Оцените специфичные для категории параметры PK для нескольких индивидуумов

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 Ct=Ae-at+Be-bt, где Ct концентрация препарата во время t, и a и b 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 IDВремя, 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];

Figure contains 30 axes objects. Axes object 1 with title ID 1 contains 2 objects of type line. These objects represent CentralConc, PeripheralConc. Axes object 2 with title ID 6 contains 2 objects of type line. Axes object 3 with title ID 11 contains 2 objects of type line. Axes object 4 with title ID 16 contains 2 objects of type line. Axes object 5 with title ID 21 contains 2 objects of type line. Axes object 6 with title ID 26 contains 2 objects of type line. Axes object 7 with title ID 2 contains 2 objects of type line. Axes object 8 with title ID 7 contains 2 objects of type line. Axes object 9 with title ID 12 contains 2 objects of type line. Axes object 10 with title ID 17 contains 2 objects of type line. Axes object 11 with title ID 22 contains 2 objects of type line. Axes object 12 with title ID 27 contains 2 objects of type line. Axes object 13 with title ID 3 contains 2 objects of type line. Axes object 14 with title ID 8 contains 2 objects of type line. Axes object 15 with title ID 13 contains 2 objects of type line. Axes object 16 with title ID 18 contains 2 objects of type line. Axes object 17 with title ID 23 contains 2 objects of type line. Axes object 18 with title ID 28 contains 2 objects of type line. Axes object 19 with title ID 4 contains 2 objects of type line. Axes object 20 with title ID 9 contains 2 objects of type line. Axes object 21 with title ID 14 contains 2 objects of type line. Axes object 22 with title ID 19 contains 2 objects of type line. Axes object 23 with title ID 24 contains 2 objects of type line. Axes object 24 with title ID 29 contains 2 objects of type line. Axes object 25 with title ID 5 contains 2 objects of type line. Axes object 26 with title ID 10 contains 2 objects of type line. Axes object 27 with title ID 15 contains 2 objects of type line. Axes object 28 with title ID 20 contains 2 objects of type line. Axes object 29 with title ID 25 contains 2 objects of type line. Axes object 30 with title ID 30 contains 2 objects of type line.

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);

Figure contains 30 axes objects. Axes object 1 with title 30 contains 4 objects of type line. Axes object 2 with title 29 contains 4 objects of type line. Axes object 3 with title 28 contains 4 objects of type line. Axes object 4 with title 27 contains 4 objects of type line. Axes object 5 with title 26 contains 4 objects of type line. Axes object 6 with title 25 contains 4 objects of type line. Axes object 7 with title 24 contains 4 objects of type line. Axes object 8 with title 23 contains 4 objects of type line. Axes object 9 with title 22 contains 4 objects of type line. Axes object 10 with title 21 contains 4 objects of type line. Axes object 11 with title 20 contains 4 objects of type line. Axes object 12 with title 19 contains 4 objects of type line. Axes object 13 with title 18 contains 4 objects of type line. Axes object 14 with title 17 contains 4 objects of type line. Axes object 15 with title 16 contains 4 objects of type line. Axes object 16 with title 15 contains 4 objects of type line. Axes object 17 with title 14 contains 4 objects of type line. Axes object 18 with title 13 contains 4 objects of type line. Axes object 19 with title 12 contains 4 objects of type line. Axes object 20 with title 11 contains 4 objects of type line. Axes object 21 with title 10 contains 4 objects of type line. Axes object 22 with title 9 contains 4 objects of type line. Axes object 23 with title 8 contains 4 objects of type line. Axes object 24 with title 7 contains 4 objects of type line. Axes object 25 with title 6 contains 4 objects of type line. Axes object 26 with title 5 contains 4 objects of type line. Axes object 27 with title 4 contains 4 objects of type line. Axes object 28 with title 3 contains 4 objects of type line. Axes object 29 with title 2 contains 4 objects of type line. Axes object 30 with title 1 contains 4 objects of type line.

