主要内容

元素效应

通过计算基本效应进行全局敏感性分析

折叠所有页面

    语法

    elementaryEffectsResults = sbioelementaryeffects (modelObj params,可见)
    elementaryEffectsResults=sbioelementaryeffects（modelObj、参数、可观察对象、名称=值）

    描述

    例子

    元素效应结果= sbioelementaryeffects (modelObj，参数个数，可见）对SimBiology模型进行全局敏感性分析modelObj通过计算的基本效应可见中规定的单个模型数量或参数参数个数．

    例子

    元素效应结果= sbioelementaryeffects (modelObj，参数个数，可见，名称=值）使用由一个或多个名称-值参数指定的附加选项。

    例子

    全部折叠

    打开生活的脚本

    加载肿瘤的生长模型．

    SBIOLADP项目tumor_growth_vpop_sa.sbproj

    得到一个带有估计参数和适用于模型的剂量的变量。

    v = getvariant (m1);d = getdose (m1,“interval_dose”）;

    获取活动配置集并将肿瘤重量设置为响应。

    cs=getconfigset（m1）；cs.RuntimeOptions.StatesToLog=“tumor_weight”；

    模拟模型并绘制肿瘤生长曲线。

    sbioplot（sbiosimulate（m1，cs，v，d））；

    图中包含一个轴对象。标题为“状态与时间”的axes对象包含一个类型为line的对象。该对象表示tumor_weight。

    对模型进行全局敏感性分析（GSA），找出肿瘤生长敏感的模型参数。

    首先，定义感兴趣的模型参数，这些参数涉及肿瘤生长的药效学。将模型反应定义为肿瘤权重。

    modelParamNames = {“10”，“L1”，“w0”，“k1”};outputName =“tumor_weight”；

    然后通过计算基本效应执行GSA元素效应．使用One hundred.作为样本的数量和设置ShowWaitBar到真正的来显示模拟过程。

    rng (“默认”）;eeResults = sbioelementaryeffects (m1, modelParamNames outputName,变异= v = d剂量,NumberSamples = 100, ShowWaitbar = true);

    显示模型响应的中值，模拟结果，以及覆盖90%模拟结果的阴影区域。

    plotData (eeResults ShowMedian = true, ShowMean = false);

    图中包含一个轴对象。axis对象包含12个类型为line, patch的对象。这些对象代表模型模拟，90.0%区域，中值。

    您可以通过指定将分位数区域调整为不同的百分比阿尔法为所有模型响应的上、下分位数。例如,一个α值0.1绘制的阴影区域之间的100*alpha和100 *(1α)所有模拟模型响应的分位数。

    绘图数据（eeResults，Alphas=0.1，ShowMedian=true，ShowMean=false）；

    图中包含一个轴对象。axis对象包含12个类型为line, patch的对象。这些对象代表模型模拟，80.0%区域，中值。

    绘制基本效应的平均值和标准偏差的时间历程。

    h=绘图（eeResults）；%调整图形的大小。h.头寸(:)= [100 100 1280 800];

    图中包含8个轴对象。轴对象1与标题敏感性输出[肿瘤生长模型]。Tumor_weight包含一个line类型的对象。轴对象2与标题敏感性输出[肿瘤生长模型]。Tumor_weight包含一个line类型的对象。axis对象3包含一个类型为line的对象。axis对象4包含一个类型为line的对象。axis对象5包含一个类型为line的对象。axis对象6包含一个类型为line的对象。axis对象7包含一个类型为line的对象。axis对象8包含一个类型为line的对象。

    效应的平均值解释了输入参数值的变化是否对肿瘤重量反应有任何影响。效应的标准差解释了灵敏度变化是否依赖于参数域中的位置。

    从效果图的均值，参数L1和w0在t=7剂量应用前，似乎是对肿瘤重量最敏感的参数。但是，在剂量应用后，k1和L0成为更敏感的参数，对给药后阶段的肿瘤重量贡献最大。效应标准差图显示，在肿瘤生长的后期(t > 35)，较大的参数值的偏差大于给药前阶段。

    您还可以在条形图中显示灵敏度的大小。每个颜色阴影表示一个直方图，表示不同时间的值。颜色越深表示这些值在整个时间过程中出现的频率越高。

    酒吧(eeResults);

    图中包含一个轴对象。具有标题敏感性输出的轴对象[肿瘤生长模型]。Tumor_weight包含18个patch, line类型的对象。这些对象代表平均值，标准差。

    您还可以绘制用于计算基本效果的参数网格和样本。

    绘图网格（eeResults）

    图中包含6个轴对象。axis对象1包含200个类型为line的对象。axis对象2包含200个类型为line的对象。axis对象3包含200个类型为line的对象。axis对象4包含200个类型为line的对象。axis对象5包含200个类型为line的对象。axis对象6包含200个类型为line的对象。

    您可以指定更多的示例来提高基本效果的准确性，但是模拟可能需要更长的时间才能完成。使用addsamples添加更多样本。

    eeResults2 = addsamples (eeResults, 200);

