estimatedInfo

背景

这个例子展示了如何将个体的PK数据拟合到单室模型中，并估计药代动力学参数。

假设你有一个人的药物血浆浓度数据，想要估计中央室的容积和清除率。假设药物浓度随时间曲线呈单指数下降 $$C_t＝C_0{e}^{-k_{e}t}$$,在那里 $$C_t$$是t时刻的药物浓度， $$C_0$$初始浓度是多少 $$k_e$$消除率是否取决于中央隔室的间隙和容积 $$k_e＝Cl/V$$．

本例中的合成数据使用以下模型、参数和剂量生成:

加载数据和可视化

数据存储为带有变量的表时间和浓缩的这代表了在13个不同时间点静脉注射后个体血浆浓度的时间过程。的可变单位时间和浓缩的分别是小时和毫克/升。

负载(“data15.mat”)情节(data.Time data.Conc,“b +”)包含(的时间(小时));ylabel (“药物浓度(毫克/升)”);

转换为groupedData格式

将数据集转换为agroupedData对象，它是拟合函数所需的数据格式sbiofit供以后使用。一个groupedData对象还允许您设置独立变量和组变量名称(如果存在的话)。设置的单位时间和浓缩的变量。单元是可选的，并且只需要UnitConversion特性，自动将匹配的物理量转换为一个一致的单位系统。

gData = groupedData(data);gData.Properties.VariableUnits = {“小时”，毫克/升的};gData。属性

ans =带有字段的结构体:描述:" UserData: [] DimensionNames: {'Row' 'Variables'} VariableNames: {'Time' 'Conc'} variabledescription: {} VariableUnits: {'hour' '毫克/升'}variableccontinucontinuity: [] RowNames: {} CustomProperties: [1x1 matlab.tabular。GroupVariableName: 'Time'

groupedData自动设置的名称IndependentVariableName属性赋给时间数据的变量。

构建一个单室模型

使用内置的PK库构建一个单室模型，具有丸给药和一阶消除，其中消除率取决于中央室的间隙和体积。使用configset对象以开启单位转换。

pkmd = PKModelDesign;pkc1 = add格室(pkmd，“中央”);pkc1。DosingType =“丸”;pkc1。EliminationType =“linear-clearance”;pkc1。HasResponseVariable = true;Model = construct(pkmd);Configset = getconfigset(model);configset.CompileOptions.UnitConversion = true;

有关使用SimBiology®内置库创建分区PK模型的详细信息，请参见创建药代动力学模型．

定义剂量

确定在时间= 0时给药的单次剂量为10毫克。有关设置不同给药时间表的详细信息，请参见SimBiology模型中的剂量．

剂量= sbiodose(“剂量”);剂量。TargetName =“Drug_Central”;剂量。StartTime = 0;剂量。一个mount = 10; dose.AmountUnits =毫克的;剂量。时间Units =“小时”;

将响应数据映射到相应的模型组件

中存储的药物浓度数据浓缩的变量。这个数据对应于Drug_Central模型中的物种。因此，将数据映射到Drug_Central如下。

responseMap = {'Drug_Central = Conc'};

指定要估计的参数

该模型拟合的参数是中央车厢(central)的体积和清除率(Cl_Central)。在这种情况下，为这些生物参数指定对数变换，因为它们被约束为正的。的estimatedInfo对象允许您根据需要指定参数转换、初始值和参数边界。

paramsToEstimate = {“日志(中央)”，“日志(Cl_Central)”};estimatedParams = estimatedInfo(paramsToEstimate，“InitialValue”[1],“界限”，[1 5;0.5 2]);

估计参数

现在您已经定义了单室模型、拟合数据、映射响应数据、估计参数和剂量sbiofit估计参数。默认的估计函数sbiofit用法将根据可用的工具箱而变化。要查看在拟合过程中使用了哪个函数，请检查EstimationFunction属性的对应结果对象。

fitConst = sbiofit(model,gData,responseMap,estimatedParams,dose);

显示估计参数和绘图结果

注意，参数估计值与用于生成数据的真实值(1.70和0.55)相差不远。您还可以尝试不同的误差模型，看看它们是否可以进一步改进参数估计。

fitConst。ParameterEstimates

ans =2×4表名字估计StandardError界限  ______________ ________ _____________ __________ {' 中央}1.6993 0.034821 1 5{‘Cl_Central} 0.53358 - 0.01968 0.5 - 2

s.Labels.XLabel =的时间(小时);s.Labels.YLabel =的浓度(毫克/升);情节(fitConst“AxesStyle”,年代);

