Симуляция ответа инсулина глюкозы

В этом примере показано, как симулировать и анализировать модель в SimBiology® с помощью физиологически основанной модели системы инсулина глюкозы в нормальных и страдающих от диабета людях.

Этот пример требует Statistics and Machine Learning Toolbox™ и Optimization Toolbox™.

Ссылки

  1. Имитационная модель еды системы инсулина глюкозы. Человек К. Даллы, Р.А. Ризза, и К. Кобелли. Транзакции IEEE на биоинженерии (2007) 54 (10), 1740-1749.

  2. Системная модель устного поглощения глюкозы: валидация на данных о золотом стандарте. Человек К. Даллы, М. Камиллери, и К. Кобелли. Транзакции IEEE на биоинженерии (2006) 53 (12), 2472-2478.

Цели

  • Реализуйте модель SimBiology ответа инсулина глюкозы.

  • Симулируйте ответ инсулина глюкозы на одну или несколько еды для нормального, и повредил (диабетические) предметы.

  • Выполните оценку параметра с помощью sbiofit со стратегией функции принуждения.

Фон

В их 2 007 публикациях Человек Даллы и др. разрабатывает модель для человеческого ответа инсулина глюкозы после еды. Эта модель описывает динамику системы с помощью обыкновенных дифференциальных уравнений. Авторы использовали свою модель, чтобы симулировать ответ инсулина глюкозы после одной или нескольких еды для нормальных испытуемых людей и для испытуемых людей с различными видами ухудшений инсулина. Ухудшения были представлены как альтернативные наборы значений параметров и начальных условий.

Мы реализовали модель SimBiology, m1:

  • Перевод уравнений модели в Человеке Даллы и др. (2007) в реакции, правила и события.

  • Организовывая модель в два отсека, один для связанных с глюкозой разновидностей и реакций (названный Glucose appearance) и один для связанных с инсулином разновидностей и реакций (названный Insulin secretion).

  • Используя значения параметров и начальные условия от уравнений модели и из Таблицы 1 и рисунка 1.

  • Включая уравнение для уровня освобождения желудка, как представлено в Человеке Даллы и др. (2006).

  • Устанавливая модули для всех разновидностей, отсеков и параметров, как задано Человеком Даллы и др. (2007), который позволяет модели SimBiology быть симулированной с помощью модульного преобразования. (Обратите внимание на то, что SimBiology также поддерживает использование безразмерных параметров путем установки их ValueUnits свойство к dimensionless.)

  • Установка конфигурации модели TimeUnits к hour, поскольку симуляции проводились более чем 7 или 24 часа.

  • Используя базис 1 килограмма массы тела, чтобы преобразовать разновидности и параметры, которые были нормированы на массу тела в исходной модели. Выполнение так сделанного модулями разновидностей в сумме или концентрации, как требуется SimBiology.

Мы представляли ухудшения инсулина в модели SimBiology, когда вариант возражает со следующими именами:

  • Диабетик типа 2

  • Низкая чувствительность инсулина

  • Высокая бета чувствительность ячейки

  • Низкая бета чувствительность ячейки

  • Высокая чувствительность инсулина

Мы представляли еду в модели SimBiology, когда доза возражает:

  • Доза под названием Single Meal представляет одну еду 78 граммов глюкозы в начале симуляции.

  • Доза под названием Daily Life представляет ценность одного дня еды, относительно симуляции, запускающейся в полночь: завтрак составляет 45 граммов глюкозы в 8 часов времени симуляции (8 a.m.), ланч составляет 70 граммов глюкозы в 12 часов (полдень), и ужин составляет 70 граммов глюкозы в 20 часов (8 p.m.).

Схему модели SimBiology показывают ниже:

Настройка

Загрузите модель.

sbioloadproject('insulindemo', 'm1')

Подавите информационное предупреждение, которое выдано во время симуляций.

