модель с одним отсеком
Пользуйтесь встроенной библиотекой PK, чтобы создать модель с одним отсеком с болюсным введением и устранением первого порядка, где уровень устранения зависит от разрешения и объема центрального отсека. Используйте configset
объект включить модульное преобразование.
pkmd = PKModelDesign; pkc1 = addCompartment(pkmd,'Central'); pkc1.DosingType = 'Bolus'; pkc1.EliminationType = 'linear-clearance'; pkc1.HasResponseVariable = true; model = construct(pkmd); configset = getconfigset(model); configset.CompileOptions.UnitConversion = true;
Для получения дополнительной информации при создании разделенных на отсеки моделей PK с помощью SimBiology® встроенная библиотека, смотрите, Создают Фармакокинетические Модели.
Задайте дозирование
Задайте одну дозу шарика 10 миллиграммов, данных во время = 0. Для получения дополнительной информации при подготовке различных расписаний дозирования, смотрите Дозы в Моделях SimBiology.
dose = sbiodose('dose'); dose.TargetName = 'Drug_Central'; dose.StartTime = 0; dose.Amount = 10; dose.AmountUnits = 'milligram'; dose.TimeUnits = 'hour';
Сопоставьте данные об ответе с соответствующим компонентом модели
Данные содержат данные о концентрации препарата, хранимые в Conc
переменная. Эти данные соответствуют Drug_Central
разновидности в модели. Поэтому сопоставьте данные с Drug_Central
можно следующим образом.
responseMap = {'Drug_Central = Conc'};
Задайте параметры, чтобы оценить
Параметры, чтобы поместиться в эту модель являются объемом центрального (Центрального) отсека и уровень раскрываемости преступлений (Cl_Central). В этом случае задайте логарифмическое преобразование для этих биологических параметров, поскольку они ограничиваются быть положительными. estimatedInfo
объект позволяет вам указать, что параметр преобразовывает, начальные значения и границы параметра в случае необходимости.
paramsToEstimate = {'log(Central)','log(Cl_Central)'}; estimatedParams = estimatedInfo(paramsToEstimate,'InitialValue',[1 1],'Bounds',[1 5;0.5 2]);
Оцените параметры
Теперь, когда вы задали модель с одним отсеком, данные, чтобы соответствовать, сопоставленные данные об ответе, параметры, чтобы оценить, и дозирование, используют sbiofit
оценить параметры. Функция оценки по умолчанию, что sbiofit
использование изменится, в зависимости от которого тулбоксы доступны. Чтобы видеть, какая функция использовалась во время подбора кривой, проверяйте EstimationFunction
свойство соответствующего объекта результатов.
fitConst = sbiofit(model,gData,responseMap,estimatedParams,dose);
Отобразите предполагаемые параметры и постройте результаты
Заметьте, что оценки параметра не были далеки от истинных значений (1.70 и 0.55), которые использовались, чтобы сгенерировать данные. Можно также попробовать различные ошибочные модели, чтобы видеть, могли ли они далее улучшить оценки параметра.
fitConst.ParameterEstimates
ans=2×4 table
Name Estimate StandardError Bounds
______________ ________ _____________ __________
{'Central' } 1.6993 0.034821 1 5
{'Cl_Central'} 0.53358 0.01968 0.5 2
s.Labels.XLabel = 'Time (hour)'; s.Labels.YLabel = 'Concentration (milligram/liter)'; plot(fitConst,'AxesStyle',s);
Используйте различные ошибочные модели
Попробуйте три других поддерживаемых ошибочных модели (пропорциональный, комбинация постоянных и пропорциональных ошибочных моделей и экспоненциал).
fitProp = sbiofit(model,gData,responseMap,estimatedParams,dose,... 'ErrorModel','proportional'); fitExp = sbiofit(model,gData,responseMap,estimatedParams,dose,... 'ErrorModel','exponential'); fitComb = sbiofit(model,gData,responseMap,estimatedParams,dose,... 'ErrorModel','combined');
Используйте веса вместо ошибочной модели
Можно задать веса как числовую матрицу, где количество столбцов соответствует количеству ответов. Установка всех весов к 1 эквивалентна постоянной ошибочной модели.
weightsNumeric = ones(size(gData.Conc));
fitWeightsNumeric = sbiofit(model,gData,responseMap,estimatedParams,dose,'Weights',weightsNumeric);
В качестве альтернативы можно использовать указатель на функцию, который принимает вектор из предсказанных значений отклика и возвращает вектор из весов. В этом примере используйте указатель на функцию, который эквивалентен пропорциональной ошибочной модели.
weightsFunction = @(y) 1./y.^2;
fitWeightsFunction = sbiofit(model,gData,responseMap,estimatedParams,dose,'Weights',weightsFunction);
Сравните информационные критерии выбора модели
Сравните логарифмическую правдоподобность, AIC и значения BIC каждой модели, чтобы видеть, какая ошибочная модель лучше всего подбирает данным. Большее значение вероятности указывает, что соответствующая модель подбирает модель лучше. Для AIC и BIC, меньшие значения лучше.
allResults = [fitConst,fitWeightsNumeric,fitWeightsFunction,fitProp,fitExp,fitComb]; errorModelNames = {'constant error model','equal weights','proportional weights', ... 'proportional error model','exponential error model',... 'combined error model'}; LogLikelihood = [allResults.LogLikelihood]'; AIC = [allResults.AIC]'; BIC = [allResults.BIC]'; t = table(LogLikelihood,AIC,BIC); t.Properties.RowNames = errorModelNames; t
t=6×3 table
LogLikelihood AIC BIC
_____________ _______ _______
constant error model 3.9866 -3.9732 -2.8433
equal weights 3.9866 -3.9732 -2.8433
proportional weights -3.8472 11.694 12.824
proportional error model -3.8257 11.651 12.781
exponential error model 1.1984 1.6032 2.7331
combined error model 3.9163 -3.8326 -2.7027
На основе информационных критериев постоянная ошибочная модель (или равные веса) соответствует данным лучше всего, поскольку это имеет самое большое значение логарифмической правдоподобности и самый маленький AIC и BIC.
Отобразите предполагаемые значения параметров
Покажите предполагаемые значения параметров каждой модели.
Estimated_Central = zeros(6,1); Estimated_Cl_Central = zeros(6,1); t2 = table(Estimated_Central,Estimated_Cl_Central); t2.Properties.RowNames = errorModelNames; for i = 1:height(t2) t2{i,1} = allResults(i).ParameterEstimates.Estimate(1); t2{i,2} = allResults(i).ParameterEstimates.Estimate(2); end t2
t2=6×2 table
Estimated_Central Estimated_Cl_Central
_________________ ____________________
constant error model 1.6993 0.53358
equal weights 1.6993 0.53358
proportional weights 1.9045 0.51734
proportional error model 1.8777 0.51147
exponential error model 1.7872 0.51701
combined error model 1.7008 0.53271
Заключение
Этот пример показал, как оценить параметры PK, а именно, объем центрального отсека и параметр разрешения индивидуума, путем подбора кривой данным о профиле PK к модели с одним отсеком. Вы сравнили информационные критерии каждой модели и оценили, что значения параметров различных ошибочных моделей видели, какая модель лучше всего объяснила данные. Финал соответствовал результатам, предложенным обоих, которых постоянные и объединенные ошибочные модели предоставили, самые близкие оценки к значениям параметров раньше генерировали данные. Однако постоянная ошибочная модель является лучшей моделью, как обозначено логарифмической правдоподобностью, AIC и критериями информации о BIC.
Предположим, что у вас есть данные о концентрации плазмы препарата от трех индивидуумов, которых вы хотите использовать, чтобы оценить соответствующие фармакокинетические параметры, а именно, объем центрального и периферийного отсека (Central
, Peripheral
), уровень раскрываемости преступлений (Cl_Central
), и межразделенное на отсеки разрешение (Q12
). Примите, что концентрация препарата по сравнению с профилем времени следует за снижением biexponential , где Ct является концентрацией препарата во время t, и a и b являются наклонами для соответствующих экспоненциальных снижений.
Синтетический набор данных содержит данные о концентрации плазмы препарата, измеренные и в центральных и в периферийных отсеках. Данные были сгенерированы с помощью модели 2D отсека с капельным внутривенным введением и устранением первого порядка. Эти параметры использовались для каждого индивидуума.
