SimBiology。场景

模拟的场景

在页面中全部展开

描述

SimBiology。场景是一个对象，它允许您根据模型数量的不同抽样值生成不同的模拟场景。您可以将这些数量与不同剂量或变体结合起来，并模拟各种场景，以探索不同实验条件和给药方案下的模型行为。

创建

语法

sObj = SimBiology。场景

sObj = simbiology . scenario(名称，内容)

sObj = simbiology . scenes (quantityNames,probDist,Name,Value)

描述

例子

sObj= SimBiology。场景返回一个场景对象sObj不包含条目．

例子

sObj= SimBiology。场景(的名字，内容）返回一个场景对象sObj只有一个条目。的名字用于场景生成的模型量的名称或一组变体或剂量的名称。内容包含模型量或变量对象向量或剂量对象向量的相应数值。

例子

sObj= SimBiology。场景(quantityNames，probDist，名称,值）指定为一个或多个模型数量生成样例值quantityNames来自联合概率分布probDist．使用一个或多个名称-值对参数为概率分布和抽样方法指定其他选项。要指定概率分布，必须有统计和机器学习工具箱™。

输入参数

全部展开

`的名字`- - - - - -条目名称
特征向量|字符串

条目名称，指定为字符向量或字符串。

您可以将条目名称设置为模型数量(种类、参数或隔间)的名称。或者，您可以为要包含在示例(场景)生成中的一组剂量或变体定义一个名称。

例子:“k1”

数据类型:字符|字符串

`内容`- - - - - -剂量或变量的模型量值或矢量
数值向量|向量的`RepeatDose`或`ScheduleDose`对象|变对象向量

模型量的值，或剂量或变量的向量，指定为数值向量，的向量RepeatDose或ScheduleDose对象，或者向量变体对象。

类型的数量名称的名字输入参数，set内容到一个数值向量。

如果为一组剂量或变体指定名称，请设置内容到一个剂量物体的矢量或变量物体的矢量。

例子:(0.5、1、1.5)

`quantityNames`- - - - - -模型量名称
特征向量|字符串|字符串向量|字符向量的单元格数组

样本(场景)生成的模型量的名称，指定为字符向量、字符串、字符串向量或字符向量的单元格数组。

例子:[" k12”、“k21”)

数据类型:字符|字符串|细胞

`probDist`- - - - - -概率分布
概率分布对象的向量|特征向量|字符串|字符串向量|字符向量的单元格数组

为模型数量生成样本值的概率分布，指定为概率分布对象的向量、字符向量、字符串、字符串向量或包含支持的概率分布名称的字符向量的单元格数组。万博1manbetx要指定概率分布，必须有统计和机器学习工具箱。

使用makedist(统计和机器学习工具箱)函数创建分布对象。有关受支持的发行版的列表，请万博1manbetx参见distname(统计和机器学习工具箱)．

例子:(pd1、pd2)

名称-值参数

的可选逗号分隔对名称,值参数。的名字参数名称和价值对应的值。的名字必须出现在引号内。您可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

例子:“数量”,10指定生成10个样本。

`数量`- - - - - -样本数量
`［］`(默认)|积极的标量

从概率分布中抽取的样本数，以逗号分隔的对组成“数量”一个正标量。默认值［］表示该函数从其他条目推断样本的数量。如果无法推断，则设置为2．

例子:“数量”,5

`RankCorrelation`- - - - - -秩相关矩阵
`［］`(默认)|数字矩阵

联合概率分布的秩相关矩阵，指定为由逗号分隔的对组成“RankCorrelation”和一个数字矩阵。默认的行为是“RankCorrelation”而且协方差的设置为［］，SimBiology。场景从联合概率分布中抽取不相关样本。

你不能指定“RankCorrelation”如果协方差的是集。矩阵中的列数必须与指定分布的列数匹配。矩阵必须是对角线值为1的对称矩阵。它所有的特征值也必须是正的。

例子:'RankCorrelation'，[1 0.3;0.3 1]

`的意思是`- - - - - -平均值
数值向量

数量的平均值，由逗号分隔的对组成“的意思是”和一个数值向量。

只能为正态分布指定平均值。平均值的数目必须等于指定的概率分布的数目。

例子:“的意思是”,[0.5,1.5]

`协方差`- - - - - -协方差矩阵
`［］`(默认)|数字矩阵

联合概率分布的协方差矩阵，指定为由逗号分隔的对组成协方差的和一个数字矩阵。默认的行为是两者都是“RankCorrelation”而且协方差的设置为［］，SimBiology。场景从联合概率分布中抽取不相关样本。你不能指定协方差的如果你指定“RankCorrelation”．