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

Симуляция ответа инсулина глюкозы для нормального предмета

Выберите Single Meal объект дозы и отображение его свойства.

mealDose = sbioselect(m1, 'Name', 'Single Meal');
get(mealDose)
ans = struct with fields:
                   Amount: 78
                 Interval: 0
                     Rate: 0
              RepeatCount: 0
                StartTime: 0
                   Active: 0
              AmountUnits: 'gram'
    DurationParameterName: ''
                EventMode: 'stop'
         LagParameterName: ''
                RateUnits: ''
               TargetName: 'Dose'
                TimeUnits: 'hour'
                     Name: 'Single Meal'
                   Parent: [1x1 SimBiology.Model]
                    Notes: ''
                      Tag: ''
                     Type: 'repeatdose'
                 UserData: []

Симулируйте в течение 7 часов.

configset = getconfigset(m1,'active');
configset.StopTime = 7;

Отобразите модули времени симуляции (и StopTime модули.

configset.TimeUnits
ans = 
'hour'

Симулируйте одну еду для нормального предмета.

normalMealSim = sbiosimulate(m1, configset, [], mealDose);

Симуляция ответа инсулина глюкозы для диабетика типа 2

Выберите вариант диабетика Типа 2 и отобразите его свойства.

diabeticVar = sbioselect(m1, 'Name', 'Type 2 diabetic')
diabeticVar = 
   SimBiology Variant - Type 2 diabetic (inactive)

   ContentIndex:     Type:        Name:             Property:           Value:
   1                 parameter    Plasma Volume ... Value               1.49
   2                 parameter    k1                Value               0.042
   3                 parameter    k2                Value               0.071
   4                 parameter    Plasma Volume ... Value               0.04
   5                 parameter    m1                Value               0.379
   6                 parameter    m2                Value               0.673
   7                 parameter    m4                Value               0.269
   8                 parameter    m5                Value               0.0526
   9                 parameter    m6                Value               0.8118
   10                parameter    Hepatic Extrac... Value               0.6
   11                parameter    kmax              Value               0.0465
   12                parameter    kmin              Value               0.0076
   13                parameter    kabs              Value               0.023
   14                parameter    kgri              Value               0.0465
   15                parameter    f                 Value               0.9
   16                parameter    a                 Value               6e-05
   17                parameter    b                 Value               0.68
   18                parameter    c                 Value               0.00023
   19                parameter    d                 Value               0.09
   20                parameter    kp1               Value               3.09
   21                parameter    kp2               Value               0.0007
   22                parameter    kp3               Value               0.005
   23                parameter    kp4               Value               0.0786
   24                parameter    ki                Value               0.0066
   25                parameter    [Ins Ind Glu U... Value               1
   26                parameter    Vm0               Value               4.65
   27                parameter    Vmx               Value               0.034
   28                parameter    Km                Value               466.21
   29                parameter    p2U               Value               0.084
   30                parameter    K                 Value               0.99
   31                parameter    alpha             Value               0.013
   32                parameter    beta              Value               0.05
   33                parameter    gamma             Value               0.5
   34                parameter    ke1               Value               0.0007
   35                parameter    ke2               Value               269
   36                parameter    Basal Plasma G... Value               164.18
   37                parameter    Basal Plasma I... Value               54.81

Симулируйте одну еду для диабетика Типа 2.

diabeticMealSim = sbiosimulate(m1, configset, diabeticVar, mealDose);

Сравните результаты для самых важных выходных параметров симуляции.

  • Плазменная глюкоза (разновидности Plasma Glu Conc)

  • Плазменный инсулин (разновидности Plasma Ins Conc)

  • Эндогенное производство глюкозы (параметр Glu Prod)

  • Уровень глюкозы внешнего вида (параметр Glu Appear Rate)

  • Использование глюкозы (параметр Glu Util)

  • Секреция инсулина (параметр Ins Secr)

outputNames = {'Plasma Glu Conc', 'Plasma Ins Conc', 'Glu Prod', ...
    'Glu Appear Rate', 'Glu Util', 'Ins Secr'};
figure;
for i = 1:numel(outputNames)
    subplot(2, 3, i);

    [tNormal, yNormal  ]  = normalMealSim.selectbyname(outputNames{i});
    [tDiabetic, yDiabetic]  = diabeticMealSim.selectbyname(outputNames{i});
    
    plot( tNormal    , yNormal   , '-'       , ... 
          tDiabetic  , yDiabetic , '--'      );
  