使用不同的错误模型

尝试其他三种支持的误差模型(比例万博1manbetx误差模型、常数和比例误差模型的组合以及指数误差)。

fitProp = sbiofit(model,gData,responseMap,estimatedParams,dose，．.．“ErrorModel”，“比例”);fitExp = sbiofit(model,gData,responseMap,estimatedParams,dose，．.．“ErrorModel”，“指数”);fitComb = sbiofit(model,gData,responseMap,estimatedParams,dose，．.．“ErrorModel”，“组合”);

使用权重而不是错误模型

您可以将权重指定为数字矩阵，其中列的数量对应于响应的数量。将所有权重设置为1相当于恒定误差模型。

weightsNumeric = ones(size(gData.Conc));fitWeightsNumeric = sbiofit(model,gData,responseMap,estimatedParams,dose，“重量”, weightsNumeric);

或者，您可以使用一个函数句柄，它接受预测响应值的向量并返回权重向量。在本例中，使用一个相当于比例误差模型的函数句柄。

@(y) 1./y.^2;fitWeightsFunction = sbiofit(model,gData,responseMap,estimatedParams,dose，“重量”, weightsFunction);

比较模型选择的信息标准

比较每个模型的loglikelihood、AIC和BIC值，以查看哪个错误模型最适合数据。似然值越大，表示对应的模型与模型拟合得越好。对于AIC和BIC，值越小越好。

allResults = [fitConst,fitWeightsNumeric,fitWeightsFunction,fitProp,fitExp,fitComb];errorModelNames = {“恒定误差模型”，相同重量的，的权重比例，．.．“比例误差模型”，指数误差模型，．.．“组合误差模型”};LogLikelihood = [allResults.LogLikelihood];AIC = [allResults.AIC]';[allResults.BIC]';t = table(LogLikelihood,AIC,BIC);. properties . rownames = errorModelNames;t

t =6×3表LogLikelihood AIC BIC _____________ _______ _______常数误差模型3.9866 -3.9732 -2.8433等权3.9866 -3.9732 -2.8433比例权重-3.8472 11.694 12.824比例误差模型-3.8257 11.651 12.781指数误差模型1.1984 1.6032 2.7331组合误差模型3.9163 -3.8326 -2.7027

基于信息准则，恒定误差模型(或等权模型)具有最大的对数似然值和最小的AIC和BIC，因此最适合数据。

显示估计参数值

显示每个模型的估计参数值。

Estimated_Central = 0 (6,1);Estimated_Cl_Central = 0 (6,1);t2 = table(Estimated_Central,Estimated_Cl_Central);t2.Properties。RowNames = errorModelNames;为i = 1:height(t2) t2{i,1} = allResults(i).ParameterEstimates.Estimate(1);t2{i,2} = allResults(i).ParameterEstimates.Estimate(2);结束t2

t2 =6×2表Estimated_Central Estimated_Cl_Central _________________ ____________________常数误差模型1.6993 0.53358等权1.6993 0.53358比例权重1.9045 0.51734比例误差模型1.8777 0.51147指数误差模型1.7872 0.51701组合误差模型1.7008 0.53271

结论

这个例子展示了如何通过将PK剖面数据拟合到单室模型中来估计PK参数，即个体中央室的体积和间隙参数。您比较了每个模型的信息标准，并估计了不同误差模型的参数值，以查看哪个模型最能解释数据。最终的拟合结果表明，常数和组合误差模型都提供了最接近用于生成数据的参数值的估计。然而，从对数似然、AIC和BIC信息标准可以看出，恒定误差模型是一个更好的模型。

背景

假设你有30个人的药物血浆浓度数据，想要估计药代动力学参数，即中央和外周室的体积、清除率和室间清除率。假设药物浓度随时间曲线呈双指数下降 $$C_t＝\mathrm{一个}{e}^{-\mathrm{一个}t}+B{e}^{-bt}$$,在那里 $$C_t$$t时刻的药物浓度是多少 $$\mathrm{一个}$$和 $$b$$是对应指数下降的斜率。