你只能为正态分布指定协方差矩阵。矩阵中的列数必须与指定分布的列数匹配。它的所有特征值也必须是非负的。

例子:'协方差'，[0.25 0.15;0.15 0.25]

`SamplingMethod`- - - - - -抽样方法
`“随机”`(默认)|`“韩”`|`连系动词的`|`“sobol”`|`“荷”`

抽样方法，指定为逗号分隔的对组成“SamplingMethod”和字符向量或字符串。取决于概率分布是否“RankCorrelation”或者正态分布协方差的是指定的，采样技术不同。

如果一个条目包含一个(联合)正态分布协方差指定的抽样方法为:

“随机”-从指定的正态分布中随机抽取样本mvnrnd(统计和机器学习工具箱)．
“韩”-从指定的正态分布中绘制拉丁超立方样本lhsnorm(统计和机器学习工具箱)．详细信息请参见生成准随机数(统计和机器学习工具箱)．

如果一个条目包含一个(联合)分布，没有协方差指定的抽样方法为:

“随机”-从指定的概率分布中抽取随机样本随机(统计和机器学习工具箱)．
“韩”-使用类似于的算法从指定的概率分布中绘制拉丁超立方样本lhsdesign(统计和机器学习工具箱)．这种方法是一种比随机抽样更系统的空间填充方法。详细信息请参见生成准随机数(统计和机器学习工具箱)．
连系动词的-绘制随机样本使用连系动词(统计和机器学习工具箱)．使用此选项可使用关联函数在样本之间施加相关性。
“sobol”-使用sobol序列(sobolset(统计和机器学习工具箱))，由累积分布逆函数(icdf(统计和机器学习工具箱))的指定概率分布。使用这种方法高度系统地填充空间。详细信息请参见生成准随机数(统计和机器学习工具箱)．
“荷”-使用halton序列(haltonset(统计和机器学习工具箱))，由累积分布逆函数(icdf(统计和机器学习工具箱))的指定概率分布。详细信息请参见生成准随机数(统计和机器学习工具箱)．

如果没有协方差是指定的,SimBiology。场景基本上执行两个步骤。第一步是使用上述采样方法之一生成样本。为韩，sobol,哈尔顿方法:利用累积分布逆函数将生成的均匀样本转化为指定分布的样本icdf(统计和机器学习工具箱)．然后，作为第二步，使用Iman-Conover算法对样本进行关联RankCorrelation都是确定的。为随机，直接从指定的分布中抽取样本，然后使用Iman-Conover算法对样本进行关联。

例子:“SamplingMethod”、“韩”

`SamplingOptions`- - - - - -抽样方法的选择
结构体

采样方法的选项，指定为标量结构体。根据采样方法的不同，选项有所不同:sobol，哈尔顿,或韩．

为sobol而且哈尔顿类的每个名称-值参数指定结构的每个字段名和值sobolset(统计和机器学习工具箱)或haltonset(统计和机器学习工具箱)函数。SimBiology使用默认值1为跳过参数。对于所有其他名称-值参数，软件使用相同的默认值sobolset或haltonset．的结构飞跃而且跳过具有非默认值的选项，如下所示。

s1。Leap = 50;s1。Skip = 0;

为韩，有三个采样器，支持不同的采样选项。万博1manbetx

如果指定协方差矩阵，SimBiology使用lhsnorm(统计和机器学习工具箱)抽样。SamplingOptions不允许辩论。
否则，使用字段名UseLhsdesign选择一个采样器。
- 如果值为真正的， SimBiology使用lhsdesign(统计和机器学习工具箱)．的名称-值参数lhsdesign指定字段名和值。
- 如果值为假(默认)，SimBiology使用一个不可配置的拉丁超立方采样器lhsdesign．这个采样器不需要统计和机器学习工具箱。SamplingOptions不能包含任何其他选项，除了UseLhsdesign．

例如，设置要使用的结构lhsdesign与标准而且迭代选项。

s2。使用Lhsdesign = true; s2.Criterion =“相关”；s2。迭代= 10;

属性的采样选项随机而且连系动词方法。

数据类型:结构体

属性

全部展开

`表达式`- - - - - -组合表达式
特征向量

此属性是只读的。

组合表达式，概括对象中条目的组合，指定为字符向量。++符号表示elementwise结合，和交叉x符号表示笛卡儿组合。详细信息请参见在SimBiology中结合模拟场景．

例子:'(k1 + k2 + k3) x剂量'

数据类型:字符

`NumberOfEntries`- - - - - -条目数
正整数

场景对象中的条目数，指定为正整数。

例子:4

数据类型:双

`RandomSeed`- - - - - -用于随机数生成的种子或状态
`［］`(默认)|小于的非负整数`2³²`|返回的结构`rng`

种子用于随机数生成以获得可再现的场景，指定为小于的非负整数2³²或返回的结构rng它定义了随机状态。默认值［］意味着每次生成的场景都会不同生成函数会被调用，除非你在调用函数之前设置了随机种子，或者使用可重复的序列，如Sobol或Halton。

例子:10

数据类型:双|结构体

对象的功能

`添加`	添加数量值、剂量或变体`SimBiology。场景`对象
`getEntry`	获取条目内容`SimBiology。场景`对象
`updateEntry`	更新条目内容`SimBiology。场景`对象
`重命名`	重命名条目`SimBiology。场景`对象
`删除`	删除条目`SimBiology。场景`对象
`验证`	验证`SimBiology。场景`对象
`生成`	从以下内容生成场景`SimBiology。场景`对象和返回表
`getNumberScenarios`	返回场景的个数`SimBiology。场景`对象

例子

全部折叠

生成葡萄糖-胰岛素反应的不同模拟场景

这个例子使用了:

打开实时脚本

加载葡萄糖-胰岛素反应模型。关于型号的详细信息，请参见背景部分模拟葡萄糖-胰岛素反应．

sbioloadproject (“insulindemo”，“m1”）;

该模型包含不同的参数值和初始条件，代表不同的胰岛素损伤(如2型糖尿病、低胰岛素敏感性等)，存储在五个变体中。

变量= getvariant(m1)

变体= SimBiology变体阵列索引:名称:活性:1 2型糖尿病假2低胰岛素硒…错误3高β细胞…低β细胞…高胰岛素…假

抑制在模拟过程中发出的信息警告。

warnSettings =警告(“关闭”，“SimBiology: DimAnalysisNotDone_MatlabFcn_Dimensionless”）;

选择代表单餐78克葡萄糖的剂量。

singleMeal = sbioselect(m1，“名字”，“一餐”）;

创建一个场景对象来表示不同的初始条件与剂量的结合。即创建一个场景对象，其中每个变量与剂量配对(或组合)，共5个模拟场景。

sObj = simbiology . scenario;添加(sObj笛卡儿的，“变异”、变种);添加(sObj笛卡儿的，“剂量”singleMeal)

ans = scenario(5个scenario)名称内容编号________ ___________________ ______词条1变体SimBiology变体5 x词条2 dose SimBiology剂量1参见Expression property。

sObj包含两项。使用生成函数组合条目并生成五个场景。函数返回一个场景表，其中每行表示一个场景，每列表示的项场景对象。

scenariosTbl = generate(sObj)

scenariosTbl =5×2表变异的剂量  ______________________ _________________________ 1 x1 SimBiology。变体1x1 SimBiology。RepeatDose1x1SimBiology。变体1x1 SimBiology。RepeatDose1x1SimBiology。变体1x1 SimBiology。RepeatDose1x1 SimBiology.Variant 1x1 SimBiology.RepeatDose 1x1 SimBiology.Variant 1x1 SimBiology.RepeatDose

更改第一个条目的条目名称。

重命名(sObj 1“胰岛素为行动”）

ans =场景(5个场景)名称内容编号____________________ ___________________ ______条目1胰岛素损伤SimBiology变体5 x条目2剂量SimBiology剂量1参见Expression property。

创建一个SimFunction对象来模拟生成的场景。使用场景对象作为输入，并指定血浆葡萄糖和胰岛素浓度作为响应(要绘制的函数的输出)。指定［］的剂量输入参数场景对象已经具有剂量信息。

f = createSimFunction(m1,sObj，{【Plasma Glu Conc】，《等离子体》},[])