    % Annotate figures 
    outputParam = sbioselect(m1, 'Name', outputNames{i});  
    title(outputNames{i});
    xlabel('time (hour)');
    if strcmp(outputParam.Type, 'parameter')
        ylabel(outputParam.ValueUnits);
    else
        ylabel(outputParam.InitialAmountUnits);
    end
    xlim([0 7]);
    
    % Add legend
    if i == 3
        legend({'Normal', 'Diabetic'}, 'Location', 'Best');
    end
    
end

Figure contains 6 axes objects. Axes object 1 with title Plasma Glu Conc contains 2 objects of type line. Axes object 2 with title Plasma Ins Conc contains 2 objects of type line. Axes object 3 with title Glu Prod contains 2 objects of type line. These objects represent Normal, Diabetic. Axes object 4 with title Glu Appear Rate contains 2 objects of type line. Axes object 5 with title Glu Util contains 2 objects of type line. Axes object 6 with title Ins Secr contains 2 objects of type line.

Отметьте намного более высокие концентрации глюкозы и инсулина в плазме, а также длительной длительности использования глюкозы и секреции инсулина.

Симуляция одного дня с тремя едой для нормального предмета

Установите симуляцию StopTime к 24 часам.

configset.StopTime = 24;

Выберите ежедневную дозу еды.

dayDose  = sbioselect(m1, 'Name', 'Daily Life');

Симулируйте три еды для нормального предмета.

normalDaySim = sbiosimulate(m1, configset, [], dayDose);

Симуляция одного дня с тремя едой для поврежденных предметов

Симулируйте следующие комбинации ухудшений:

  • Ухудшение 1: Низкая чувствительность инсулина

  • Ухудшение 2: Ухудшение 1 с высокой бета чувствительностью ячейки

  • Ухудшение 3: Низкая бета чувствительность ячейки

  • Ухудшение 4: Ухудшение 3 с высокой чувствительностью инсулина

Сохраните ухудшения в массиве ячеек.

impairVars{1} =  sbioselect(m1, 'Name', 'Low insulin sensitivity'    ) ;
impairVars{2} = [impairVars{1}, ...
                    sbioselect(m1, 'Name', 'High beta cell responsivity')];
impairVars{3} =  sbioselect(m1, 'Name', 'Low beta cell responsivity' ) ;
impairVars{4} = [impairVars{3}, ...
                    sbioselect(m1, 'Name', 'High insulin sensitivity'   )];

Симулируйте каждое ухудшение.

for i = 1:4
    impairSims(i) = sbiosimulate(m1, configset, impairVars{i}, dayDose);
end

Сравните плазменную глюкозу и плазменные результаты инсулина.

figure;
outputNames = {'Plasma Glu Conc', 'Plasma Ins Conc'};

legendLabels = {{'Normal'}, ...
    {'-Ins =\beta', '-Ins +\beta'}, ...
    {'=Ins -\beta', '+Ins -\beta'}};
yLimits = [80 240; 0 500];

for i = 1:numel(outputNames)
     
    [tNormal, yNormal] = selectbyname(normalDaySim , outputNames{i} );
    [tImpair, yImpair] = selectbyname(impairSims   , outputNames{i} );
    
    % Plot Normal
    subplot(2, 3, 3*i-2 );
    plot(tNormal, yNormal, 'b-');
    xlim([0 24]);
    ylim(yLimits(i,:));
    xlabel('time (hour)');
    legend(legendLabels{1}, 'Location', 'NorthWest');
    
    % Plot Low Insulin
    subplot(2, 3, 3*i-1 );
    plot(tImpair{1}, yImpair{1}, 'g--', tImpair{2}, yImpair{2}, 'r:');
    xlim([0 24]); 
    ylim(yLimits(i,:));
    xlabel('time (hour)');
    legend(legendLabels{2}, 'Location', 'NorthWest');
    title(outputNames{i});
    