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];

Figure contains 8 axes objects. Axes object 1 contains 2 objects of type line. These objects represent Female, Male. Axes object 2 contains 2 objects of type line. These objects represent Old, Young. Axes object 3 contains 2 objects of type line. These objects represent Female, Male. Axes object 4 contains 2 objects of type line. These objects represent Old, Young. Axes object 5 contains 2 objects of type line. These objects represent Female, Male. Axes object 6 contains 2 objects of type line. These objects represent Old, Young. Axes object 7 contains 2 objects of type line. These objects represent Female, Male. Axes object 8 contains 2 objects of type line. These objects represent Old, Young.

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);

Figure contains 30 axes objects. Axes object 1 with title 30 contains 4 objects of type line. Axes object 2 with title 29 contains 4 objects of type line. Axes object 3 with title 28 contains 4 objects of type line. Axes object 4 with title 27 contains 4 objects of type line. Axes object 5 with title 26 contains 4 objects of type line. Axes object 6 with title 25 contains 4 objects of type line. Axes object 7 with title 24 contains 4 objects of type line. Axes object 8 with title 23 contains 4 objects of type line. Axes object 9 with title 22 contains 4 objects of type line. Axes object 10 with title 21 contains 4 objects of type line. Axes object 11 with title 20 contains 4 objects of type line. Axes object 12 with title 19 contains 4 objects of type line. Axes object 13 with title 18 contains 4 objects of type line. Axes object 14 with title 17 contains 4 objects of type line. Axes object 15 with title 16 contains 4 objects of type line. Axes object 16 with title 15 contains 4 objects of type line. Axes object 17 with title 14 contains 4 objects of type line. Axes object 18 with title 13 contains 4 objects of type line. Axes object 19 with title 12 contains 4 objects of type line. Axes object 20 with title 11 contains 4 objects of type line. Axes object 21 with title 10 contains 4 objects of type line. Axes object 22 with title 9 contains 4 objects of type line. Axes object 23 with title 8 contains 4 objects of type line. Axes object 24 with title 7 contains 4 objects of type line. Axes object 25 with title 6 contains 4 objects of type line. Axes object 26 with title 5 contains 4 objects of type line. Axes object 27 with title 4 contains 4 objects of type line. Axes object 28 with title 3 contains 4 objects of type line. Axes object 29 with title 2 contains 4 objects of type line. Axes object 30 with title 1 contains 4 objects of type line.

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);

Figure contains 30 axes objects. Axes object 1 with title 30 contains 4 objects of type line. Axes object 2 with title 29 contains 4 objects of type line. Axes object 3 with title 28 contains 4 objects of type line. Axes object 4 with title 27 contains 4 objects of type line. Axes object 5 with title 26 contains 4 objects of type line. Axes object 6 with title 25 contains 4 objects of type line. Axes object 7 with title 24 contains 4 objects of type line. Axes object 8 with title 23 contains 4 objects of type line. Axes object 9 with title 22 contains 4 objects of type line. Axes object 10 with title 21 contains 4 objects of type line. Axes object 11 with title 20 contains 4 objects of type line. Axes object 12 with title 19 contains 4 objects of type line. Axes object 13 with title 18 contains 4 objects of type line. Axes object 14 with title 17 contains 4 objects of type line. Axes object 15 with title 16 contains 4 objects of type line. Axes object 16 with title 15 contains 4 objects of type line. Axes object 17 with title 14 contains 4 objects of type line. Axes object 18 with title 13 contains 4 objects of type line. Axes object 19 with title 12 contains 4 objects of type line. Axes object 20 with title 11 contains 4 objects of type line. Axes object 21 with title 10 contains 4 objects of type line. Axes object 22 with title 9 contains 4 objects of type line. Axes object 23 with title 8 contains 4 objects of type line. Axes object 24 with title 7 contains 4 objects of type line. Axes object 25 with title 6 contains 4 objects of type line. Axes object 26 with title 5 contains 4 objects of type line. Axes object 27 with title 4 contains 4 objects of type line. Axes object 28 with title 3 contains 4 objects of type line. Axes object 29 with title 2 contains 4 objects of type line. Axes object 30 with title 1 contains 4 objects of type line.

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];

Figure contains 2 axes objects. Axes object 1 with title Residuals (CentralConc) contains 4 objects of type line. These objects represent Pooled, Category-Specific, Unpooled. Axes object 2 with title Residuals (PeripheralConc) contains 4 objects of type line. These objects represent Pooled, Category-Specific, Unpooled.

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.

Смотрите также

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте