SimBiology.Scenarios

Сценарии симуляции

Описание

SimBiology.Scenarios объект, который позволяет вам сгенерировать различные сценарии симуляции на основе различных демонстрационных значений количеств модели. Можно объединить эти количества с различными дозами или вариантами и симулировать различные сценарии, чтобы исследовать поведения модели при различных экспериментальных условиях и режимах дозирования.

Создание

Описание

пример

sObj = SimBiology.Scenarios возвращает Scenarios объект sObj это не содержит записей.

пример

sObj = SimBiology.Scenarios(name,content) возвращает Scenarios объект sObj с одной записью. name имя количества модели или имя группы вариантов или доз для генерации сценария. content содержит соответствующие числовые значения для количества модели или вектора из различных объектов или вектора из объектов дозы.

пример

sObj = SimBiology.Scenarios(quantityNames,probDist,Name,Value) задает, чтобы сгенерировать демонстрационные значения для одного или нескольких количеств модели quantityNames от объединенного вероятностного распределения probDist. Задайте дополнительные опции для вероятностных распределений и метода выборки с помощью одного или нескольких аргументов пары "имя-значение". Чтобы задать вероятностные распределения, у вас должен быть Statistics and Machine Learning Toolbox™.

Входные параметры

развернуть все

Имя записи в виде вектора символов или строки.

Можно определить имя записи к имени количества модели (разновидности, параметр или отсек). В качестве альтернативы можно задать имя для группы доз или вариантов, которые будут включены в выборку (сценарии) генерация.

Пример: "k1"

Типы данных: char | string

Значения количества модели или вектор из доз или вариантов в виде числового вектора, вектора из RepeatDose или ScheduleDose объекты или вектор из variant объекты.

Если вы указываете, что количество называет для name входной параметр, набор content к числовому вектору.

Если вы задаете имя для группы доз или вариантов, устанавливаете content к вектору из объектов дозы или вектору из различных объектов.

Пример: [0.5,1,1.5]

Имена количеств модели для выборки (сценарий) генерация в виде вектора символов, строки, представляют в виде строки вектор или массив ячеек из символьных векторов.

Пример: ["k12","k21"]

Типы данных: char | string | cell

Вероятностные распределения, чтобы сгенерировать демонстрационные значения для количеств модели в виде вектора из объектов вероятностного распределения, вектора символов, строки, представляют в виде строки вектор или массив ячеек из символьных векторов, содержащий имена поддерживаемых вероятностных распределений. Чтобы задать вероятностные распределения, у вас должен быть Statistics and Machine Learning Toolbox.

Используйте makedist (Statistics and Machine Learning Toolbox) функция, чтобы создать объекты распределения. Для списка поддерживаемых распределений см. distname (Statistics and Machine Learning Toolbox).

Пример: [pd1,pd2]

Аргументы в виде пар имя-значение

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: 'Number',10 задает, чтобы сгенерировать 10 выборок.

Количество отсчетов, чтобы чертить от вероятностных распределений в виде разделенной запятой пары, состоящей из 'Number' и положительная скалярная величина. Значение по умолчанию [] средние значения, что функция выводит количество отсчетов из других записей. Если номер не может быть выведен, номер определяется к 2.

Пример: 'Number',5

Матрица порядковой корреляции для объединенного вероятностного распределения в виде разделенной запятой пары, состоящей из 'RankCorrelation' и числовая матрица. Поведение по умолчанию - это когда оба 'RankCorrelation' и 'Covariance' установлены в [], SimBiology.Scenarios чертит некоррелированые выборки от объединенного вероятностного распределения.

Вы не можете задать 'RankCorrelation' если 'Covariance' установлен. Количество столбцов в матрице должно совпадать с количеством заданных распределений. Матрица должна быть симметричной с диагональными значениями 1. Все его собственные значения должны также быть положительными.

Пример: 'RankCorrelation',[1 0.3;0.3 1]

Средние значения количеств в виде разделенной запятой пары, состоящей из 'Mean' и числовой вектор.

Можно задать средние значения для нормальных распределений только. Количество средних значений должно равняться количеству заданных вероятностных распределений.

Пример: 'Mean',[0.5,1.5]

Ковариационная матрица для объединенного вероятностного распределения в виде разделенной запятой пары, состоящей из 'Covariance' и числовая матрица. Поведение по умолчанию - это если оба 'RankCorrelation' и 'Covariance' установлены в [], SimBiology.Scenarios чертит некоррелированые выборки от объединенного вероятностного распределения. Вы не можете задать 'Covariance' если вы задаете 'RankCorrelation'.

Можно задать ковариационную матрицу для нормальных распределений только. Количество столбцов в матрице должно совпадать с количеством заданных распределений. Все его собственные значения должны также быть неотрицательными.