加载数据

这一合成数据包含了30个个体在给药(100mg)后在不同时间测量的中央和外周腔室血浆浓度的时间过程。它还包含分类变量，即性和年龄．

明确负载(“sd5_302RAgeSex.mat”）

转换为groupedData格式

将数据集转换为agroupedData对象，它是拟合函数所需的数据格式sbiofit．一个groupedData对象还允许您设置独立变量和组变量名称(如果存在的话)。设置的单位ID，时间，CentralConc，PeripheralConc，年龄,性变量。单元是可选的，并且只需要UnitConversion特性，自动将匹配的物理量转换为一个一致的单位系统。

gData = groupedData(data);gData.Properties.VariableUnits = {＇＇，“小时”，毫克/升的，毫克/升的，＇＇，＇＇};gData。属性

ans =带有字段的结构体:描述:" UserData: [] DimensionNames:{'行''变量'}变量名称:{'ID' '时间''中心conc ''外设conc ''性别''年龄'}变量描述:{}变量单位:{" '小时''毫克/升''毫克/升' '' ''}变量连续性:[]RowNames: {} CustomProperties: [1x1 matlab.tabular。组变量名:'ID'独立变量名:'时间'

的IndependentVariableName和GroupVariableName属性已自动设置为时间和ID数据的变量。

可视化数据

显示每个人的响应数据。

t = sbiotrellis(gData，“ID”，“时间”, {“CentralConc”，“PeripheralConc”}，．.．“标记”，“+”，“线型”，“没有”);%调整图形大小。t.hFig.Position(:) = [100 100 1280 800];

建立一个双室模型

使用内置的PK库构建输注剂量和一阶消除的两室模型，其中消除速率取决于中央室的间隙和体积。使用configset对象以开启单位转换。

pkmd = PKModelDesign;pkc1 = add格室(pkmd，“中央”);pkc1。DosingType =“丸”;pkc1。EliminationType =“linear-clearance”;pkc1。HasResponseVariable = true;pkc2 = add格室(pkmd，“外围”);Model = construct(pkmd);Configset = getconfigset(model);configset.CompileOptions.UnitConversion = true;

有关使用SimBiology®内置库创建分区PK模型的详细信息，请参见创建药代动力学模型．

定义剂量

假设每个人在时间= 0时接受100毫克的剂量。有关设置不同剂量策略的详细信息，请参见SimBiology模型中的剂量．

剂量= sbiodose(“剂量”，“TargetName”，“Drug_Central”);剂量。StartTime = 0;剂量。一个mount = 100; dose.AmountUnits =毫克的;剂量。时间Units =“小时”;

将响应数据映射到相应的模型组件

这些数据包括在中央和外周室测量的血浆浓度。将这些变量映射到适当的模型组件，这些组件是Drug_Central和Drug_Peripheral．

responseMap = {'Drug_Central = CentralConc'，'Drug_Peripheral = PeripheralConc'};

指定要估计的参数

指定中央和外围隔间的体积中央和外围，隔室间隙12个，以及通关Cl_Central作为参数来估计。的estimatedInfo对象允许您选择性地指定参数转换、初始值和参数边界。因为两个中央和外围如果约束为正，则为每个参数指定一个对数变换。

paramsToEstimate = {“日志(中央)”，的日志(外围)，“12”，“Cl_Central”};estimatedParam = estimatedInfo(paramsToEstimate，“InitialValue”，[1 1 1 1]);

估计个人特定参数

为每个个体估计一组参数“池”名称-值对参数假．

unpooledFit = sbiofit(model,gData,responseMap,estimatedParam,dose，“池”、假);

显示结果

将拟合结果与每个个体(组)的原始数据进行对比。

情节(unpooledFit);

为了不合群，sbiofit总是为每个个体返回一个结果对象。

检查类别依赖的参数估计

探索未合并的估计，看看是否有任何特定于类别的参数，也就是说，是否有一些参数与一个或多个类别相关。如果存在任何类别依赖，则可能通过仅估计这些参数的特定类别值来减少自由度的数量。

首先提取每个ID的ID和类别值

catParamValues = unique(gData(:，{)“ID”，“性”，“年龄”}）);

向包含每个参数估计值的表中添加变量。

allParamValues = vertcat(unpooledfit . parameterestimations);catParamValues。中央＝一个llParamValues.Estimate(strcmp(allParamValues.Name,“中央”));catParamValues。外围＝一个llParamValues.Estimate(strcmp(allParamValues.Name,“外围”));catParamValues。12个＝一个llParamValues.Estimate(strcmp(allParamValues.Name,“12”));catParamValues。Cl_Central＝一个llParamValues.Estimate(strcmp(allParamValues.Name,“Cl_Central”));