    的SimulationInfo属性包含计算基本效果的各种信息。例如，使用一组参数示例的每个仿真的模型仿真数据(SimData)存储在SimData属性的字段。此字段是SimData对象。

    eeResults2.SimulationInfo.SimData
    SimBiology SimData Array: 1500-by-1 Index: Name: ModelName: dataccount: 1 - Tumor Growth Model 1 2 - Tumor Growth Model 1 3 - Tumor Growth Model 1…1500 -肿瘤生长模型

    通过检查，可以发现在计算过程中是否有模型模拟失败ValidSample领域SimulationInfo．在本例中，该字段显示没有失败的模拟运行。

    所有(eeResults2.SimulationInfo.ValidSample)
    ans =逻辑1

    您可以将自定义表达式添加为可观察对象，并计算添加的可观察对象的基本效果。例如，可以通过定义如下自定义表达式来计算最大肿瘤权重的效果。

    %抑制发出的信息警告。warnSettings =警告(“关闭”，'模拟生物学：sbservices:SB_DIMANALYSISNOTDONE_MATLABFCN_UCON'）;%添加可观察表达式。eeObs=添加可观察（eeResults2，“最大肿瘤重量”，'最大（肿瘤重量）'，“单位”，“克”）;

    绘制显示90%分位数区域的计算仿真结果。

    h2=绘图数据（eeObs）；h2.位置（：）=[100 1500 800]；

    图中包含2个轴对象。坐标轴对象1包含12个类型为line, patch的对象。这些对象代表模型模拟值，90.0%区域，平均值。axis对象2包含12个类型为line, patch的对象。这些对象代表模型模拟值，90.0%区域，平均值。

    你也可以通过指定它的名字来删除这个可观察对象。

    eeNoObs=可移除可观察（eeObs，“最大肿瘤重量”）;

    恢复警告设置。

    警告(warnSettings);

    输入参数

    全部折叠

    SimBiology模型，指定为SimBiology模型对象．

    指定为字符向量、字符串、字符串向量或字符向量单元数组的模型参数、种类或分区的名称。

    例子:(k1, k2”)

    数据类型：字符|一串|细胞

    模型响应，指定为字符向量、字符串、字符串向量或字符向量的单元数组。指定物种、参数、隔间或的名称可见．

    例子:“tumor_growth”

    数据类型：字符|一串|细胞

    名称-值参数

    指定可选参数对为名称1=Value1，…，名称n=ValueN哪里名称参数名和价值为对应值。名称-值参数必须出现在其他参数之后，但对的顺序无关紧要。

    例子:eeResults = sbioelementaryeffects (modelObj params,可见,StopTime = 10)指定使用10的停止时间。

    参数边界，指定为具有两列的数字矩阵。第一列包含下界，第二列包含上界。中参数的行数必须等于参数个数．

    如果参数具有非零值，则默认边界为该值的±10%。如果参数值为零，则默认边界为[0 1]．

    例子:(0.5 - 5)

    数据类型：双重的

    模型模拟期间使用的剂量，指定为ScheduleDose或RepeatDose物体或剂量物体的载体。

    在模型模拟之前应用的变量，指定为变量对象或变量对象的向量。

    当为特性值指定多个具有重复规范的变量时，将在模拟过程中使用变量数组中特性值的最后一个引用。

    用于计算基本效应的样本数，指定为正整数。功能要求(数量的输入参数个数+1）*数字样本模型模拟，计算基本效应。

    数据类型：双重的

    方法选择样本点来计算基本效应，具体为“链”或“放射状”．的“链”点选择使用Morris方法［1］．的“放射状”点选择使用Sohier方法［2］．有关详细信息,请参见全球敏感性分析的基本效应．

    数据类型：字符|一串

    参数域的离散化水平，指定为正偶数。该参数在参数域中定义等距点网格，其中每个维度使用Gridlevel＋１点。下图显示了一个参数网格示例p1和p2在给定的参数范围内。

    网格点的

    有关详细信息,请参见全球敏感性分析的基本效应．

    数据类型：双重的

    计算基本效果的步长，指定为1到之间的正整数GridLevel．步长以相邻点之间的网格点来度量。下图显示了不同网格delta值的示例。

    两个点栅格，一个带有红线，显示一个栅格增量，另一个显示三个栅格增量。

    有关详细信息,请参见全球敏感性分析的基本效应．

    数据类型：双重的

    标志以使用基本效果的绝对值，指定为真正的或假．默认情况下，函数使用基本效果的绝对值。使用非绝对值可以在计算平均值时求出平均值。有关详细信息,请参见全球敏感性分析的基本效应．

    数据类型：逻辑

    方法生成参数样本，指定为以下选项之一：

    • “韩”-使用低差异的拉丁超立方体样本。

    • “随机”—使用均匀分布的随机样本。

    该函数通过对网格点进行采样来选择生成的参数样本。

    模拟停止时间，指定为非负标量。如果你指定两者都不是StopTime也没有输出时间，该功能使用从模型的激活配置集的停止时间。不能同时指定两者StopTime和输出时间．

    数据类型：双重的

    模拟输出时间，指定为数值向量。该函数计算这些输出时间点的基本效果。不能同时指定两者StopTime和输出时间．默认情况下，该函数使用第一次模型仿真的报告时间点。

    例子:[0 1 2 3.5 4 5 5.5]