Central | Peripheral | Q12 | Cl_Central | |
---|---|---|---|---|
Индивидуум 1 | 1.90 | 0.68 | 0.24 | 0.57 |
Индивидуум 2 | 2.10 | 6.05 | 0.36 | 0.95 |
Индивидуум 3 | 1.70 | 4.21 | 0.46 | 0.95 |
Данные хранятся как таблица с переменными ID
Время
, CentralConc
, и PeripheralConc
. Это представляет ход времени плазменных концентраций, измеренных в восьми различных моментах времени и для центральных и для периферийных отсеков после капельного внутривенного введения.
load('data10_32R.mat')
Преобразуйте набор данных в groupedData
объект, который является необходимым форматом данных для подходящей функции sbiofit
для дальнейшего использования. groupedData
объект также позволяет вам установить независимую переменную и имена переменных группы (если они существуют). Установите модули ID
Время
, CentralConc
, и PeripheralConc
переменные. Модули являются дополнительными и только необходимыми для UnitConversion
покажите, который автоматически преобразует соответствие с физическими количествами в одну сопоставимую модульную систему.
gData = groupedData(data); gData.Properties.VariableUnits = {'','hour','milligram/liter','milligram/liter'}; gData.Properties
ans = struct with fields: Description: '' UserData: [] DimensionNames: {'Row' 'Variables'} VariableNames: {'ID' 'Time' 'CentralConc' 'PeripheralConc'} VariableDescriptions: {} VariableUnits: {1x4 cell} VariableContinuity: [] RowNames: {} CustomProperties: [1x1 matlab.tabular.CustomProperties] GroupVariableName: 'ID' IndependentVariableName: 'Time'
Создайте график решетки, который показывает профили PK трех индивидуумов.
sbiotrellis(gData,'ID','Time',{'CentralConc','PeripheralConc'},... 'Marker','+','LineStyle','none');
Пользуйтесь встроенной библиотекой PK, чтобы создать модель 2D отсека с дозированием вливания и устранением первого порядка, где уровень устранения зависит от разрешения и объема центрального отсека. Используйте объект configset включить модульное преобразование.
pkmd = PKModelDesign; pkc1 = addCompartment(pkmd,'Central'); pkc1.DosingType = 'Infusion'; pkc1.EliminationType = 'linear-clearance'; pkc1.HasResponseVariable = true; pkc2 = addCompartment(pkmd,'Peripheral'); model = construct(pkmd); configset = getconfigset(model); configset.CompileOptions.UnitConversion = true;
Примите, что каждый индивидуум получает капельное внутривенное введение во время = 0 с общим объемом вливания 100 мг на уровне 50 мг/час. Для получения дополнительной информации при подготовке различных стратегий дозирования, смотрите Дозы в Моделях SimBiology.
dose = sbiodose('dose','TargetName','Drug_Central'); dose.StartTime = 0; dose.Amount = 100; dose.Rate = 50; dose.AmountUnits = 'milligram'; dose.TimeUnits = 'hour'; dose.RateUnits = 'milligram/hour';
Данные содержат измеренные плазменные концентрации в центральных и периферийных отсеках. Сопоставьте эти переменные с соответствующими разновидностями модели, которые являются Drug_Central
и Drug_Peripheral
.
responseMap = {'Drug_Central = CentralConc','Drug_Peripheral = PeripheralConc'};
Параметры, чтобы оценить в этой модели являются объемами центральных и периферийных отсеков (Central
и Peripheral
), межразделенное на отсеки разрешение Q12
, и уровень раскрываемости преступлений Cl_Central
. В этом случае задайте логарифмическое преобразование для Central
и Peripheral
поскольку они ограничиваются быть положительными. estimatedInfo
объект позволяет вам указать, что параметр преобразовывает, начальные значения и (дополнительные) границы параметра.
paramsToEstimate = {'log(Central)','log(Peripheral)','Q12','Cl_Central'}; estimatedParam = estimatedInfo(paramsToEstimate,'InitialValue',[1 1 1 1]);
Подбирайте модель ко всем данным, объединенным вместе, то есть, оцените один набор параметров для всех индивидуумов. Метод оценки по умолчанию это sbiofit
использование изменится, в зависимости от которого тулбоксы доступны. Видеть который функция оценки sbiofit
используемый для подбора кривой, проверяйте EstimationFunction
свойство соответствующего объекта результатов.
pooledFit = sbiofit(model,gData,responseMap,estimatedParam,dose,'Pooled',true)
pooledFit = OptimResults with properties: ExitFlag: 3 Output: [1x1 struct] GroupName: [] Beta: [4x3 table] ParameterEstimates: [4x3 table] J: [24x4x2 double] COVB: [4x4 double] CovarianceMatrix: [4x4 double] R: [24x2 double] MSE: 6.6220 SSE: 291.3688 Weights: [] LogLikelihood: -111.3904 AIC: 230.7808 BIC: 238.2656 DFE: 44 DependentFiles: {1x3 cell} EstimatedParameterNames: {'Central' 'Peripheral' 'Q12' 'Cl_Central'} ErrorModelInfo: [1x3 table] EstimationFunction: 'lsqnonlin'
Постройте подходящие результаты по сравнению с исходными данными. Несмотря на то, что три отдельных графика были сгенерированы, данные были адаптированы с помощью того же набора параметров (то есть, у всех трех индивидуумов была та же подходящая линия).
plot(pooledFit);
Оцените один набор параметров для каждого индивидуума и смотрите, существует ли какое-либо улучшение оценок параметра. В этом примере с тех пор существует три индивидуума, три набора параметров оцениваются.
unpooledFit = sbiofit(model,gData,responseMap,estimatedParam,dose,'Pooled',false);
Постройте подходящие результаты по сравнению с исходными данными. Каждый индивидуум был адаптирован по-другому (то есть, каждая подходящая линия уникальна для каждого индивидуума), и каждая линия, казалось, соответствовала хорошо к отдельным данным.
plot(unpooledFit);
Отобразите подходящие результаты первого индивидуума. MSE был ниже, чем та из объединенной подгонки. Это также верно для других двух индивидуумов.
unpooledFit(1)
ans = OptimResults with properties: ExitFlag: 3 Output: [1x1 struct] GroupName: 1 Beta: [4x3 table] ParameterEstimates: [4x3 table] J: [8x4x2 double] COVB: [4x4 double] CovarianceMatrix: [4x4 double] R: [8x2 double] MSE: 2.1380 SSE: 25.6559 Weights: [] LogLikelihood: -26.4805 AIC: 60.9610 BIC: 64.0514 DFE: 12 DependentFiles: {1x3 cell} EstimatedParameterNames: {'Central' 'Peripheral' 'Q12' 'Cl_Central'} ErrorModelInfo: [1x3 table] EstimationFunction: 'lsqnonlin'
Сгенерируйте график остаточных значений в зависимости от времени, чтобы сравнить объединенные и необъединенные результаты подгонки. Фигура указывает, что необъединенные подходящие остаточные значения меньше, чем те из объединенной подгонки как ожидалось. В дополнение к сравнению остаточных значений другие строгие критерии могут использоваться, чтобы сравнить подходящие результаты.
t = [gData.Time;gData.Time]; res_pooled = vertcat(pooledFit.R); res_pooled = res_pooled(:); res_unpooled = vertcat(unpooledFit.R); res_unpooled = res_unpooled(:); plot(t,res_pooled,'o','MarkerFaceColor','w','markerEdgeColor','b') hold on plot(t,res_unpooled,'o','MarkerFaceColor','b','markerEdgeColor','b') refl = refline(0,0); % A reference line representing a zero residual title('Residuals versus Time'); xlabel('Time'); ylabel('Residuals'); legend({'Pooled','Unpooled'});
Этот пример показал, как выполнить объединенное и необъединенное использование оценок sbiofit
. Как проиллюстрировано, необъединенная подгонка составляет изменения из-за определенных предметов в исследовании, и, в этом случае, модель соответствует лучше к данным. Однако объединенная подгонка возвращает параметры всего населения. Если вы хотите оценить параметры всего населения при рассмотрении отдельных изменений использовать sbiofitmixed
.
В этом примере показано, как оценить специфичный для категории (такой как молодой по сравнению со старым, штекерным по сравнению с розеткой), отдельно-специфичные, и параметры всего населения с помощью PK профилируют данные от нескольких индивидуумов.