Пример: 'Covariance',[0.25 0.15;0.15 0.25]

Выборка метода в виде разделенной запятой пары, состоящей из 'SamplingMethod' и вектор символов или строка. В зависимости от ли вероятностные распределения с 'RankCorrelation' или нормальные распределения с 'Covariance' заданы, методы выборки отличаются.

Если запись содержит (объединенное) нормальное распределение с Covariance заданный, методы выборки:

  • 'random' – Чертите случайные выборки от заданного использования нормального распределения mvnrnd (Statistics and Machine Learning Toolbox).

  • 'lhs' – Чертите латинские выборки гиперкуба от заданного использования нормальных распределений lhsnorm (Statistics and Machine Learning Toolbox). Для получения дополнительной информации смотрите Генерирующиеся Квазислучайные числа (Statistics and Machine Learning Toolbox).

Если запись содержит (объединенное) распределение без Covariance заданный, методы выборки:

  • 'random' – Чертите случайные выборки от заданного использования вероятностных распределений random (Statistics and Machine Learning Toolbox).

  • 'lhs' – Чертите латинские выборки гиперкуба от заданных вероятностных распределений с помощью алгоритма, похожего на lhsdesign (Statistics and Machine Learning Toolbox). Этот подход является более систематическим заполняющим пространство подходом, чем случайная выборка. Для получения дополнительной информации смотрите Генерирующиеся Квазислучайные числа (Statistics and Machine Learning Toolbox).

  • 'copula' – Чертите случайные выборки с помощью связки (Statistics and Machine Learning Toolbox). Используйте эту опцию, чтобы наложить корреляции между выборками с помощью связок.

  • 'sobol' – Используйте sobol последовательность (sobolset (Statistics and Machine Learning Toolbox)), который преобразовывается с помощью обратной кумулятивной функции распределения (icdf (Statistics and Machine Learning Toolbox)) заданных вероятностных распределений. Используйте этот метод для очень систематического заполнения. Для получения дополнительной информации смотрите Генерирующиеся Квазислучайные числа (Statistics and Machine Learning Toolbox).

  • 'halton' – Используйте последовательность Холтона (haltonset (Statistics and Machine Learning Toolbox)), который преобразовывается с помощью обратной кумулятивной функции распределения (icdf (Statistics and Machine Learning Toolbox)) заданных вероятностных распределений. Для получения дополнительной информации смотрите Генерирующиеся Квазислучайные числа (Statistics and Machine Learning Toolbox).

Если никакой Covariance задан, SimBiology.Scenarios по существу выполняет два шага. Первый шаг должен сгенерировать выборки с помощью одного из вышеупомянутых методов выборки. Для lhs, sobol, и halton методы, сгенерированные универсальные выборки преобразовываются к выборкам от заданного распределения с помощью обратной кумулятивной функции распределения icdf (Statistics and Machine Learning Toolbox). Затем как второй шаг, выборки коррелируются с помощью алгоритма Iman-Коновера если RankCorrelation задан. Для random, выборки чертятся непосредственно от заданных распределений, и выборки затем коррелируются с помощью алгоритма Iman-Коновера.

Пример: 'SamplingMethod','lhs'

Опции для метода выборки в виде скалярного struct. Опции отличаются в зависимости от метода выборки: sobol, halton, или lhs.

Для sobol и halton, задайте каждое имя поля и значение структуры согласно каждому аргументу значения имени sobolset (Statistics and Machine Learning Toolbox) или haltonset (Statistics and Machine Learning Toolbox) функция. SimBiology использует значение по умолчанию 1 для Skip аргумент для обоих методов. Для всех других аргументов name-value программное обеспечение использует те же значения по умолчанию sobolset или haltonset. Например, настройте структуру для Leap и Skip опции со значениями не по умолчанию можно следующим образом.

s1.Leap = 50;
s1.Skip = 0;

Для lhs, существует три сэмплера, которые поддерживают различные опции выборки.

  • Если вы задаете ковариационную матрицу, использование SimBiology lhsnorm (Statistics and Machine Learning Toolbox) для выборки. SamplingOptions аргумент не позволен.

  • В противном случае используйте имя поля UseLhsdesign выбрать сэмплер.

    • Если значением является true, Использование SimBiology lhsdesign (Statistics and Machine Learning Toolbox). Можно использовать аргументы name-value lhsdesign задавать имена полей и значения.

    • Если значением является false (значение по умолчанию), SimBiology использует неконфигурируемый латинский сэмплер гиперкуба, который отличается от lhsdesign. Этот сэмплер не требует Statistics and Machine Learning Toolbox. SamplingOptions не может содержать никакие другие опции, кроме UseLhsdesign.

Например, настройте структуру, чтобы использовать lhsdesign с Criterion и Iterations опции.

s2.UseLhsdesign  = true;
s2.Criterion     = "correlation";
s2.Iterations    = 10;

Вы не можете задать опции выборки для random и copula методы.

Типы данных: struct

Свойства

развернуть все

Это свойство доступно только для чтения.