f = SimFunction单位名称值类型  _________________________ ______ _____________ ___________________________________________ {' 等离子体体积1.88 (Glu)}{“参数”}{“分升”}{k1的}0.065{“参数”}{' 1 /分钟'}{“k2”}0.079{“参数”}{' 1 /分钟'}{的等离子体体积(Ins)} 0.05{“参数”}{“升”}{m1的}0.19{“参数”}{' 1 /分钟'}{“平方米”}0.484{“参数”}{' 1 /分钟'}{m4的}0.1936{“参数”}{' 1 /分钟'}{m5的}0.0304{“参数”}{‘分钟/皮摩尔’}{' m6 '}0.6469{'参数'}{'无量纲'}{'肝提取'}0.6{'参数'}{'无量纲'}{'kmax'} 0.0558{'参数'}{'1/分钟'}{'kmin'} 0.008{'参数'}{'1/分钟'}{'kgri'} 0{'参数'}{'1/分钟'}{'f'} 0.9{'参数'}{'无量纲'}{'a'} 0{'参数'}{'1/毫克'}{'c'} 0{'参数'}{'1/毫克'}{'d'} 0.01{'参数'}{'无量纲'}{'参数'}{'无量纲'}{'kp1'}2.7{'参数'}{'毫克/分钟'}{'kp2'} 0.0021{'参数'}{'1/分钟'}{'kp3'} 0.009{'参数'}{'(毫克/分钟)/(皮克摩尔/升)'}{'kp4'} 0.0618{'参数'}{'(毫克/分钟)/(皮克摩尔/升)'}{'kp4'} 0.0618{'参数'}{'1/分钟'}{' in Ind Glu Util '} 1{'参数'}{'毫克/分钟'}{'Vm0'} 2.5129{'参数'}{'毫克/分钟'}{'Vmx'} 0.047{'参数'}{'参数'}{'毫克/分钟'}{'毫克/升'}}{'Km'} 225.59{'参数'}{'毫克'}}{'毫克'}{'p2U'}0.0331{'参数'}{'1/分钟'}{'K'} 2.28{'参数'}{'picomole/(毫克/分升)'}{'alpha'} 0.05{'参数'}{'1/分钟'}{'beta'} 0.11{'参数'}}{'参数'}{'1/分钟'}{'ke1'} 0.0005{'参数'}{'参数'}{'毫克'}339{'参数'}{'参数'}{'毫克/分升'}'基础血浆Glu Conc'} 91.76{'参数'}{'参数'}{'毫克/分升'}{'参数'}{'参数'}{'picomole/升'}观测值:名字类型单位  _____________________ ___________ _______________________ {'[ 等离子体Glu浓缩的]}{“物种”}{毫克/分升的}{'[血浆Ins浓缩的]}{“物种”}{“皮摩尔/升”}给:TargetName TargetDimension  __________ _____________________ {' 剂量的}{的质量(例如,克)}TimeUnits:小时

对模型进行24小时仿真，绘制仿真数据。数据包含五次运行，其中每次运行代表scenario对象中的一个场景。

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

图中包含一个轴对象。带有标题States vs . Time的axes对象包含10个类型为line的对象。这些对象表示运行1 -葡萄糖外观。血浆Glu Conc, Run 1 -胰岛素分泌。血浆Ins Conc, Run 2 -葡萄糖外观。血浆Glu Conc, Run 2 -胰岛素分泌。血浆Ins Conc, Run 3 -葡萄糖外观。血浆Glu Conc, Run 3 -胰岛素分泌。血浆Ins Conc, Run 4 -葡萄糖外观。血浆Glu Conc, Run 4 -胰岛素分泌。血浆Ins Conc, Run 5 -葡萄糖外观。血浆Glu Conc, Run 5 -胰岛素分泌。等离子体合成。

ans =轴(SbioPlot)与属性:XLim: [0 30] YLim: [0 450] XScale: '线性' YScale: '线性' GridLineStyle: '-'位置:[0.0956 0.1100 0.2509 0.8150]单位:'归一化'显示所有属性

如果您有统计和机器学习工具箱™，您还可以从各种概率分布中为模型量绘制样本值。例如，假设参数Vmx而且kp3以低胰岛素敏感性和高胰岛素敏感性而闻名的两种糖尿病，均服从对数正态分布。您可以从这样的分布为这些参数生成样例值，并执行扫描以探索模型行为。

定义的对数正态概率分布对象Vmx．

pd_Vmx = makedist(对数正态的）

pd_Vmx = LognormalDistribution log正态分布mu = 0 sigma = 1

根据定义，参数μ是对数值的平均值。若要围绕参数的基本(模型)值更改参数值，请设置μ来日志(model_value）．设定标准偏差(σ)至0.2。对于一个小的σ值时，对数正态分布的均值约等于日志(model_value）．详细信息请参见对数正态分布(统计和机器学习工具箱)．