    % Plot Low Beta
    subplot(2, 3, 3*i   );
    plot(tImpair{3}, yImpair{3}, 'c-.', tImpair{4}, yImpair{4}, 'm-');
    xlim([0 24]); 
    ylim(yLimits(i,:));
    xlabel('time (hour)');
    legend(legendLabels{3}, 'Location', 'NorthWest');
    
end

Figure contains 6 axes objects. Axes object 1 contains an object of type line. This object represents Normal. Axes object 2 with title Plasma Glu Conc contains 2 objects of type line. These objects represent -Ins =\beta, -Ins +\beta. Axes object 3 contains 2 objects of type line. These objects represent =Ins -\beta, +Ins -\beta. Axes object 4 contains an object of type line. This object represents Normal. Axes object 5 with title Plasma Ins Conc contains 2 objects of type line. These objects represent -Ins =\beta, -Ins +\beta. Axes object 6 contains 2 objects of type line. These objects represent =Ins -\beta, +Ins -\beta.

Обратите внимание на то, что любая низкая чувствительность инсулина (подчеркнул штриховой линией зеленую линию, -Ins=β) или низкая чувствительность бета ячейки (пунктирно отмеченная точкой голубая линия, =Ins-β) приведите к увеличенным и продленным плазменным концентрациям глюкозы (верхняя строка графиков). Низкая чувствительность в одной системе может быть частично компенсирована высокой чувствительностью в другой системе. Например, низкая чувствительность инсулина и высокая чувствительность бета ячейки (отмеченная точкой красная линия, -Ins+β) результаты в относительно нормальных плазменных концентрациях глюкозы (верхняя строка графиков). Однако в этом случае получившаяся плазменная концентрация инсулина чрезвычайно высока (нижний ряд графиков).

Методология оценки параметра

Вместо того, чтобы одновременно оценивать параметры для целой модели, авторы выполняют оценку параметра для различных подсистем модели с помощью стратегии функции принуждения. Этот подход требует дополнительных экспериментальных данных для "входных параметров" подмодели. Во время подбора кривой входные данные определяют динамику входных разновидностей. (В полной модели движущие силы входных параметров определяются из дифференциальных уравнений.) В терминах SimBiology, можно реализовать функцию принуждения как повторное правило присвоения, которое управляет значением разновидности или параметра, который служит входом для подсистемы модели. В следующих разделах мы используем параметр подходящие возможности SimBiology совершенствовать значения параметров авторов, о которых сообщают.

Подбирая Желудочно-кишечную Модель Внешнего вида Глюкозы с помощью nlinfit

Желудочно-кишечная модель представляет, как глюкоза в еде транспортирована через живот, пищеварительный тракт и кишечник, и затем поглощена в плазму. Вход к этой подсистеме является количеством глюкозы в еде, и выход является уровнем внешнего вида глюкозы в плазме. Однако мы также оцениваем размер еды, поскольку значение, о котором сообщают авторы, противоречиво параметрами и результатами симуляции. Поскольку этот вход только происходит в начале симуляции, никакая функция принуждения не требуется.

Функциональный sbiofit поддерживает оценку параметров в моделях SimBiology с помощью нескольких различных алгоритмов от MATLAB™, Statistics and Machine Learning Toolbox, Optimization Toolbox и Global Optimization Toolbox. Во-первых, оцените параметры с помощью функции Statistics and Machine Learning Toolbox nlinfit.

% Load the experimental data
fitData = groupedData(readtable('GlucoseData.csv', 'Delimiter', ','));

% Set the units on the data
fitData.Properties.VariableUnits = {...
    'hour', ...                % Time units
    'milligram/minute', ...    % GluRate units
    'milligram/deciliter', ... % PlasmaGluConc units
    'milligram/minute', ...    % GluUtil units
    };

% Identify which model components corresponds to observed data variables.
gastroFitObs = '[Glu Appear Rate] = GluRate';

% Estimate the value of the following parameters:
gastroFitEst = estimatedInfo({'kmax', 'kmin', 'kabs', 'Dose'});

% Ensure the parameter estimates are always positive during estimation by
% using a log transform on all parameters.
[gastroFitEst.Transform] = deal('log');