Фон
Предположим, что вы имеете данные о концентрации плазмы препарата от 30 индивидуумов и хотите оценить фармакокинетические параметры, а именно, объемы центрального и периферийного отсека, разрешения и межразделенного на отсеки разрешения. Примите, что концентрация препарата по сравнению с профилем времени следует за снижением biexponential , где концентрация препарата во время t, и и наклоны для соответствующих экспоненциальных снижений.
Загрузка данных
Эти синтетические данные содержат ход времени плазменных концентраций 30 индивидуумов после дозы шарика (100 мг), измеренных в разное время и для центральных и для периферийных отсеков. Это также содержит категориальные переменные, а именно, Sex
и Age
.
clear
load('sd5_302RAgeSex.mat')
Преобразуйте в groupedData Формат
Преобразуйте набор данных в groupedData
объект, который является необходимым форматом данных для подходящего функционального sbiofit
. groupedData
объект также позволяет вам независимую переменную набора и имена переменных группы (если они существуют). Установите модули ID
Время
, CentralConc
, PeripheralConc
, Age
, и Sex
переменные. Модули являются дополнительными и только необходимыми для UnitConversion
покажите, который автоматически преобразует соответствие с физическими количествами в одну сопоставимую модульную систему.
gData = groupedData(data); gData.Properties.VariableUnits = {'','hour','milligram/liter','milligram/liter','',''}; 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'
IndependentVariableName
и GroupVariableName
свойства были автоматически установлены в Time
и ID
переменные данных.
Визуализируйте данные
Отобразите данные об ответе для каждого индивидуума.
t = sbiotrellis(gData,'ID','Time',{'CentralConc','PeripheralConc'},... 'Marker','+','LineStyle','none'); % Resize the figure. t.hFig.Position(:) = [100 100 1280 800];
Настройте модель 2D отсека
Пользуйтесь встроенной библиотекой PK, чтобы создать модель 2D отсека с дозированием вливания и устранением первого порядка, где уровень устранения зависит от разрешения и объема центрального отсека. Используйте configset
объект включить модульное преобразование.
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;
Для получения дополнительной информации при создании разделенных на отсеки моделей PK с помощью SimBiology® встроенная библиотека, смотрите, Создают Фармакокинетические Модели.
Задайте дозирование
Примите, что каждый индивидуум получает дозу шарика 100 мг во время = 0. Для получения дополнительной информации при подготовке различных стратегий дозирования, смотрите Дозы в Моделях SimBiology.
dose = sbiodose('dose','TargetName','Drug_Central'); dose.StartTime = 0; dose.Amount = 100; dose.AmountUnits = 'milligram'; dose.TimeUnits = 'hour';
Сопоставьте данные об ответе с соответствующими компонентами модели
Данные содержат измеренную плазменную концентрацию в центральных и периферийных отсеках. Сопоставьте эти переменные с соответствующими компонентами модели, которые являются Drug_Central
и Drug_Peripheral
.
responseMap = {'Drug_Central = CentralConc','Drug_Peripheral = PeripheralConc'};
Задайте параметры, чтобы оценить
Задайте объемы центральных и периферийных отсеков Central
и Peripheral
, межразделенное на отсеки разрешение Q12
, и разрешение Cl_Central
как параметры, чтобы оценить. estimatedInfo
объект позволяет вам опционально указать, что параметр преобразовывает, начальные значения и границы параметра. Начиная с обоих Central
и Peripheral
ограничиваются быть положительным, задать логарифмическое преобразование для каждого параметра.
paramsToEstimate = {'log(Central)', 'log(Peripheral)', 'Q12', 'Cl_Central'}; estimatedParam = estimatedInfo(paramsToEstimate,'InitialValue',[1 1 1 1]);
Оцените отдельно-специфичные параметры
Оцените один набор параметров для каждого индивидуума путем установки 'Pooled'
аргумент пары "имя-значение" false
.
unpooledFit = sbiofit(model,gData,responseMap,estimatedParam,dose,'Pooled',false);
Отображение результатов
Постройте подходящие результаты по сравнению с исходными данными для каждого индивидуума (группа).
plot(unpooledFit);
Для необъединенной подгонки, sbiofit
всегда возвращается, каждый заканчивается объект для каждого индивидуума.
Исследуйте оценки параметра на зависимости от категории
Исследуйте необъединенные оценки, чтобы видеть, существуют ли какие-либо специфичные для категории параметры, то есть, если некоторые параметры связаны с одной или несколькими категориями. Если существуют какие-либо зависимости от категории, может быть возможно уменьшать количество степеней свободы путем оценки только специфичных для категории значений для тех параметров.
Сначала извлеките ID и значения категории для каждого ID
catParamValues = unique(gData(:,{'ID','Sex','Age'}));
Добавьте переменные в таблицу, содержащую оценку каждого параметра.
allParamValues = vertcat(unpooledFit.ParameterEstimates); catParamValues.Central = allParamValues.Estimate(strcmp(allParamValues.Name, 'Central')); catParamValues.Peripheral = allParamValues.Estimate(strcmp(allParamValues.Name, 'Peripheral')); catParamValues.Q12 = allParamValues.Estimate(strcmp(allParamValues.Name, 'Q12')); catParamValues.Cl_Central = allParamValues.Estimate(strcmp(allParamValues.Name, 'Cl_Central'));
Постройте оценки каждого параметра для каждой категории. gscatter
требует Statistics and Machine Learning Toolbox™. Если у вас нет его, используйте другие альтернативные функции построения графика, такие как plot
.
h = figure; ylabels = {'Central','Peripheral','Cl\_Central','Q12'}; plotNumber = 1; for i = 1:4 thisParam = estimatedParam(i).Name; % Plot for Sex category subplot(4,2,plotNumber); plotNumber = plotNumber + 1; gscatter(double(catParamValues.Sex), catParamValues.(thisParam), catParamValues.Sex); ax = gca; ax.XTick = []; ylabel(ylabels(i)); legend('Location','bestoutside') % Plot for Age category subplot(4,2,plotNumber); plotNumber = plotNumber + 1; gscatter(double(catParamValues.Age), catParamValues.(thisParam), catParamValues.Age); ax = gca; ax.XTick = []; ylabel(ylabels(i)); legend('Location','bestoutside') end % Resize the figure. h.Position(:) = [100 100 1280 800];
На основе графика кажется, что молодые индивидуумы склонны иметь более высокие объемы центральных и периферийных отсеков (Central
, Peripheral
) чем старые индивидуумы (то есть, объемы, кажется, являются возрастными). Кроме того, штекеры имеют тенденцию иметь более высокий уровень раскрываемости преступлений (Cl_Central
) чем розетки, но противоположное для параметра Q12 (то есть, разрешение и Q12, кажется, сексуально-специфичны).
Оцените специфичные для категории параметры
Используйте 'CategoryVariableName'
свойство estimatedInfo
объект задать, который категория использовать во время подбора кривой. Используйте 'Sex'
как группа к пригодному для разрешения Cl_Central
и Q12
параметры. Используйте 'Age'
как группа к пригодному для Central
и Peripheral
параметры.
estimatedParam(1).CategoryVariableName = 'Age'; estimatedParam(2).CategoryVariableName = 'Age'; estimatedParam(3).CategoryVariableName = 'Sex'; estimatedParam(4).CategoryVariableName = 'Sex'; categoryFit = sbiofit(model,gData,responseMap,estimatedParam,dose)
categoryFit = OptimResults with properties: ExitFlag: 3 Output: [1x1 struct] GroupName: [] Beta: [8x5 table] ParameterEstimates: [120x6 table] J: [240x8x2 double] COVB: [8x8 double] CovarianceMatrix: [8x8 double] R: [240x2 double] MSE: 0.4362 SSE: 205.8690 Weights: [] LogLikelihood: -477.9195 AIC: 971.8390 BIC: 1.0052e+03 DFE: 472 DependentFiles: {1x3 cell} EstimatedParameterNames: {'Central' 'Peripheral' 'Q12' 'Cl_Central'} ErrorModelInfo: [1x3 table] EstimationFunction: 'lsqnonlin'
При подборе кривой по категориям (или группа), sbiofit
всегда возвращается, каждый заканчивается объект, не один для каждого уровня категории. Это вызвано тем, что и штекерные и розеточные индивидуумы считаются частью той же оптимизации с помощью тех же ошибочных параметров модели и параметров ошибок, так же для молодых и старых индивидуумов.