Выражение комбинации, обобщающее комбинацию записей в объекте в виде вектора символов. Плюс + знак указывает на поэлементную комбинацию и перекрестный x знак указывает на декартову комбинацию. Для получения дополнительной информации см. Сценарии Симуляции Объединения в SimBiology.

Пример: '(k1 + k2 + k3) x doses'

Типы данных: char

Количество записей в сценариях возражает в виде положительного целого числа.

Пример 4

Типы данных: double

Отберите для генерации случайных чисел, чтобы получить восстанавливаемые сценарии в виде неотрицательного целого числа, меньшего, чем 232 или структура, возвращенная rng это задает случайное состояние. Значение по умолчанию [] средние значения, что сгенерированные сценарии будут отличаться каждый раз generate функция вызвана, если вы не устанавливаете случайный seed прежде, чем вызвать функцию или используете восстанавливаемые последовательности, такие как Sobol или Холтон.

Пример: 10

Типы данных: double | struct

Функции объекта

addДобавьте значения количества, дозы или варианты к SimBiology.Scenarios объект
getEntryПолучите содержимое записи от SimBiology.Scenarios объект
updateEntryОбновите содержимое записи от SimBiology.Scenarios объект
renameПереименуйте запись от SimBiology.Scenarios объект
removeУдалите записи из SimBiology.Scenarios объект
verifyПроверьте SimBiology.Scenarios объект
generateСгенерируйте сценарии от SimBiology.Scenarios возразите и возвратите таблицу
getNumberScenariosВозвратите количество сценариев от SimBiology.Scenarios объект

Примеры

свернуть все

Загрузите модель ответа инсулина глюкозы. Для получения дополнительной информации о модели, смотрите раздел Background в Симуляции Ответа Инсулина Глюкозы.

sbioloadproject('insulindemo','m1');

Модель содержит различные значения параметров и начальные условия, который представляет различные ухудшения инсулина (такие как диабет 2 типа, низкая чувствительность инсулина, и так далее) сохраненный в пяти вариантах.

variants = getvariant(m1)
variants = 
   SimBiology Variant Array

   Index:  Name:             Active:
   1       Type 2 diabetic   false
   2       Low insulin se... false
   3       High beta cell... false
   4       Low beta cell ... false
   5       High insulin s... false

Подавите информационное предупреждение, которое выдано во время симуляций.

warnSettings = warning('off','SimBiology:DimAnalysisNotDone_MatlabFcn_Dimensionless');

Выберите дозу, которая представляет одну еду 78 граммов глюкозы.

singleMeal = sbioselect(m1,'Name','Single Meal');

Создайте Scenarios объект представлять различные начальные условия, объединенные дозой. Таким образом, создайте scenario возразите, где каждый вариант соединен (или объединен) с дозой, для в общей сложности пяти сценариев симуляции.

sObj = SimBiology.Scenarios;
add(sObj,'cartesian','variants',variants);
add(sObj,'cartesian','dose',singleMeal)
ans = 
  Scenarios (5 scenarios)

                   Name            Content          Number
                 ________    ___________________    ______

    Entry 1      variants    SimBiology variants      5   
    x Entry 2    dose        SimBiology dose          1   

  See also Expression property.

sObj содержит две записи. Используйте generate функционируйте, чтобы объединить записи и сгенерировать пять сценариев. Функция возвращает таблицу сценариев, где каждая строка представляет сценарий, и каждый столбец представляет запись Scenarios объект.

scenariosTbl = generate(sObj)
scenariosTbl=5×2 table
           variants                     dose           
    ______________________    _________________________

    1x1 SimBiology.Variant    1x1 SimBiology.RepeatDose
    1x1 SimBiology.Variant    1x1 SimBiology.RepeatDose
    1x1 SimBiology.Variant    1x1 SimBiology.RepeatDose
    1x1 SimBiology.Variant    1x1 SimBiology.RepeatDose
    1x1 SimBiology.Variant    1x1 SimBiology.RepeatDose

Поменяйте имя записи первой записи.

rename(sObj,1,'Insulin Impairements')
ans = 
  Scenarios (5 scenarios)

                         Name                  Content          Number
                 ____________________    ___________________    ______

    Entry 1      Insulin Impairements    SimBiology variants      5   
    x Entry 2    dose                    SimBiology dose          1   

  See also Expression property.