% Set the initial estimate for Dose to the reported meal dose amount. The
% remaining initial estimates will be taken from the parameter values in
% the model.
gastroFitEst(4).InitialValue = mealDose.Amount;

% Generate simulation data with the initial parameter estimates
configset.StopTime = 7;
gastroInitSim = sbiosimulate(m1, mealDose);
 
% Fit the data using |nlinfit|, displaying output at each iteration
fitOptions = statset('Display', 'iter');
[gastroFitResults, gastroFitSims] = sbiofit(m1, fitData, ...
    gastroFitObs, gastroFitEst, [], 'nlinfit', fitOptions);
 
                                     Norm of         Norm of
   Iteration             SSE        Gradient           Step 
  -----------------------------------------------------------
           0          43.798
           1         2.23537         22.9971        0.596828
           2         1.65253         1.36198        0.104842
           3         1.64911       0.0938221       0.0264691
           4         1.64908     0.000752512      0.00253512
           5         1.64908       0.0837661      1.2591e-16
Iterations terminated: relative norm of the current step is less than OPTIONS.TolX

Подгонка данных Используя fminunc

Теперь оцените параметры с помощью функции Optimization Toolbox fminunc.

% Fit the data, plotting the objective function at each iteration
fitOptions2 = optimoptions('fminunc', 'PlotFcns', @optimplotfval);
[gastroFitResults(2), gastroFitSims(2)] = sbiofit(m1, fitData, ...
    gastroFitObs, gastroFitEst, [], 'fminunc', fitOptions2);

Figure Optimization Plot Function contains an axes object. The axes object with title Current Function Value: 1.64909 contains an object of type line.

Сравните симуляцию до и после подбора кривой.

gastroSims = selectbyname([gastroInitSim gastroFitSims], 'Glu Appear Rate');

figure;
plot(gastroSims(1).Time , gastroSims(1).Data , '-'  , ...
     gastroSims(2).Time , gastroSims(2).Data , '--' , ...
     gastroSims(3).Time , gastroSims(3).Data , '-.' , ...
     fitData.Time       , fitData.GluRate, 'x'  );
 
xlabel('Time (hour)');
ylabel('mg/min');
legend('Reported', 'Estimated (nlinfit)', ...
    'Estimated (fminunc)', 'Experimental');
title('Glucose Appearance Fit');

Figure contains an axes object. The axes object with title Glucose Appearance Fit contains 4 objects of type line. These objects represent Reported, Estimated (nlinfit), Estimated (fminunc), Experimental.

Постройте изменение в значениях параметров относительно значений, о которых сообщают.

figure;
fitResults = [gastroFitResults(1).ParameterEstimates.Estimate ...
    gastroFitResults(2).ParameterEstimates.Estimate];
% The initial values for kmax, kmin, and kabs come from the model.
gastroFitInitValues = [
    get(sbioselect(m1, 'Name', 'kmax'), 'Value')
    get(sbioselect(m1, 'Name', 'kmin'), 'Value')
    get(sbioselect(m1, 'Name', 'kabs'), 'Value')
    gastroFitEst(4).InitialValue
    ];
relFitChange = fitResults ./ [gastroFitInitValues gastroFitInitValues] - 1;
bar(relFitChange);
ax = gca;
ax.XTickLabel = {gastroFitEst.Name};
ylabel('Relative change in estimated values');
title('Comparing Reported and Estimated Gastrointestinal Parameter Values');
legend({'nlinfit', 'fminunc'}, 'Location', 'North')

Figure contains an axes object. The axes object with title Comparing Reported and Estimated Gastrointestinal Parameter Values contains 2 objects of type bar. These objects represent nlinfit, fminunc.

Обратите внимание на то, что модель соответствует экспериментальным данным значительно лучше если размер еды (Dose) значительно больше, чем сообщаемый, параметр kmax значительно больше, чем сообщаемый, и kabs меньше, чем сообщаемый.