Постройте результаты
Постройте специфичные для категории предполагаемые результаты.
plot(categoryFit);
Для Cl_Central
и Q12
параметры, все штекеры имели те же оценки, и так же для розеток. Для Central
и Peripheral
параметры, у всех молодых индивидуумов были те же оценки, и так же для старых индивидуумов.
Оцените параметры всего населения
Чтобы лучше сравнить результаты, подбирайте модель ко всем данным, объединенным вместе, то есть, оцените один набор параметров для всех индивидуумов путем установки 'Pooled'
аргумент пары "имя-значение" true
. Предупреждающее сообщение говорит вам, что эта опция проигнорирует любую специфичную для категории информацию (если они будут существовать).
pooledFit = sbiofit(model,gData,responseMap,estimatedParam,dose,'Pooled',true);
Warning: CategoryVariableName property of the estimatedInfo object is ignored when using the 'Pooled' option.
Постройте результаты
Постройте подходящие результаты по сравнению с исходными данными. Несмотря на то, что отдельный график был сгенерирован для каждого индивидуума, данные были адаптированы с помощью того же набора параметров (то есть, у всех индивидуумов была та же подходящая линия).
plot(pooledFit);
Сравните остаточные значения
Сравните остаточные значения CentralConc
и PeripheralConc
ответы для каждой подгонки.
t = gData.Time; allResid(:,:,1) = pooledFit.R; allResid(:,:,2) = categoryFit.R; allResid(:,:,3) = vertcat(unpooledFit.R); h = figure; responseList = {'CentralConc', 'PeripheralConc'}; for i = 1:2 subplot(2,1,i); oneResid = squeeze(allResid(:,i,:)); plot(t,oneResid,'o'); refline(0,0); % A reference line representing a zero residual title(sprintf('Residuals (%s)', responseList{i})); xlabel('Time'); ylabel('Residuals'); legend({'Pooled','Category-Specific','Unpooled'}); end % Resize the figure. h.Position(:) = [100 100 1280 800];
Как показано в графике, необъединенная подгонка произвела лучшую подгонку к данным, когда это соответствует данным к каждому индивидууму. Это ожидалось, поскольку это использовало большую часть количества степеней свободы. Подгонка категории уменьшала количество степеней свободы подгонкой данных к двум категориям (пол и возраст). В результате остаточные значения были больше, чем необъединенная подгонка, но еще меньшими, чем подгонка населения, которая оценила всего один набор параметров для всех индивидуумов. Подходящая категорией сила быть хорошим компромиссом между необъединенным и объединенным подбором кривой при условии, что любая иерархическая модель существует в ваших данных.
Этот пример использует дрожжи гетеротримерные данные модели белка G и экспериментальные данные, о которых сообщают [1]. Для получения дополнительной информации о модели, смотрите раздел Background в Сканировании Параметра, Оценке Параметра и Анализе чувствительности в Дрожжах Гетеротримерный Цикл Белка G.
Загрузите модель белка G.
sbioloadproject gprotein
Храните экспериментальные данные, содержащие курс времени для части активного белка G.
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]';
Создайте groupedData
основанный на объектах на экспериментальных данных.
tbl = table(time,GaFracExpt); grpData = groupedData(tbl);
Сопоставьте соответствующий компонент модели с экспериментальными данными. Другими словами, укажите, которому разновидность в модели соответствует который переменная отклика в данных. В этом примере сопоставьте параметр модели GaFrac
к переменной GaFracExpt
экспериментальных данных от
grpData
.
responseMap = 'GaFrac = GaFracExpt';
Используйте estimatedInfo
объект задать параметр модели kGd
в качестве параметра быть оцененным.
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 построить результаты симуляции модели с помощью предполагаемого значения параметров. Можно или повторно выполнить sbiofit
функционируйте и задайте, чтобы возвратить дополнительный второй выходной аргумент, который содержит результаты симуляции, или используйте fitted
метод, чтобы получить результаты, не повторно выполняя sbiofit
.
[yfit,paramEstim] = fitted(fitResult);
Постройте результаты симуляции.
sbioplot(yfit);
В этом примере показано, как оценить задержку, прежде чем доза шарика была введена и длительность дозы с помощью модели с одним отсеком.
Загрузите набор выборочных данных.
load lagDurationData.mat
Отобразите данные на графике.
plot(data.Time,data.Conc,'x') xlabel('Time (hour)') ylabel('Conc (milligram/liter)')
Преобразуйте в groupedData.
gData = groupedData(data); gData.Properties.VariableUnits = {'hour','milligram/liter'};
Создайте модель с одним отсеком.
pkmd = PKModelDesign; pkc1 = addCompartment(pkmd,'Central'); pkc1.DosingType = 'Bolus'; pkc1.EliminationType = 'linear-clearance'; pkc1.HasResponseVariable = true; model = construct(pkmd); configset = getconfigset(model); configset.CompileOptions.UnitConversion = true;
Добавьте два параметра, которые представляют задержку и длительность дозы. Параметр задержки задает задержку, прежде чем доза будет введена. Параметр длительности задает отрезок времени, который требуется, чтобы ввести дозу.
lagP = addparameter(model,'lagP'); lagP.ValueUnits = 'hour'; durP = addparameter(model,'durP'); durP.ValueUnits = 'hour';
Создайте объект дозы. Установите LagParameterName
и DurationParameterName
свойства дозы к именам параметров задержки и длительности, соответственно. Установите суммарную дозу на 10 миллиграммов, которая была суммой, используемой, чтобы сгенерировать данные.
dose = sbiodose('dose'); dose.TargetName = 'Drug_Central'; dose.StartTime = 0; dose.Amount = 10; dose.AmountUnits = 'milligram'; dose.TimeUnits = 'hour'; dose.LagParameterName = 'lagP'; dose.DurationParameterName = 'durP';
Сопоставьте разновидности модели с соответствующими данными.
responseMap = {'Drug_Central = Conc'};
Задайте параметры задержки и длительности как параметры, чтобы оценить. Логарифмическое преобразование параметры. Инициализируйте их к 2 и установите верхнюю границу и нижнюю границу.
paramsToEstimate = {'log(lagP)','log(durP)'}; estimatedParams = estimatedInfo(paramsToEstimate,'InitialValue',2,'Bounds',[1 5]);
Выполните оценку параметра.
fitResults = sbiofit(model,gData,responseMap,estimatedParams,dose,'fminsearch')
fitResults = OptimResults with properties: ExitFlag: 1 Output: [1x1 struct] GroupName: One group Beta: [2x4 table] ParameterEstimates: [2x4 table] J: [11x2 double] COVB: [2x2 double] CovarianceMatrix: [2x2 double] R: [11x1 double] MSE: 0.0024 SSE: 0.0213 Weights: [] LogLikelihood: 18.7511 AIC: -33.5023 BIC: -32.7065 DFE: 9 DependentFiles: {1x2 cell} EstimatedParameterNames: {'lagP' 'durP'} ErrorModelInfo: [1x3 table] EstimationFunction: 'fminsearch'
Отобразите результат.
fitResults.ParameterEstimates
ans=2×4 table
Name Estimate StandardError Bounds
________ ________ _____________ ______
{'lagP'} 1.986 0.0051568 1 5
{'durP'} 1.527 0.012956 1 5
plot(fitResults)
sm
— Модель SimBiologyМодель SimBiology в виде SimBiology model object
. Активное configset object
из модели содержит настройки решателя для симуляции. Любые активные дозы и варианты применяются к модели в процессе моделирования, если не задано в противном случае использование dosing
и variants
входные параметры, соответственно.
grpData
— Данные, чтобы соответствоватьДанные, чтобы соответствовать в виде a groupedData object
.
Имя переменной времени должно быть задано в IndependentVariableName
свойство grpData
. Например, если именем переменной времени является 'TIME'
, затем задайте его можно следующим образом.
grpData.Properties.IndependentVariableName = 'TIME';
Если данные содержат больше чем одну группу измерений, имя сгруппированной переменной должно быть задано в GroupVariableName
свойство grpData
. Например, если именем сгруппированной переменной является 'GROUP'
, затем задайте его можно следующим образом.
grpData.Properties.GroupVariableName = 'GROUP';
Примечание
sbiofit
использует categorical
функция, чтобы идентифицировать группы. Если какие-либо значения группы преобразованы в то же значение categorical
, затем те наблюдения обработаны как принадлежащий той же группе. Например, если некоторые наблюдения не имеют никакой информации о группе (то есть, пустой символьный вектор ''
то categorical
преобразует пустые символьные вектора в <undefined>
, и эти наблюдения обработаны как одна группа.