Vmx = sbioselect(m1，“名字”，“Vmx”）;pd_Vmx。μ= log(Vmx.Value); pd_Vmx.sigma = 0.2

pd_Vmx = LognormalDistribution对数正态分布mu = -3.05761 sigma = 0.2

类似地定义kp3的概率分布。

Pd_kp3 = makedist(对数正态的）;Kp3 = sbioselect(m1，“名字”，“kp3”）;pd_kp3。μ= log(kp3.Value); pd_kp3.sigma = 0.2

pd_kp3 =对数正态分布mu = -4.71053 sigma = 0.2

现在定义一个联合概率分布来为Vmx和kp3绘制样本值，并使用秩相关来指定这两个参数之间的某种相关性。请注意，这种相关性假设仅用于本例的说明目的，可能与生物学无关。

首先删除变量条目(条目1)sObj．

删除(sObj, 1)

ans = scenario(1个scenario)名称内容编号____ _______________ ______条目1 dose SimBiology dose 1参见Expression property。

添加一个用秩相关矩阵定义联合概率分布的条目。

添加(sObj笛卡儿的，[“Vmx”，“kp3”]、[pd_Vmx, pd_kp3],“RankCorrelation”, 1, 0.5, 0.5, 1)

ans =场景(2个场景)____ ______________________ ___________条目1 dose SimBiology dose 1 *(条目2.1 Vmx对数正态分布2(默认)+条目2.2)kp3对数正态分布2(默认)参见表达式属性。

默认情况下，从联合分布中抽取的样本数量设置为2。增加样本数量。

updateEntry (sObj 2“数量”, 50)

ans =场景(50个场景)____ ______________________ ______条目1 dose SimBiology dose 1 *(条目2.1 Vmx对数正态分布50 +条目2.2)kp3对数正态分布50参见表达式属性。

验证场景对象可以用模型进行模拟。的验证函数在任何条目不能唯一解析到模型中的对象或条目内容的长度(样本大小)不一致时抛出错误。如果多个条目解析到模型中的同一对象，则该函数抛出警告。

验证(sObj m1)

生成模拟场景。绘制样本值plotmatrix．你可以看到的价值Vmx在模型值0.047和kp30.009左右。

sTbl =生成(sObj);[s,ax,bigax,h,hax] = plotmatrix([sTbl.Vmx,sTbl.kp3]);ax .YLabel(1,1)。字符串=“Vmx”；ax (2, 1) .YLabel。字符串=“kp3”；ax (2, 1) .XLabel。字符串=“Vmx”；ax (2, 2) .XLabel。字符串=“kp3”；

MATLAB图

使用前面创建的SimFunction模拟场景。即使已经更新了scenario对象，您也不需要创建新的SimFunction对象。

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

SimBiology默认采用随机采样方式。您可以将其更改为拉丁超立方体采样(或sobol或halton)，以获得更系统的空间填充方法。

entry2struct = getEntry(sObj,2)

entry2struct =带有字段的结构:名称:{'Vmx' 'kp3'}内容:[2x1问题。LognormalDistribution] Number: 50 RankCorrelation: [2x2 double] Covariance: [] SamplingMethod: 'random' SamplingOptions: [0x0 struct]

entry2struct。SamplingMethod =“韩”

entry2struct =带有字段的结构:名称:{'Vmx' 'kp3'}内容:[2x1问题。LognormalDistribution] Number: 50 RankCorrelation: [2x2 double] Covariance: [] SamplingMethod: 'lhs' SamplingOptions: [0x0 struct]

现在可以使用更新后的结构来修改条目2。

updateEntry (sObj 2 entry2struct)

ans =场景(50个场景)____ ______________________ ______条目1 dose SimBiology dose 1 *(条目2.1 Vmx对数正态分布50 +条目2.2)kp3对数正态分布50参见表达式属性。

可视化示例值。

sTbl2 = generate(sObj);[s,ax,bigax,h,hax] = plotmatrix([sTbl2.Vmx,sTbl2.kp3]);ax .YLabel(1,1)。字符串=“Vmx”；ax (2, 1) .YLabel。字符串=“kp3”；ax (2, 1) .XLabel。字符串=“Vmx”；ax (2, 2) .XLabel。字符串=“kp3”；

MATLAB图

模拟场景。

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

恢复警告设置。

警告(warnSettings);

参考文献

[1]伊曼，R.和W.J.科诺弗，1982年。一种无分布的方法来诱导输入变量之间的秩相关。统计通讯-模拟与计算．11(3): 311 - 334。

版本历史

R2019b引入

另请参阅

SimFunction对象|createSimFunction(模型)

主题

在SimBiology中结合模拟场景