每个类别的每个参数的图估计。gscatter需要统计和机器学习工具箱™。如果没有，请使用其他绘图函数，例如情节．

H =图;Ylabels = [“中央”，“边缘”，“12”，“Cl \ _Central”];plot = 1;为thisParam = estimatedParam(i).Name;%性别类别图次要情节(4 2 plotNumber);plotNumber = plotNumber + 1;gscatter(double(catParamValues. sex)， catParamValues.(thisParam)， catParamValues. sex);Ax = gca;斧子。XTick = [];ylabel (ylabels (i));传奇(“位置”，“bestoutside”）%年龄类别图次要情节(4 2 plotNumber);plotNumber = plotNumber + 1;gscatter(double(catParamValues. age)， catParamValues.(thisParam)， catParamValues. age);Ax = gca;斧子。XTick = [];ylabel (ylabels (i));传奇(“位置”，“bestoutside”）结束%调整图形大小。h.Position(:) = [100 100 1280 800];

从图中可以看出，年轻人似乎拥有更多的中央和外围隔区(中央，外围)，而不是老年人(也就是说，这些数量似乎是针对年龄的)。此外，男性的清除率较低(Cl_Central)，而Q12参数则相反(也就是说，清除率和Q12似乎是性别特异性的)。

估计类别特定参数

使用“CategoryVariableName”的性质estimatedInfo对象指定拟合期间使用的类别。使用“性”为配合集团的过关Cl_Central和12个参数。使用“年龄”作为团体来适应中央和外围参数。

estimatedParam(1)。C一个tegoryVariableName =“年龄”;estimatedParam(2)。C一个tegoryVariableName =“年龄”;estimatedParam(3)。C一个tegoryVariableName =“性”;estimatedParam(4)。C一个tegoryVariableName =“性”;categoryFit = sbiofit(model,gData,responseMap,estimatedParam,dose)

categoryFit = OptimResults with properties: ExitFlag: 3 Output: [1x1 struct] GroupName: [] Beta: [8x5 table] parameterestimate: [120x6 table] J: [240x8x2 double] COVB: [8x8 double] covariancemmatrix: [8x8 double] R: [240x2 double] MSE: 0.4362 SSE: 205.8690权重:[]LogLikelihood: -477.9195 AIC: 971.8390 BIC: 1.0052e+03 DFE: 472 DependentFiles: {1x3 cell} Data: [240x6 groupedData] EstimatedParameterNames: {'Central' 'Peripheral' 'Q12' 'Cl_Central'} ErrorModelInfo:[1 × 3表]EstimationFunction: 'lsqnonlin'

当按类别(或组)拟合时，sbiofit始终返回一个结果对象，而不是每个类别级别一个。这是因为男性和女性个体都被认为是使用相同误差模型和误差参数的相同优化的一部分，对于年轻个体和老年个体也是如此。

阴谋的结果

绘制特定类别的估计结果。

情节(categoryFit);

为Cl_Central和12个参数，所有男性都有相同的估计，女性也有类似的估计。为中央和外围参数，所有年轻个体都有相同的估计，对于老年个体也是如此。

估计人口范围的参数

为了更好地比较结果，将模型拟合到所有汇集在一起的数据中，也就是说，通过设置为所有个体估计一组参数“池”名称-值对参数真正的．警告消息告诉您，此选项将忽略任何特定于类别的信息(如果存在的话)。

pooledFit = sbiofit(model,gData,responseMap,estimatedParam,dose，“池”,真正的);

警告:当使用'Pooled'选项时，estimatedInfo对象的CategoryVariableName属性被忽略。

阴谋的结果

将拟合结果与原始数据进行对比。虽然为每个个体生成了一个单独的图，但数据是使用相同的参数集进行拟合的(即所有个体都有相同的拟合线)。

情节(pooledFit);

比较残差

的残差比较CentralConc和PeripheralConc每次匹配的响应。

t = gData.Time;allResid(:，:，1) = pooledFit.R;allResid(:，:，2) = categoryFit.R;allressid (:，:，3) = vertcat(unpooledFit.R);H =图;responseList = {“CentralConc”，“PeripheralConc”};为I = 1:2 subplot(2,1, I);oneResid = squeeze(allResid(:，i，:));情节(t, oneResid“o”);refline (0,0);表示残差为零的参考线标题(sprintf (“残差(% s)”我,responseList {}));包含(“时间”);ylabel (“残差”);传奇({“池”，“的”，未共享的}）;结束%调整图形大小。h.Position(:) = [100 100 1280 800];

如图所示，非池拟合产生了数据的最佳拟合，因为它适合每个个体的数据。这是意料之中的，因为它使用了最多的自由度。类别拟合通过将数据拟合到两个类别(性别和年龄)来减少自由度的数量。结果，残差大于未合并拟合，但仍小于总体拟合，后者仅估计所有个体的一组参数。如果数据中存在任何层次模型，那么类别拟合可能是未池化拟合和池化拟合之间的一个很好的折衷。