ResponseMap
— Отображение информации компонентов модели к grpData
Отображение информации компонентов модели к grpData
В виде вектора символов, строки, вектора строки или массива ячеек из символьных векторов.
Каждый вектор символов или строка являются подобным уравнению выражением, похожим на правила присвоения в SimBiology. Это содержит имя (или полностью определенное имя) количества (разновидности, отсек или параметр) или observable
объект в модели sm
, сопровождаемый символьным '='
и имя переменной в grpData
. Для ясности пробелы позволены между именами и '='
.
Например, если у вас есть данные о концентрации 'CONC'
в grpData
для разновидности 'Drug_Central'
, можно задать его можно следующим образом.
ResponseMap = 'Drug_Central = CONC';
Чтобы назвать разновидность однозначно, используйте полностью определенное имя, которое включает имя отсека. Чтобы назвать ограниченный по объему реакцией параметр, используйте имя реакции, чтобы квалифицировать параметр.
Если имя компонента модели или grpData
именем переменной не является допустимый MATLAB® имя переменной, окружите его квадратными скобками, такими как:
ResponseMap = '[Central 1].Drug = [Central 1 Conc]';
Если само имя переменной содержит квадратные скобки, вы не можете использовать его в выражении, чтобы задать информацию об отображении.
Ошибка выпущена, если какое-либо (квалифицированное) имя совпадает с двумя компонентами того же типа. Однако можно использовать (квалифицированное) имя, которое совпадает с двумя компонентами различных типов, и функция сначала находит разновидности с именем, сопровождаемым отсеками и затем параметрами.
estiminfo
— Предполагаемые параметрыestimatedInfo
возразите | вектор из estimatedInfo
объектыПредполагаемые параметры в виде EstimatedInfo object
или вектор из estimatedInfo
объекты, который задает предполагаемые параметры в модели sm
, и другая дополнительная информация, такая как их первоначальные оценки, преобразования, связала ограничения и категории. Поддерживаемыми преобразованиями является log
, logit
, и probit
. Для получения дополнительной информации смотрите Преобразования Параметра.
Можно задать границы для всех методов оценки. Нижняя граница должна быть меньше верхней границы. Для получения дополнительной информации см. boundValues.
При использовании scattersearch
, необходимо задать конечные преобразованные границы для каждого предполагаемого параметра.
При использовании fminsearch
, nlinfit
, или fminunc
с границами целевая функция возвращает Inf
если границы превышены. Когда вы включаете опции, такие как FunValCheck
, оптимизация может ошибка, если границы превышены во время оценки. При использовании nlinfit
, это может сообщить о предупреждениях о якобиане, являющемся плохо обусловленным или не бывшем способном оценивать, слишком близок ли конечный результат к границам.
Если вы не задаете Pooled
аргумент пары "имя-значение", sbiofit
использование CategoryVariableName
свойство estiminfo
решить, должны ли параметры быть оценены для каждого индивидуума, группы, категории или всех индивидуумов в целом. Используйте Pooled
опция, чтобы заменить любой CategoryVariableName
значения. Для получения дополнительной информации о CategoryVariableName
свойство, смотрите EstimatedInfo object
.
Примечание
sbiofit
использует categorical
функция, чтобы идентифицировать группы или категории. Если какие-либо значения группы преобразованы в то же значение categorical
, затем те наблюдения обработаны как принадлежащий той же группе. Например, если некоторые наблюдения не имеют никакой информации о группе (то есть, пустой символьный вектор ''
как значение группы), затем categorical
преобразует пустые символьные вектора в <undefined>
, и эти наблюдения обработаны как одна группа.
dosing
— Информация о дозах[]
| {}
| 2D матрица дозы возражает | вектор ячейки из объектов дозыИнформация о дозах в виде пустого массива ([]
или {}
), 2D матрица или вектор ячейки из объектов дозы (ScheduleDose object
или RepeatDose object
).
Если вы не используете dosing
введите, функция применяет активные дозы модели, если существует кто-либо.
Если вы задаете вход как пустой []
или {}
, 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.
Примечание
С R2021b дозы в столбцах больше не требуются, чтобы иметь ту же настройку. Если вы ранее создали (фиктивные) дозы по умолчанию, чтобы заполнить столбцы, эти дозы по умолчанию не оказывают влияния и не указывают ни на какое дозирование.
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.
functionName
— Имя функции оценкиИмя функции оценки в виде вектора символов или строки. Выбор следующие.
"fminsearch"
"nlinfit"
(Statistics and Machine Learning Toolbox требуется.)
"fminunc"
(Optimization Toolbox требуется.)
"fmincon"
(Optimization Toolbox требуется.)
"lsqcurvefit"
(Optimization Toolbox требуется.)
"lsqnonlin"
(Optimization Toolbox требуется.)
"patternsearch"
(Global Optimization Toolbox требуется.)
"ga"
(Global Optimization Toolbox требуется.)
"particleswarm"
(Global Optimization Toolbox требуется.)
По умолчанию, sbiofit
использует первую доступную функцию оценки среди следующего: lsqnonlin
(Optimization Toolbox), nlinfit
(Statistics and Machine Learning Toolbox), или fminsearch
. Тот же приоритет применяется к локальному выбору решателя по умолчанию за scattersearch
.
Для сводных данных поддерживаемых методов и подходящих опций, см. Поддерживаемые Методы для Оценки Параметра SimBiology.
options
— Опции, характерные для функции оценкиoptimoptions
объектОпции, характерные для оценки, функционируют в виде struct или optimoptions
объект.
statset
struct для nlinfit
optimset
struct для fminsearch
optimoptions
объект для lsqcurvefit
, lsqnonlin
, fmincon
, fminunc
, particleswarm
, ga
, и patternsearch
struct
для scattersearch
Смотрите Опции по умолчанию для Алгоритмов Оценки для получения дополнительной информации и опции по умолчанию, сопоставленные с каждой функцией оценки.
variants
— Варианты[]
| {}
| вектор из различных объектовВарианты в виде пустого массива ([]
или {}
) или вектор из различных объектов.
Если вы
Не используйте этот входной параметр, функция применяет активные варианты модели, если существует кто-либо.
Задайте этот вход как пустой, никакие варианты не используются, даже если модель имеет активные варианты.
Задайте этот вход как вектор из вариантов, функция применяет заданные варианты ко всем симуляциям, и активные варианты модели не используются.
Задайте этот вход как вектор из вариантов и также задайте Variants
аргумент значения имени, функция применяет варианты, заданные в этом входном параметре прежде, чем применить тех заданных в аргументе значения имени.
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
.
'ErrorModel','constant','UseParallel',true
задает постоянную ошибочную модель и запускать параллельные симуляции во время оценки параметра.ErrorModel
— Модель Error'constant'
(значение по умолчанию) | вектор символов | представляет в виде строки | вектор строки | массив ячеек вектора символов | категориальный вектор | таблицаОшибочные модели, используемые для оценки в виде вектора символов, строки, представляют в виде строки вектор, массив ячеек из символьных векторов, категориальный вектор или таблицу.
Если это - таблица, это должно содержать одну переменную, которая является вектор-столбцом ошибочных имен модели. Имена могут быть массивом ячеек из символьных векторов, вектором строки или вектором из категориальных переменных. Если таблица имеет больше чем одну строку, то RowNames
свойство должно совпадать с именами переменной отклика, заданными в правой стороне ResponseMap
. Если таблица не использует RowNames
свойство, n th ошибка сопоставлен с n th ответ.
Если вы задаете только одну ошибочную модель, то sbiofit
оценки один набор параметров ошибок для всех ответов.
Если вы задаете несколько ошибочных моделей с помощью категориального вектора, вектора строки, или массив ячеек из символьных векторов, длина векторного массива или массива ячеек должна совпадать с количеством ответов в ResponseMap
.
Можно задать несколько ошибочных моделей, только если вы используете эти методы: lsqnonlin
, lsqcurvefit
, fmincon
, fminunc
fminsearch
, patternsearch
, ga
, и particleswarm
.