Создайте SimFunction объект симулировать сгенерированные сценарии. Используйте Scenarios возразите как вход и задайте плазменные концентрации глюкозы и инсулина как reponses (выходные параметры функции, которая будет построена). Задайте [] для входного параметра дозы начиная с Scenarios объект уже имеет информацию о дозах.

f = createSimFunction(m1,sObj,{'[Plasma Glu Conc]','[Plasma Ins Conc]'},[])
f = 
SimFunction

Parameters:

              Name               Value         Type                            Units                   
    _________________________    ______    _____________    ___________________________________________

    {'Plasma Volume (Glu)'  }      1.88    {'parameter'}    {'deciliter'                              }
    {'k1'                   }     0.065    {'parameter'}    {'1/minute'                               }
    {'k2'                   }     0.079    {'parameter'}    {'1/minute'                               }
    {'Plasma Volume (Ins)'  }      0.05    {'parameter'}    {'liter'                                  }
    {'m1'                   }      0.19    {'parameter'}    {'1/minute'                               }
    {'m2'                   }     0.484    {'parameter'}    {'1/minute'                               }
    {'m4'                   }    0.1936    {'parameter'}    {'1/minute'                               }
    {'m5'                   }    0.0304    {'parameter'}    {'minute/picomole'                        }
    {'m6'                   }    0.6469    {'parameter'}    {'dimensionless'                          }
    {'Hepatic Extraction'   }       0.6    {'parameter'}    {'dimensionless'                          }
    {'kmax'                 }    0.0558    {'parameter'}    {'1/minute'                               }
    {'kmin'                 }     0.008    {'parameter'}    {'1/minute'                               }
    {'kabs'                 }    0.0568    {'parameter'}    {'1/minute'                               }
    {'kgri'                 }         0    {'parameter'}    {'1/minute'                               }
    {'f'                    }       0.9    {'parameter'}    {'dimensionless'                          }
    {'a'                    }         0    {'parameter'}    {'1/milligram'                            }
    {'b'                    }      0.82    {'parameter'}    {'dimensionless'                          }
    {'c'                    }         0    {'parameter'}    {'1/milligram'                            }
    {'d'                    }      0.01    {'parameter'}    {'dimensionless'                          }
    {'kp1'                  }       2.7    {'parameter'}    {'milligram/minute'                       }
    {'kp2'                  }    0.0021    {'parameter'}    {'1/minute'                               }
    {'kp3'                  }     0.009    {'parameter'}    {'(milligram/minute)/(picomole/liter)'    }
    {'kp4'                  }    0.0618    {'parameter'}    {'(milligram/minute)/picomole'            }
    {'ki'                   }    0.0079    {'parameter'}    {'1/minute'                               }
    {'[Ins Ind Glu Util]'   }         1    {'parameter'}    {'milligram/minute'                       }
    {'Vm0'                  }    2.5129    {'parameter'}    {'milligram/minute'                       }
    {'Vmx'                  }     0.047    {'parameter'}    {'(milligram/minute)/(picomole/liter)'    }
    {'Km'                   }    225.59    {'parameter'}    {'milligram'                              }
    {'p2U'                  }    0.0331    {'parameter'}    {'1/minute'                               }
    {'K'                    }      2.28    {'parameter'}    {'picomole/(milligram/deciliter)'         }
    {'alpha'                }      0.05    {'parameter'}    {'1/minute'                               }
    {'beta'                 }      0.11    {'parameter'}    {'(picomole/minute)/(milligram/deciliter)'}
    {'gamma'                }       0.5    {'parameter'}    {'1/minute'                               }
    {'ke1'                  }    0.0005    {'parameter'}    {'1/minute'                               }
    {'ke2'                  }       339    {'parameter'}    {'milligram'                              }
    {'Basal Plasma Glu Conc'}     91.76    {'parameter'}    {'milligram/deciliter'                    }
    {'Basal Plasma Ins Conc'}     25.49    {'parameter'}    {'picomole/liter'                         }

Observables: 

            Name                Type                 Units         
    _____________________    ___________    _______________________

    {'[Plasma Glu Conc]'}    {'species'}    {'milligram/deciliter'}
    {'[Plasma Ins Conc]'}    {'species'}    {'picomole/liter'     }

Dosed: 

    TargetName       TargetDimension   
    __________    _____________________

     {'Dose'}     {'Mass (e.g., gram)'}


TimeUnits: hour

Симулируйте модель в течение 24 часов и постройте данные моделирования. Данные содержат пять запусков, где каждый запуск представляет сценарий в объекте Scenarios.

sd = f(sObj,24);
sbioplot(sd)

Figure contains an axes object. The axes object with title States versus Time contains 10 objects of type line. These objects represent Run 1 - Glucose appearance.Plasma Glu Conc, Run 1 - Insulin secretion.Plasma Ins Conc, Run 2 - Glucose appearance.Plasma Glu Conc, Run 2 - Insulin secretion.Plasma Ins Conc, Run 3 - Glucose appearance.Plasma Glu Conc, Run 3 - Insulin secretion.Plasma Ins Conc, Run 4 - Glucose appearance.Plasma Glu Conc, Run 4 - Insulin secretion.Plasma Ins Conc, Run 5 - Glucose appearance.Plasma Glu Conc, Run 5 - Insulin secretion.Plasma Ins Conc.

ans = 
  Axes (SbioPlot) with properties:

             XLim: [0 25]
             YLim: [0 450]
           XScale: 'linear'
           YScale: 'linear'
    GridLineStyle: '-'
         Position: [0.0744 0.1100 0.3901 0.8150]
            Units: 'normalized'

  Show all properties

Если у вас есть Statistics and Machine Learning Toolbox™, можно также чертить демонстрационные значения для количеств модели от различных вероятностных распределений. Например, предположите что параметры Vmx и kp3, которые известны низкой и высокой чувствительностью инсулина, следуют за логарифмически нормальным распределением. Можно сгенерировать демонстрационные значения для этих параметров от такого распределения и выполнить скан, чтобы исследовать поведение модели.