    数据类型：双重的

    标志以并行运行模型模拟，指定为真正的或假．当值为真正的并行计算工具箱™ 如果可用，该函数将并行运行模拟。

    数据类型：逻辑

    开启模型加速的标志，指定为真正的或假．

    数据类型：逻辑

    将模型响应插值到一组公共输出时间的方法，指定为字符向量或字符串。下面是有效的选项。

    • “interp1q”——使用interp1q函数。

    • 使用interp1函数，指定以下方法之一:

      • “最近的”

      • “线性”

      • “样条”

      • “pchip”

      • “v5cubic”

    • “zoh”-指定零阶保持。

    数据类型：字符|一串

    通过显示一个等待栏（指定为）来显示模型模拟的进度的标志真正的或假．缺省情况下，不显示等待条。

    数据类型：逻辑

    输出参数

    全部折叠

    结果包含基本效应的平均值和标准偏差，返回为aSimBiology.gsa.ElementaryEffects对象。对象包括基本效应的均值和标准偏差以及用于计算基本效应的参数样本和模型模拟等信息。

    更多关于

    全部折叠

    全球敏感性分析的基本效应

    元素效应让您评估模型响应的全局敏感性与模型参数的变化。

    考虑一个带有一个灵敏度输入参数的简单情况P．基本的效果EE的P关于模型响应R定义如下。

    E E P （ x ） ＝ R （ x ） − R （ x + d e l t 一个 ）

    在这里EEP(x)的基本效果是P．R (x)和R (x +δ)是否对特定时间的模型响应或可观测值进行了参数值评估x和x+δ．

    在一般情况下k敏感输入参数,x是一个不同参数值的向量，x= (v1，v2，v3.、……vk］.这项研究的基本效果我参数的计算方法如下:

    E E P 我 （ x ） ＝ R （ v 1 ， v 2 ， v 3. ， ... ， v 我 ， ... ， v k ） − R （ v 1 ， v 2 ， v 3. ， ... ， v 我 + d e l t 一个 我 ， ... ， v k ） ＝ R （ x ） − R （ x + e 我 × d e l t 一个 我 ）

    在这里e我是我因此，计算所有参数的基本效应P1，P2，P3.、……Pk要求k＋１模型模拟。

    该函数提供两种方法(“PointSelection”)选择一组k＋１计算这些基本效应所需的点。

    • 径向-这种方法［2］使用k点, x ± e 1 × d e l t 一个 1 ， x ± e 2 × d e l t 一个 2 ， ... ， x ± e k × d e l t 一个 k ，它们围绕一个中心点排列x计算每一种的基本效应k参数。

      中心点通过直线连接到其周围的其他点。点标记为X、X+e1*delta1，依此类推。

    • 链-这种方法［1］使用点链，而不是围绕中心点径向排列的点:

      x + ∑ 我 ＝ 1 n e 我 × d e l t 一个 我 ， 哪里 n ＝ 0 ， 1 ， ... ， k

      在楼梯模式中由线连接的一系列点。点被标记为X X+e1*delta1+e2*delta2，以此类推。

    为了得到基本效应的平均值和标准偏差，该函数进行计算N（“NumberSamples”)每个参数的基本效果，这需要N*（k+ 1)模拟。默认情况下，函数报告的平均值和标准偏差完全的每个参数的基本效应P1，P2，P3.、……Pk．

    的意思是 的 E E P 我 ＝ 的意思是 （ | E E P 我 | ） 标准差 E E P 我 ＝ 性病 （ | E E P 我 | ）

    • 基本效应的均值解释了参数是否变化P对反应有影响吗R平均来说。

    • 标准差解释了灵敏度变化是否依赖于参数域中的位置。

    该函数使用完全的基本效果是默认的，因为基本效果可以在其他情况下计算平均值。或者，您可以设置“AbsoluteEffects”名称-值参数假的均值和标准差nonabsolute基本的效果。

    函数报告用于计算基本效应的点ParameterSamples返回的结果对象的属性。每个k＋１表中的行ParameterSamples对应于用于计算基本效果的k+1径向或链式点SimulationInfo。SimData属性的结果对象包含相应的模型仿真。函数从定义的参数网格中对点进行采样“GridLevel”和“GridDelta”．下图展示了一个简单的例子，其中有两个灵敏度输入(y1和y2),“NumberSamples”= 2链“PointSelection”方法。

    网格上的两个点链，显示了相关的基本效果。

    参考文献

    ［1］初步计算实验的阶乘抽样计划。技术指标33，第2号（1991年5月）：161-74。

    ［2］Sohier, Henri, Jean-Loup Farges和Helene Piet-Lahanier。“对空中发射-轨道分离莫里斯法代表性的改进”。IFAC诉讼卷47岁的没有。3(2014): 7954 - 59。

    另请参阅

    |||

    主题

    介绍了R2021b

    SimBiology文档

    金宝app

    MATLAB、金宝appSimulink、その他の製品をお試しください

    無料評価版のダウンロード