Четыре встроенных ошибочных модели доступны. Каждая модель задает ошибку стандартный средний нуль и переменная (Gaussian) модульного отклонения e, результаты симуляции f и один или два параметра a и b.
"constant"
:
"proportional"
:
"combined"
:
"exponential"
:
Примечание
Если вы задаете ошибочную модель, вы не можете задать веса за исключением постоянной ошибочной модели.
Если вы используете пропорциональную или объединенную ошибочную модель во время подбора кривой данных, стараетесь не задавать точки данных время от времени, где решение (результат симуляции) является нулем, или устойчивое состояние является нулем. В противном случае можно столкнуться с проблемами деления на нуль. Рекомендуется, чтобы вы удалили те точки данных из набора данных. Для получения дополнительной информации на функциях оценки параметра ошибок, смотрите Оценку Наибольшего правдоподобия.
Weights
— Веса используются для подбора кривой[]
(значение по умолчанию) | матрица | указатель на функциюВеса используются для подбора кривой в виде пустого массива []
, матрица действительных положительных весов, где количество столбцов соответствует количеству ответов или указателю на функцию, который принимает вектор из предсказанных значений отклика и возвращает вектор из действительных положительных весов.
Если вы задаете ошибочную модель, вы не можете использовать веса за исключением постоянной ошибочной модели. Если ни один ErrorModel
или Weights
задан, по умолчанию, программное обеспечение использует постоянную ошибочную модель с равными весами.
Variants
— Специфичные для группы варианты[]
| {}
| 2D матрица вариантов | вектор ячейки из вариантовСпецифичные для группы варианты в виде пустого массива ([]
или {}
), 2D матрица или вектор ячейки из различных объектов. Эти варианты позволяют вам задать значения параметров для определенных групп во время подбора кривой. Программное обеспечение применяет эти специфичные для группы варианты после активных вариантов или variants
входной параметр. Если значение пусто ([]
или {}
), никакие специфичные для группы варианты не применяются.
Для матрицы различных объектов количество строк должно быть один или должно совпадать с количеством групп во входных данных. i th строка различных объектов применяется к симуляции i th группа. Варианты применяются в порядке от первого столбца до последнего. Если эта матрица имеет только одну строку вариантов, они применяются ко всем симуляциям.
Для вектора 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 этот вектор ячейки имеет отдельную ячейку, содержащую вектор из вариантов, они применяются ко всем симуляциям. Если вектор ячейки имеет несколько ячеек, варианты в i th ячейка применяются к симуляции i th группа.
В дополнение к ручному построению различных объектов с помощью sbiovariant
, если вход groupedData
объект имеет различную информацию, можно использовать createVariants
создать варианты.
Pooled
— Подходящий флаг опцииfalse
или 0
(значение по умолчанию) | true
или 1
Подходящий флаг опции, чтобы соответствовать каждому индивидууму или объединить все отдельные данные в виде числового или логического 1
TRUE
) или 0
ложь
).
Когда true
, программное обеспечение выполняет подхождение всем индивидуумам или группам, одновременно использующим те же оценки параметра и fitResults
скалярный объект результатов.
Когда false
, программное обеспечение соответствует каждой группе или индивидууму, отдельно использующему группу - или отдельно-специфичные параметры и fitResults
вектор из объектов результатов одним результатом для каждой группы.
Примечание
Используйте эту опцию, чтобы заменить любой CategoryVariableName
значения estiminfo
.
UseParallel
— Отметьте для параллельных симуляцийfalse
или 0
(значение по умолчанию) | true
или 1
Отметьте, чтобы включить распараллеливание в виде числового или логического 1
TRUE
) или 0
ложь
). Если true
и Parallel Computing Toolbox™ доступен, sbiofit
поддержки несколько уровней распараллеливания, но только один уровень используется за один раз.
Для необъединенной подгонки (Pooled
= false
) для нескольких групп каждая подгонка запущена параллельно.
Для объединенной подгонки (Pooled
= true
), распараллеливание происходит на уровне решателя. Другими словами, расчеты решателя, такие как оценки целевой функции, запущены параллельно.
Для получения дополнительной информации смотрите Несколько Оценок Параметра параллельно.
SensitivityAnalysis
— Отметьте, чтобы использовать чувствительность параметра, чтобы определить градиенты целевой функцииfalse
или 0
(значение по умолчанию) | true
или 1
Отметьте, чтобы использовать чувствительность параметра, чтобы определить градиенты целевой функции в виде числового или логического 1
TRUE
) или 0
ложь
). По умолчанию это - true
для fmincon
, fminunc
, lsqnonlin
, lsqcurvefit
, и scattersearch
методы. В противном случае это - false
.
Если это - true
, программное обеспечение всегда использует sundials
решатель, независимо от того, что вы выбрали как SolverType
свойство в Configset
объект.
Программное обеспечение использует метод приближения комплексного шага, чтобы вычислить чувствительность параметра. Такая расчетная чувствительность может использоваться, чтобы определить градиенты целевой функции во время оценки параметра, чтобы улучшить подбор кривой. Поведение по умолчанию sbiofit
должен использовать такую чувствительность, чтобы определить градиенты каждый раз, когда алгоритм основан на градиенте и если модель SimBiology поддерживает анализ чувствительности. Для получения дополнительной информации о требованиях модели и анализе чувствительности, смотрите Анализ чувствительности в SimBiology.
ProgressPlot
— Отметьте, чтобы показать прогресс оценки параметраfalse
или 0
(значение по умолчанию) | true
или 1
Отметьте, чтобы показать прогресс оценки параметра в виде числового или логического 1
TRUE
) или 0
ложь
). Если true
, новая фигура открывается содержащий графики.
Графики показывают логарифмическую правдоподобность, критерии завершения и оцененные параметры для каждой итерации. Эта опция не поддерживается для nlinfit
.
Если вы используете функции Optimization Toolbox (fminunc
, fmincon
, lsqcurvefit
, lsqnonlin
), рисунок также показывает Оптимальность Первого порядка (Optimization Toolbox) график.
Для необъединенной подгонки каждая линия на графиках представляет индивидуума. Для объединенной подгонки одна строка представляет всех индивидуумов. Линия становится увядшей, когда подгонка завершена. Графики также отслеживают прогресс, когда вы запускаетесь sbiofit
(и для объединенных и для необъединенных подгонок) в параллельных использующих удаленных кластерах. Для получения дополнительной информации см. График Прогресса.
fitResults
— Результаты оценкиOptimResults
возразите | NLINResults
возразите | вектор из объектов результатовРезультаты оценки, возвращенные как a OptimResults
object
или NLINResults object
или вектор из этих объектов. Оба объекта результатов являются подклассами LeastSquaresResults object
.
Если функция использует nlinfit
(Statistics and Machine Learning Toolbox), затем fitResults
isa NLINResults
object
. В противном случае, fitResults
OptimResults object
.
Для необъединенной подгонки функция соответствует каждой группе, отдельно использующей специфичные для группы параметры и fitResults
вектор из объектов результатов с, каждый заканчивается объект для каждой группы.
Для объединенной подгонки функция выполняет подхождение всем индивидуумам или группам, одновременно использующим те же оценки параметра и fitResults
скалярный объект результатов.
Когда объединенная опция не задана, и CategoryVariableName
значения estimatedInfo
объектами является весь <none>
, fitResults
один объект результатов. Это - то же поведение как объединенная подгонка.
Когда объединенная опция не задана, и CategoryVariableName
значения estimatedInfo
объектами является весь <GroupVariableName>
, fitResults
вектор из объектов результатов. Это - то же поведение как необъединенная подгонка.
Во всех других случаях, fitResults
скалярный объект, содержащий оцененные значения параметров для различных групп или категорий, заданных CategoryVariableName
.
simdata
— Результаты симуляцииSimData
объектыРезультаты симуляции, возвращенные как вектор из SimData
объекты, представляющие результаты симуляции для каждой группы или индивидуума.
Если 'Pooled'
опцией является false
, затем каждая симуляция использует специфичные для группы значения параметров. Если true
, затем все симуляции используют те же значения параметров (всего населения).
О состояниях сообщают в simdata
состояния, которые были включены в ResponseMap
входной параметр и любые другие состояния, перечисленные в StatesToLog
свойство опций во время выполнения (RuntimeOptions
) из модели SimBiology sm
.