Подбирая модель мышечной и жировой ткани использования глюкозы

Модель мышечной и жировой ткани представляет, как глюкоза используется в теле. "Входные параметры" к этой подсистеме являются концентрацией инсулина в плазме (Plasma Ins Conc), эндогенное производство глюкозы (Glu Prod), и уровень внешнего вида глюкозы (Glu Appear Rate). "Выходные параметры" являются концентрацией глюкозы в плазме (Plasma Glu Conc) и уровень использования глюкозы (Glu Util).

Поскольку входные параметры являются функцией времени, они должны быть реализованы как обеспечивающие функции. А именно, значения Plasma Ins Conc, Glu Prod, и Glu Appear Rate управляются повторными присвоениями, которые вызывают функции, чтобы сделать линейную интерполяцию экспериментальных значений, о которых сообщают. При использовании этих функций, чтобы управлять разновидностью или параметром, необходимо сделать неактивным любое другое правило, которое использовано, чтобы установить его значение. Чтобы упростить выбор этих правил, правило свойства Name содержит понятные имена.

% Create forcing functions for the "inputs":
% Plasma Insulin
PlasmaInsRule       = sbioselect(m1, 'Name', 'Plasma Ins Conc definition');
PlasmaInsForcingFcn = sbioselect(m1, 'Name', 'Plasma Ins Conc forcing function')
PlasmaInsForcingFcn = 
   SimBiology Rule Array

   Index:    RuleType:             Rule:                                                                  
   1         repeatedAssignment    [Plasma Ins Conc] = [picomole per liter]*PlasmaInsulin(time/[one hour])

PlasmaInsRule.Active       = false;
PlasmaInsForcingFcn.Active = true;

% Endogenous Glucose Production (Glu Prod)
GluProdRule       = sbioselect(m1, 'Name', 'Glu Prod definition');
GluProdForcingFcn = sbioselect(m1, 'Name', 'Glu Prod forcing function')
GluProdForcingFcn = 
   SimBiology Rule Array

   Index:    RuleType:             Rule:                                                                           
   1         repeatedAssignment    [Glu Prod] = [milligram per minute]*EndogenousGlucoseProduction(time/[one hour])

GluProdRule.Active       = false;
GluProdForcingFcn.Active = true;

% Glucose Rate of Appearance (Glu Appear Rate)
GluRateRule       = sbioselect(m1, 'Name', 'Glu Appear Rate definition');
GluRateForcingFcn = sbioselect(m1, 'Name', 'Glu Appear Rate forcing function')
GluRateForcingFcn = 
   SimBiology Rule Array

   Index:    RuleType:             Rule:                                                                            
   1         repeatedAssignment    [Glu Appear Rate] = [milligram per minute]*GlucoseAppearanceRate(time/[one hour])

GluRateRule.Active       = false;
GluRateForcingFcn.Active = true;

% Simulate with the initial parameter values
muscleInitSim = sbiosimulate(m1);

% Identify which model components corresponds to observed data variables.
muscleFitObs = {'[Plasma Glu Conc] = PlasmaGluConc', ...
    '[Glu Util] = GluUtil'};

% Estimate the value of the following parameters:
muscleFitEst = estimatedInfo({'[Plasma Volume (Glu)]', 'k1', 'k2', ...
    'Vm0', 'Vmx', 'Km', 'p2U'});

% Ensure the parameter estimates are always positive during estimation by
% using a log transform on all parameters.
[muscleFitEst.Transform] = deal('log');

% Fit the data, displaying output at each iteration 
[muscleFitResults, muscleFitSim] = sbiofit(m1, fitData, ...
    muscleFitObs, muscleFitEst, [], 'nlinfit', fitOptions);
 
                                     Norm of         Norm of
   Iteration             SSE        Gradient           Step 
  -----------------------------------------------------------
           0         2181.51
           1         682.537         15418.9        0.477459
           2         603.109         25644.9        0.879582
           3         503.599         16447.4        0.802291
           4         376.519         12343.9        0.324297
           5         368.782         8923.16       0.0700439
           6         332.709         5653.32       0.0479788
           7         306.419         851.074       0.0813683
           8         271.443         6011.07        0.156832
           9         251.228         3163.88       0.0428459
          10         234.782         1700.19       0.0854005
          11         233.126         1159.08      0.00724257
          12         229.584         2401.43       0.0256606
          13          224.26         1594.28        0.038696
          14         224.013         1272.59      0.00210287
          15         222.788          890.28      0.00323053
          16         222.319         1034.28      0.00140676
          17         221.957          767.18      0.00268741
          18         221.953         445.383     1.35982e-07
          19         221.953         945.749     5.04347e-17
Iterations terminated: relative norm of the current step is less than OPTIONS.TolX