Задайте логарифмически нормальный объект вероятностного распределения для Vmx.

pd_Vmx = makedist('lognormal')
pd_Vmx = 
  LognormalDistribution

  Lognormal distribution
       mu = 0
    sigma = 1

По определению, параметр mu среднее значение логарифмических значений. Чтобы варьироваться значение параметров вокруг основного значения (модели) параметра, установите mu к log(model_value). Установите стандартное отклонение (сигма) на 0,2. Для маленького значения сигмы среднее значение логарифмически нормального distribtion приблизительно равно log(model_value). Для получения дополнительной информации смотрите Логарифмически нормальное Распределение (Statistics and Machine Learning Toolbox).

Vmx = sbioselect(m1,'Name','Vmx');
pd_Vmx.mu = log(Vmx.Value);
pd_Vmx.sigma = 0.2
pd_Vmx = 
  LognormalDistribution

  Lognormal distribution
       mu = -3.05761
    sigma =      0.2

Так же задайте вероятностное распределение для kp3.

pd_kp3 = makedist('lognormal');
kp3 = sbioselect(m1,'Name','kp3');
pd_kp3.mu = log(kp3.Value);
pd_kp3.sigma = 0.2
pd_kp3 = 
  LognormalDistribution

  Lognormal distribution
       mu = -4.71053
    sigma =      0.2

Теперь задайте объединенное вероятностное распределение, чтобы чертить демонстрационные значения для Vmx и kp3 с порядковой корреляцией, чтобы задать некоторую корреляцию между этими двумя параметрами. Обратите внимание на то, что это предположение корреляции в целях рисунка этого примера только и не может быть биологически релевантным.

Сначала удалите запись вариантов (запись 1) от sObj.

remove(sObj,1)
ans = 
  Scenarios (1 scenarios)

               Name        Content        Number
               ____    _______________    ______

    Entry 1    dose    SimBiology dose      1   

  See also Expression property.

Добавьте запись, которая задает объединенное вероятностное распределение с матрицей порядковой корреляции.

add(sObj,'cartesian',["Vmx","kp3"],[pd_Vmx, pd_kp3],'RankCorrelation',[1,0.5;0.5,1])
ans = 
  Scenarios (2 scenarios)

                    Name           Content              Number   
                    ____    ______________________    ___________

    Entry 1         dose    SimBiology dose           1          
    x (Entry 2.1    Vmx     Lognormal distribution    2 (default)
    + Entry 2.2)    kp3     Lognormal distribution    2 (default)

  See also Expression property.

По умолчанию количество отсчетов, чтобы чертить от совместного распределения установлено в 2. Увеличьте количество отсчетов.

updateEntry(sObj,2,'Number',50)
ans = 
  Scenarios (50 scenarios)

                    Name           Content            Number
                    ____    ______________________    ______

    Entry 1         dose    SimBiology dose             1   
    x (Entry 2.1    Vmx     Lognormal distribution      50  
    + Entry 2.2)    kp3     Lognormal distribution      50  

  See also Expression property.

Проверьте что Scenarios объект может быть симулирован с моделью. verify функционируйте выдает ошибку, если какая-либо запись не решает исключительно к объекту в модели, или содержимое записи имеет противоречивые длины (объемы выборки). Функция выдает предупреждение, если многократные въезды решают к тому же объекту в модели.

verify(sObj,m1)

Сгенерируйте сценарии симуляции. Постройте демонстрационные значения с помощью plotmatrix. Вы видите значение Vmx варьируется вокруг его значения модели 0.047 и тот из kp3 приблизительно 0,009.

sTbl = generate(sObj);
[s,ax,bigax,h,hax] = plotmatrix([sTbl.Vmx,sTbl.kp3]);
ax(1,1).YLabel.String = "Vmx";
ax(2,1).YLabel.String = "kp3";
ax(2,1).XLabel.String = "Vmx";
ax(2,2).XLabel.String = "kp3";

MATLAB figure

Симулируйте сценарии с помощью того же SimFunction, который вы создали ранее. Вы не должны создавать новый объект SimFunction даже при том, что объект Scenarios был обновлен.

sd2 = f(sObj,24);
sbioplot(sd2);

Figure contains an axes object. The axes object with title States versus Time contains 100 objects of type line. These objects represent Run 1 - Glucose appearance.Plasma Glu Conc, Run 1 - Insulin secretion.Plasma Ins Conc, Run 2 - Glucose appearance.Plasma Glu Conc, Run 2 - Insulin secretion.Plasma Ins Conc, Run 3 - Glucose appearance.Plasma Glu Conc, Run 3 - Insulin secretion.Plasma Ins Conc, Run 4 - Glucose appearance.Plasma Glu Conc, Run 4 - Insulin secretion.Plasma Ins Conc, Run 5 - Glucose appearance.Plasma Glu Conc, Run 5 - Insulin secretion.Plasma Ins Conc, Run 6 - Glucose appearance.Plasma Glu Conc, Run 6 - Insulin secretion.Plasma Ins Conc, Run 7 - Glucose appearance.Plasma Glu Conc, Run 7 - Insulin secretion.Plasma Ins Conc, Run 8 - Glucose appearance.Plasma Glu Conc, Run 8 - Insulin secretion.Plasma Ins Conc, Run 9 - Glucose appearance.Plasma Glu Conc, Run 9 - Insulin secretion.Plasma Ins Conc, Run 10 - Glucose appearance.Plasma Glu Conc, Run 10 - Insulin secretion.Plasma Ins Conc, Run 11 - Glucose appearance.Plasma Glu Conc, Run 11 - Insulin secretion.Plasma Ins Conc, Run 12 - Glucose appearance.Plasma Glu Conc, Run 12 - Insulin secretion.Plasma Ins Conc, Run 13 - Glucose appearance.Plasma Glu Conc, Run 13 - Insulin secretion.Plasma Ins Conc, Run 14 - Glucose appearance.Plasma Glu Conc, Run 14 - Insulin secretion.Plasma Ins Conc, Run 15 - Glucose appearance.Plasma Glu Conc, Run 15 - Insulin secretion.Plasma Ins Conc, Run 16 - Glucose appearance.Plasma Glu Conc, Run 16 - Insulin secretion.Plasma Ins Conc, Run 17 - Glucose appearance.Plasma Glu Conc, Run 17 - Insulin secretion.Plasma Ins Conc, Run 18 - Glucose appearance.Plasma Glu Conc, Run 18 - Insulin secretion.Plasma Ins Conc, Run 19 - Glucose appearance.Plasma Glu Conc, Run 19 - Insulin secretion.Plasma Ins Conc, Run 20 - Glucose appearance.Plasma Glu Conc, Run 20 - Insulin secretion.Plasma Ins Conc, Run 21 - Glucose appearance.Plasma Glu Conc, Run 21 - Insulin secretion.Plasma Ins Conc, Run 22 - Glucose appearance.Plasma Glu Conc, Run 22 - Insulin secretion.Plasma Ins Conc, Run 23 - Glucose appearance.Plasma Glu Conc, Run 23 - Insulin secretion.Plasma Ins Conc, Run 24 - Glucose appearance.Plasma Glu Conc, Run 24 - Insulin secretion.Plasma Ins Conc, Run 25 - Glucose appearance.Plasma Glu Conc, Run 25 - Insulin secretion.Plasma Ins Conc, Run 26 - Glucose appearance.Plasma Glu Conc, Run 26 - Insulin secretion.Plasma Ins Conc, Run 27 - Glucose appearance.Plasma Glu Conc, Run 27 - Insulin secretion.Plasma Ins Conc, Run 28 - Glucose appearance.Plasma Glu Conc, Run 28 - Insulin secretion.Plasma Ins Conc, Run 29 - Glucose appearance.Plasma Glu Conc, Run 29 - Insulin secretion.Plasma Ins Conc, Run 30 - Glucose appearance.Plasma Glu Conc, Run 30 - Insulin secretion.Plasma Ins Conc, Run 31 - Glucose appearance.Plasma Glu Conc, Run 31 - Insulin secretion.Plasma Ins Conc, Run 32 - Glucose appearance.Plasma Glu Conc, Run 32 - Insulin secretion.Plasma Ins Conc, Run 33 - Glucose appearance.Plasma Glu Conc, Run 33 - Insulin secretion.Plasma Ins Conc, Run 34 - Glucose appearance.Plasma Glu Conc, Run 34 - Insulin secretion.Plasma Ins Conc, Run 35 - Glucose appearance.Plasma Glu Conc, Run 35 - Insulin secretion.Plasma Ins Conc, Run 36 - Glucose appearance.Plasma Glu Conc, Run 36 - Insulin secretion.Plasma Ins Conc, Run 37 - Glucose appearance.Plasma Glu Conc, Run 37 - Insulin secretion.Plasma Ins Conc, Run 38 - Glucose appearance.Plasma Glu Conc, Run 38 - Insulin secretion.Plasma Ins Conc, Run 39 - Glucose appearance.Plasma Glu Conc, Run 39 - Insulin secretion.Plasma Ins Conc, Run 40 - Glucose appearance.Plasma Glu Conc, Run 40 - Insulin secretion.Plasma Ins Conc, Run 41 - Glucose appearance.Plasma Glu Conc, Run 41 - Insulin secretion.Plasma Ins Conc, Run 42 - Glucose appearance.Plasma Glu Conc, Run 42 - Insulin secretion.Plasma Ins Conc, Run 43 - Glucose appearance.Plasma Glu Conc, Run 43 - Insulin secretion.Plasma Ins Conc, Run 44 - Glucose appearance.Plasma Glu Conc, Run 44 - Insulin secretion.Plasma Ins Conc, Run 45 - Glucose appearance.Plasma Glu Conc, Run 45 - Insulin secretion.Plasma Ins Conc, Run 46 - Glucose appearance.Plasma Glu Conc, Run 46 - Insulin secretion.Plasma Ins Conc, Run 47 - Glucose appearance.Plasma Glu Conc, Run 47 - Insulin secretion.Plasma Ins Conc, Run 48 - Glucose appearance.Plasma Glu Conc, Run 48 - Insulin secretion.Plasma Ins Conc, Run 49 - Glucose appearance.Plasma Glu Conc, Run 49 - Insulin secretion.Plasma Ins Conc, Run 50 - Glucose appearance.Plasma Glu Conc, Run 50 - Insulin secretion.Plasma Ins Conc.

По умолчанию SimBiology использует случайный метод выборки. Можно изменить его в латинскую выборку гиперкуба (или sobol или Холтон) для более систематического заполняющего пространство подхода.

entry2struct = getEntry(sObj,2)
entry2struct = struct with fields:
               Name: {'Vmx'  'kp3'}
            Content: [2x1 prob.LognormalDistribution]
             Number: 50
    RankCorrelation: [2x2 double]
         Covariance: []
     SamplingMethod: 'random'
    SamplingOptions: [0x0 struct]

entry2struct.SamplingMethod = 'lhs'
entry2struct = struct with fields:
               Name: {'Vmx'  'kp3'}
            Content: [2x1 prob.LognormalDistribution]
             Number: 50
    RankCorrelation: [2x2 double]
         Covariance: []
     SamplingMethod: 'lhs'
    SamplingOptions: [0x0 struct]

Можно теперь использовать обновленную структуру, чтобы изменить запись 2.

updateEntry(sObj,2,entry2struct)
ans = 
  Scenarios (50 scenarios)

                    Name           Content            Number
                    ____    ______________________    ______

    Entry 1         dose    SimBiology dose             1   
    x (Entry 2.1    Vmx     Lognormal distribution      50  
    + Entry 2.2)    kp3     Lognormal distribution      50  

  See also Expression property.

Визуализируйте демонстрационные значения.

sTbl2 = generate(sObj);
[s,ax,bigax,h,hax] = plotmatrix([sTbl2.Vmx,sTbl2.kp3]);
ax(1,1).YLabel.String = "Vmx";
ax(2,1).YLabel.String = "kp3";
ax(2,1).XLabel.String = "Vmx";
ax(2,2).XLabel.String = "kp3";

MATLAB figure

Симулируйте сценарии.

sd3 = f(sObj,24);
sbioplot(sd3);