SimBiology® оценочные параметры методом наибольшего правдоподобия. Вместо того, чтобы непосредственно максимизировать функцию правдоподобия, SimBiology создает эквивалентную проблему минимизации. Каждый раз, когда возможно, оценка формулируется как оптимизация метода взвешенных наименьших квадратов (WLS), которая минимизирует сумму квадратов взвешенных остаточных значений. В противном случае оценка формулируется как минимизация отрицания логарифма вероятности (NLL). Формулировка WLS часто сходится лучше, чем формулировка NLL, и SimBiology может использовать в своих интересах специализированные алгоритмы WLS, такие как алгоритм Levenberg-Marquardt, реализованный в lsqnonlin
и lsqcurvefit
. SimBiology использует WLS, когда существует одна ошибочная модель, которая является постоянной, пропорциональной, или экспоненциальной. SimBiology использует NLL, если у вас есть объединенная ошибочная модель или модель нескольких-ошибок, то есть, модель, имеющая ошибочную модель для каждого ответа.
sbiofit
поддерживает различные методы оптимизации и передает в сформулированном WLS или выражении NLL к методу оптимизации, который минимизирует его. Для простоты каждое выражение, показанное ниже, принимает только одну ошибочную модель и один ответ. Если существуют множественные ответы, SimBiology берет сумму выражений, которые соответствуют ошибочным моделям данных ответов.
Выражение, которое минимизируется | |
---|---|
Метод взвешенных наименьших квадратов (WLS) | Для постоянной ошибочной модели, |
Для пропорциональной ошибочной модели, | |
Для экспоненциальной ошибочной модели, | |
Для числовых весов, | |
Отрицательная логарифмическая правдоподобность (NLL) | Для объединенной ошибочной модели и модели нескольких-ошибок, |
Переменные определяются следующим образом.
N | Количество экспериментальных наблюдений |
yi | i th экспериментальное наблюдение |
Ожидаемое значение i th наблюдение | |
Стандартное отклонение i th наблюдение.
| |
Вес i th ожидаемое значение | |
Когда вы используете числовые веса или функцию веса, веса приняты, чтобы быть обратно пропорциональными отклонению ошибки, то есть, где a является постоянным параметром ошибок. Если вы используете веса, вы не можете задать ошибочную модель кроме постоянной ошибочной модели.
Различные методы оптимизации имеют различные требования к функции, которая минимизируется. Для некоторых методов оценка параметров модели выполняется независимо от оценки ошибочных параметров модели. Следующая таблица обобщает ошибочные модели и любые отдельные формулы, используемые для оценки ошибочных параметров модели, где a и b являются ошибочными параметрами модели, и e является стандартным средним нулем и переменной (Gaussian) модульного отклонения.
Ошибочная модель | Функция оценки параметра ошибок |
---|---|
'constant' : | |
'exponential' : | |
'proportional' : | |
'combined' : | Параметры ошибок включены в минимизацию. |
Веса |
Примечание
nlinfit
только поддержите одну ошибочные модели, не модели нескольких-ошибок, то есть, специфичные для ответа ошибочные модели. Для объединенной ошибочной модели это использует итеративный алгоритм WLS. Для других ошибочных моделей это использует алгоритм WLS, аналогичный описанному ранее. Для получения дополнительной информации смотрите nlinfit
(Statistics and Machine Learning Toolbox).
Следующая таблица обобщает опции по умолчанию для различных функций оценки.
Функция | Опции по умолчанию | ||||||
---|---|---|---|---|---|---|---|
nlinfit (Statistics and Machine Learning Toolbox) |
| ||||||
fmincon (Optimization Toolbox) |
| ||||||
fminunc (Optimization Toolbox) |
| ||||||
fminsearch |
| ||||||
lsqcurvefit (Optimization Toolbox), lsqnonlin (Optimization Toolbox) | Требует Optimization Toolbox.
| ||||||
patternsearch (Global Optimization Toolbox) | Требует Global Optimization Toolbox.
| ||||||
ga (Global Optimization Toolbox) | Требует Global Optimization Toolbox.
| ||||||
particleswarm (Global Optimization Toolbox) | Требует Global Optimization Toolbox.
| ||||||
scattersearch | Смотрите поля точек алгоритм поиска. |
scattersearch
метод реализует глобальный алгоритм оптимизации [2], который обращается к некоторым проблемам оценки параметра динамические модели, такие как сходимость к локальным минимумам.
Алгоритм выбирает подмножество точек от начального пула точек. В том подмножестве некоторые точки являются лучшими по качеству (то есть, самое низкое значение функции), и некоторые случайным образом выбраны. Алгоритм итеративно оценивает точки и исследует различные направления вокруг различных решений найти лучшие решения. Во время этого шага итерации алгоритм заменяет любое старое решение на новое лучшего качества. Итерации продолжают, пока любому критерию остановки не соответствуют. Это затем запускает локальный решатель на лучшей точке.
Инициализация
Чтобы запустить поля точек поиск, алгоритм сначала решает общее количество необходимых точек (NumInitialPoints
). По умолчанию общим количеством является 10*N
, где N является количеством предполагаемых параметров. Это выбирает NumInitialPoints
точки (строки) от InitialPointMatrix
. Если InitialPointMatrix
не имеет достаточного количества точек, алгоритм вызывает функцию, определяемую в CreationFcn
сгенерировать дополнительные необходимые точки. По умолчанию латинская выборка гиперкуба используется, чтобы сгенерировать эти дополнительные точки. Алгоритм затем выбирает подмножество NumTrialPoints
точки от NumInitialPoints
'points'. Часть (FractionInitialBest
) из подмножества содержит лучшие точки в терминах качества. Остающиеся точки в подмножестве случайным образом выбраны.
Шаги итерации
Алгоритм выполняет итерации на точках в подмножестве можно следующим образом:
Задайте гиперпрямоугольники вокруг каждой пары точек при помощи относительных качеств (то есть, значения функции) этих точек как мера смещения, чтобы создать эти прямоугольники.
Оцените новое решение в каждом прямоугольнике. Если новое решение превосходит исходное решение по характеристикам, замените оригинал на новый.
Примените движение - вне стратегии к улучшенным решениям и использованию многообещающие направления, чтобы найти лучшие решения.
Запустите локальный поиск в каждом LocalSearchInterval
итерация. Используйте LocalSelectBestProbability
вероятность, чтобы выбрать лучшую точку как начальную точку для локального поиска. По умолчанию решение случайно, давая равному шансу выбрать лучшую точку или случайную точку от испытательных точек. Если новое решение превосходит старое решение по характеристикам, замените старый на новый.
Замените любую остановленную точку, которая не производит нового решения для поражения после MaxStallTime
секунды с другой точкой от начального набора.
Оцените критерий остановки. Прекратите выполнять итерации, если каким-либо критериям соответствуют.
Алгоритм затем запускает локальный решатель на лучшей замеченной точке.
Критерий остановки
Алгоритм выполняет итерации, пока он не достигает останавливающегося критерия.
Остановка опции | Остановка теста |
---|---|
FunctionTolerance и MaxStallIterations | Относительное изменение в лучшем значении целевой функции по последнему |
MaxIterations | Количество итераций достигает |
OutputFcn |
|
ObjectiveLimit | Лучшее значение целевой функции в итерации меньше чем или равно |
MaxStallTime | Лучшее значение целевой функции не изменилось в последнем |
MaxTime | Функциональное время выполнения превышает |
Вы создаете опции для алгоритма с помощью struct
.
Опция | Описание |
---|---|
CreationFcn | Обработайте к функции, которая создает дополнительные точки, необходимые для алгоритма. Значением по умолчанию является вектор символов Функциональная подпись: |
Display | Level of display возвращен в командную строку.
|
FractionInitialBest | Числовой скаляр от |
FunctionTolerance | Числовой скаляр от |
InitialPointMatrix | Начальная буква (или частичный) набор точек. M-by-N действительная конечная матрица, где M является числом точек и N, является количеством предполагаемых параметров. Если M
Если M
Значением по умолчанию являются преобразованные значения начальной буквы предполагаемых параметров, сохраненных в |
LocalOptions | Опции для локального решателя. Это может быть
|
LocalSearchInterval | Положительное целое число. Значением по умолчанию является |
LocalSelectBestProbability | Числовой скаляр от |
LocalSolver | Вектор символов или строка, задающая имя локального решателя. Поддерживаемыми методами является Локальный решатель по умолчанию выбран со следующим приоритетом:
|
MaxIterations | Положительное целое число. Значением по умолчанию является вектор символов |
MaxStallIterations | Положительное целое число. Значением по умолчанию является |
MaxStallTime | Положительная скалярная величина. Значением по умолчанию является |
MaxTime | Положительная скалярная величина. Значением по умолчанию является |
NumInitialPoints | Положительное целое число, которое является |
NumTrialPoints | Положительное целое число, которое является |
ObjectiveLimit | Скаляр. Значением по умолчанию является |
OutputFcn | Указатель на функцию или cell-массив указателей на функцию. Выходные функции могут считать итеративные данные и остановить решатель. Значением по умолчанию является Подписью выходной функции является
|
TrialStallLimit | Положительное целое число, со значением по умолчанию |
UseParallel | Логический флаг, чтобы вычислить целевую функцию параллельно. Значением по умолчанию является |
XTolerance | Числовой скаляр от Получить отчет каждого потенциального локального минимального, набора |
Существует два способа использовать параллельные вычисления для оценки параметра.
'UseParallel'
к истинеВключить распараллеливание для sbiofit
, установите пару "имя-значение" 'UseParallel'
к true
. Функция поддерживает несколько уровней распараллеливания, но только один уровень используется за один раз. Для необъединенного пригодного для нескольких групп (или индивидуумы), каждая подгонка запускается параллельно. Для объединенной подгонки распараллеливание происходит на уровне решателя, если решатель поддерживает его. Таким образом, sbiofit
устанавливает параллельную опцию соответствующего метода оценки (решатель) к истине, и вычисления функции возражения выполняются параллельно. Например, градиенты вычисляются параллельно для основанных на градиенте методов. Если вы выполняете объединенную подгонку с несколькими группами, использующими решатель, который не имеет параллельной опции, симуляции запущенный параллельно для каждой группы во время оптимизации (оценка наибольшего правдоподобия).
parfeval
или parfor
Можно также вызвать sbiofit
внутри a parfor
цикл или использование a parfeval
внутри a for
- цикл, чтобы выполнить несколько оценок параметра параллельно. Рекомендуется, чтобы вы использовали parfeval
потому что эти параллельные оценки, запущенные асинхронно. Если одна подгонка производит ошибку, она не влияет на другие подгонки.
При попытке найти глобальный минимум, можно использовать глобальные решатели, такой как particleswarm
(Global Optimization Toolbox) или ga
(Global Optimization Toolbox) (Global Optimization Toolbox требуется). Однако, если вы хотите задать начальные условия и запустить подгонки параллельно, смотрите следующий пример, который показывает, как использовать обоих parfor
и parfeval
.
Модель и Setup данных
Загрузите модель белка G.
sbioloadproject gprotein
Храните экспериментальные данные, содержащие курс времени для части активного белка G [1].
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]';
Создайте a groupedData object
на основе экспериментальных данных.
tbl = table(time,GaFracExpt); grpData = groupedData(tbl);
Сопоставьте соответствующий элемент модели с экспериментальными данными.
responseMap = 'GaFrac = GaFracExpt';
Задайте параметр, чтобы оценить.
paramToEstimate = {'kGd'};
Сгенерируйте начальные значения параметров для kGd
.
rng('default');
iniVal = abs(normrnd(0.01,1,10,1));
fitResultPar = [];
Параллельный Setup пула
Запустите параллельный пул с помощью локального профиля.
poolObj = parpool('local');
Starting parallel pool (parpool) using the 'local' profile ... Connected to the parallel pool (number of workers: 6).
Используя parfeval
(Рекомендуемый)
Во-первых, задайте указатель на функцию, который использует локальную функцию sbiofitpar
для оценки. Убедитесь функциональный sbiofitpar
задан в конце скрипта.
optimfun = @(x) sbiofitpar(m1,grpData,responseMap,x);
Выполните несколько оценок параметра параллельно через parfeval
использование различных начальных значений параметров.
for i=1:length(iniVal) f(i) = parfeval(optimfun,1,iniVal(i)); end fitResultPar = fetchOutputs(f);
Обобщите результаты для каждого запуска.
allParValues = vertcat(fitResultPar.ParameterEstimates); allParValues.LogLikelihood = [fitResultPar.LogLikelihood]'; allParValues.RunNumber = (1:length(iniVal))'; allParValues.Name = categorical(allParValues.Name); allParValues.InitialValue = iniVal; % Rearrange the columns. allParValues = allParValues(:,[5 1 6 2 3 4]); % Sort rows by LogLikelihood. sortrows(allParValues,'LogLikelihood')
ans=10×6 table
RunNumber Name InitialValue Estimate StandardError LogLikelihood
_________ ____ ____________ ________ _____________ _____________
9 kGd 3.5884 3.022 0.127 -1.2843
10 kGd 2.7794 2.779 0.029701 -1.2319
3 kGd 2.2488 2.2488 0.096013 -1.0786
2 kGd 1.8439 1.844 0.28825 -0.90104
6 kGd 1.2977 1.2977 0.011344 -0.48209
4 kGd 0.87217 0.65951 0.003583 0.9279
1 kGd 0.54767 0.54776 0.0020424 1.5323
7 kGd 0.42359 0.42363 0.0024555 2.6097
8 kGd 0.35262 0.35291 0.00065289 3.6098
5 kGd 0.32877 0.32877 0.00042474 4.0604
Задайте локальную функцию sbiofitpar
это выполняет использование оценки параметра sbiofit
.
function fitresult = sbiofitpar(model,grpData,responseMap,initialValue) estimatedParam = estimatedInfo('kGd'); estimatedParam.InitialValue = initialValue; fitresult = sbiofit(model,grpData,responseMap,estimatedParam); end
Используя parfor
В качестве альтернативы можно выполнить несколько оценок параметра параллельно через parfor
цикл.
parfor i=1:length(iniVal) estimatedParam = estimatedInfo(paramToEstimate,'InitialValue',iniVal(i)); fitResultTemp = sbiofit(m1,grpData,responseMap,estimatedParam); fitResultPar = [fitResultPar;fitResultTemp]; end
Закройте параллельный пул.
delete(poolObj);
sbiofit
глобальные методы оптимизации поддержек, а именно, ga
(Global Optimization Toolbox) и particleswarm
(Global Optimization Toolbox) (требуемый Global Optimization Toolbox). Чтобы улучшить результаты оптимизации, эти методы позволяют вам запустить гибридную функцию после того, как глобальный решатель остановится. Гибридная функция использует конечную точку, возвращенную глобальным решателем как его начальная точка. Поддерживаемые гибридные функции:
fminunc
(Optimization Toolbox)
fmincon
(Optimization Toolbox)
patternsearch
(Global Optimization Toolbox)
Убедитесь, что ваша гибридная функция принимает ваши ограничения задач. Таким образом, если ваши параметры ограничены, используйте соответствующую функцию (такой как fmincon
или patternsearch
) для ограниченной оптимизации. Если не ограниченный, использовать fminunc
, fminsearch
, или patternsearch
. В противном случае, sbiofit
выдает ошибку.
Для проиллюстрированного примера смотрите, Выполняют Гибридную Оптимизацию Используя sbiofit.
[1] И, T-M., Kitano, H. и Саймон, M. (2003). Количественная характеристика дрожжей гетеротримерный цикл белка G. PNAS. 100, 10764–10769.
[2] Габор, A., и Банга, J.R. (2015). Устойчивая и эффективная оценка параметра динамические модели биологических систем. Системная биология BMC. 9:74.
Чтобы запуститься параллельно, установите 'UseParallel'
к true
.
Для получения дополнительной информации смотрите 'UseParallel'
аргумент пары "имя-значение".
EstimatedInfo object
| groupedData object
| LeastSquaresResults object
| NLINResults object
| OptimResults object
| sbiofitmixed
| nlinfit
(Statistics and Machine Learning Toolbox) | fmincon
(Optimization Toolbox) | fminunc
(Optimization Toolbox) | fminsearch
| lsqcurvefit
(Optimization Toolbox) | lsqnonlin
(Optimization Toolbox) | patternsearch
(Global Optimization Toolbox) | ga
(Global Optimization Toolbox) | particleswarm
(Global Optimization Toolbox)
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.