Постройте изменение в значениях параметров относительно значений, о которых сообщают.

figure;
muscleFitInitValues = [
    get(sbioselect(m1, 'Name', 'Plasma Volume (Glu)'), 'Value')
    get(sbioselect(m1, 'Name', 'k1'), 'Value')
    get(sbioselect(m1, 'Name', 'k2'), 'Value')
    get(sbioselect(m1, 'Name', 'Vm0'), 'Value')
    get(sbioselect(m1, 'Name', 'Vmx'), 'Value')
    get(sbioselect(m1, 'Name', 'Km'), 'Value')
    get(sbioselect(m1, 'Name', 'p2U'), 'Value')
    ];

bar(muscleFitResults.ParameterEstimates.Estimate ./ muscleFitInitValues - 1);
ax = gca;
ax.XTickLabel = {muscleFitEst.Name};
ylabel('Relative change in estimated values');
title('Comparing Reported and Estimated Glucose Parameter Values');

Figure contains an axes object. The axes object with title Comparing Reported and Estimated Glucose Parameter Values contains an object of type bar.

Очистите изменения в модели.

PlasmaInsRule.Active = true;
GluProdRule.Active   = true;
GluRateRule.Active   = true;

PlasmaInsForcingFcn.Active = false;
GluProdForcingFcn.Active   = false;
GluRateForcingFcn.Active   = false;

Сравните симуляцию до и после подбора кривой

muscleSims = selectbyname([muscleInitSim muscleFitSim], ...
    {'Plasma Glu Conc', 'Glu Util'});
figure;
plot(muscleSims(1).Time, muscleSims(1).Data(:,1), '-', ...
    muscleSims(2).Time, muscleSims(2).Data(:,1), '--', ...
    fitData.Time, fitData.PlasmaGluConc, 'x');
xlabel('Time (hour)');
ylabel('mg/dl');
legend('Initial (Simulation)', 'Estimated (Simulation)', 'Experimental');
title('Plasma Glucose Fit');

Figure contains an axes object. The axes object with title Plasma Glucose Fit contains 3 objects of type line. These objects represent Initial (Simulation), Estimated (Simulation), Experimental.

figure;
plot(muscleSims(1).Time, muscleSims(1).Data(:,2), '-', ...
    muscleSims(2).Time, muscleSims(2).Data(:,2), '--', ...
    fitData.Time, fitData.GluUtil, 'x');
xlabel('Time (hour)');
ylabel('mg/min');
legend('Initial (Simulation)', 'Estimated (Simulation)', 'Experimental');
title('Glucose Utilization Fit');

Figure contains an axes object. The axes object with title Glucose Utilization Fit contains 3 objects of type line. These objects represent Initial (Simulation), Estimated (Simulation), Experimental.

Обратите внимание на то, что значительно увеличив некоторые параметры, такие как Vmx, позволяет намного лучший припадок последних разовых плазменных концентраций глюкозы.

Очистка

Восстановите предупреждение настроек.

warning(warnSettings);

Заключения

SimBiology содержит несколько функций, которые упрощают реализацию и симуляцию сложной модели системы инсулина глюкозы. Реакции, события и правила обеспечивают естественный способ описать динамику системы. Модульное преобразование позволяет разновидностям и параметрам быть заданными в удобных модулях и гарантирует размерную непротиворечивость модели. Объекты дозы являются простым способом описать повторяющиеся входные параметры к модели, такие как ежедневное расписание еды в этом примере. SimBiology также оказывает встроенную поддержку для аналитических задач как оценка параметра и симуляция.

Для просмотра документации необходимо авторизоваться на сайте