Figure contains an axes object. The axes object with title States versus Time contains 100 objects of type line. These objects represent Run 1 - Glucose appearance.Plasma Glu Conc, Run 1 - Insulin secretion.Plasma Ins Conc, Run 2 - Glucose appearance.Plasma Glu Conc, Run 2 - Insulin secretion.Plasma Ins Conc, Run 3 - Glucose appearance.Plasma Glu Conc, Run 3 - Insulin secretion.Plasma Ins Conc, Run 4 - Glucose appearance.Plasma Glu Conc, Run 4 - Insulin secretion.Plasma Ins Conc, Run 5 - Glucose appearance.Plasma Glu Conc, Run 5 - Insulin secretion.Plasma Ins Conc, Run 6 - Glucose appearance.Plasma Glu Conc, Run 6 - Insulin secretion.Plasma Ins Conc, Run 7 - Glucose appearance.Plasma Glu Conc, Run 7 - Insulin secretion.Plasma Ins Conc, Run 8 - Glucose appearance.Plasma Glu Conc, Run 8 - Insulin secretion.Plasma Ins Conc, Run 9 - Glucose appearance.Plasma Glu Conc, Run 9 - Insulin secretion.Plasma Ins Conc, Run 10 - Glucose appearance.Plasma Glu Conc, Run 10 - Insulin secretion.Plasma Ins Conc, Run 11 - Glucose appearance.Plasma Glu Conc, Run 11 - Insulin secretion.Plasma Ins Conc, Run 12 - Glucose appearance.Plasma Glu Conc, Run 12 - Insulin secretion.Plasma Ins Conc, Run 13 - Glucose appearance.Plasma Glu Conc, Run 13 - Insulin secretion.Plasma Ins Conc, Run 14 - Glucose appearance.Plasma Glu Conc, Run 14 - Insulin secretion.Plasma Ins Conc, Run 15 - Glucose appearance.Plasma Glu Conc, Run 15 - Insulin secretion.Plasma Ins Conc, Run 16 - Glucose appearance.Plasma Glu Conc, Run 16 - Insulin secretion.Plasma Ins Conc, Run 17 - Glucose appearance.Plasma Glu Conc, Run 17 - Insulin secretion.Plasma Ins Conc, Run 18 - Glucose appearance.Plasma Glu Conc, Run 18 - Insulin secretion.Plasma Ins Conc, Run 19 - Glucose appearance.Plasma Glu Conc, Run 19 - Insulin secretion.Plasma Ins Conc, Run 20 - Glucose appearance.Plasma Glu Conc, Run 20 - Insulin secretion.Plasma Ins Conc, Run 21 - Glucose appearance.Plasma Glu Conc, Run 21 - Insulin secretion.Plasma Ins Conc, Run 22 - Glucose appearance.Plasma Glu Conc, Run 22 - Insulin secretion.Plasma Ins Conc, Run 23 - Glucose appearance.Plasma Glu Conc, Run 23 - Insulin secretion.Plasma Ins Conc, Run 24 - Glucose appearance.Plasma Glu Conc, Run 24 - Insulin secretion.Plasma Ins Conc, Run 25 - Glucose appearance.Plasma Glu Conc, Run 25 - Insulin secretion.Plasma Ins Conc, Run 26 - Glucose appearance.Plasma Glu Conc, Run 26 - Insulin secretion.Plasma Ins Conc, Run 27 - Glucose appearance.Plasma Glu Conc, Run 27 - Insulin secretion.Plasma Ins Conc, Run 28 - Glucose appearance.Plasma Glu Conc, Run 28 - Insulin secretion.Plasma Ins Conc, Run 29 - Glucose appearance.Plasma Glu Conc, Run 29 - Insulin secretion.Plasma Ins Conc, Run 30 - Glucose appearance.Plasma Glu Conc, Run 30 - Insulin secretion.Plasma Ins Conc, Run 31 - Glucose appearance.Plasma Glu Conc, Run 31 - Insulin secretion.Plasma Ins Conc, Run 32 - Glucose appearance.Plasma Glu Conc, Run 32 - Insulin secretion.Plasma Ins Conc, Run 33 - Glucose appearance.Plasma Glu Conc, Run 33 - Insulin secretion.Plasma Ins Conc, Run 34 - Glucose appearance.Plasma Glu Conc, Run 34 - Insulin secretion.Plasma Ins Conc, Run 35 - Glucose appearance.Plasma Glu Conc, Run 35 - Insulin secretion.Plasma Ins Conc, Run 36 - Glucose appearance.Plasma Glu Conc, Run 36 - Insulin secretion.Plasma Ins Conc, Run 37 - Glucose appearance.Plasma Glu Conc, Run 37 - Insulin secretion.Plasma Ins Conc, Run 38 - Glucose appearance.Plasma Glu Conc, Run 38 - Insulin secretion.Plasma Ins Conc, Run 39 - Glucose appearance.Plasma Glu Conc, Run 39 - Insulin secretion.Plasma Ins Conc, Run 40 - Glucose appearance.Plasma Glu Conc, Run 40 - Insulin secretion.Plasma Ins Conc, Run 41 - Glucose appearance.Plasma Glu Conc, Run 41 - Insulin secretion.Plasma Ins Conc, Run 42 - Glucose appearance.Plasma Glu Conc, Run 42 - Insulin secretion.Plasma Ins Conc, Run 43 - Glucose appearance.Plasma Glu Conc, Run 43 - Insulin secretion.Plasma Ins Conc, Run 44 - Glucose appearance.Plasma Glu Conc, Run 44 - Insulin secretion.Plasma Ins Conc, Run 45 - Glucose appearance.Plasma Glu Conc, Run 45 - Insulin secretion.Plasma Ins Conc, Run 46 - Glucose appearance.Plasma Glu Conc, Run 46 - Insulin secretion.Plasma Ins Conc, Run 47 - Glucose appearance.Plasma Glu Conc, Run 47 - Insulin secretion.Plasma Ins Conc, Run 48 - Glucose appearance.Plasma Glu Conc, Run 48 - Insulin secretion.Plasma Ins Conc, Run 49 - Glucose appearance.Plasma Glu Conc, Run 49 - Insulin secretion.Plasma Ins Conc, Run 50 - Glucose appearance.Plasma Glu Conc, Run 50 - Insulin secretion.Plasma Ins Conc.

Восстановите предупреждение настроек.

warning(warnSettings);

Больше о

развернуть все

Ссылки

[1] Iman, R. и В.Дж. Коновер. 1982. Подход без распределений к стимулированию порядковой корреляции среди входных переменных. Коммуникации в Статистике - Симуляция и Расчет. 11 (3):311–334.

Введенный в R2019b
Для просмотра документации необходимо авторизоваться на сайте