 | Тема этой статьи может не соответствовать рекомендациям Википедии о продуктах и услугах . ( сентябрь 2011 г. )( Узнайте, как и когда удалить этот шаблон сообщения ) |
| Разработчики) | TIKANIS GmbH, Фрайбург, Германия |
|---|---|
| изначальный выпуск | 6 октября 2006 г. |
| Стабильный выпуск | 4.1.1 / 20 мая 2017 г . |
| Написано в | MATLAB , C |
| Операционная система | Microsoft Windows , Mac OS X , Linux |
| Размер | 9 МБ (250 000 строк) |
| Тип | Математическое моделирование |
| Лицензия | Бесплатная пробная лицензия |
| Интернет сайт | www.potterswheel.de |
 | Эта статья может быть слишком технической для понимания большинства читателей . ( Февраль 2021 г. ) ( Узнайте, как и когда удалить этот шаблон сообщения ) |
PottersWheel - это набор инструментов MATLAB для математического моделирования динамических систем , зависящих от времени, которые могут быть выражены как сети химических реакций или обыкновенные дифференциальные уравнения (ODE). [1] Это позволяет автоматически калибровать параметры модели путем подгонки модели к экспериментальным измерениям. Функции, интенсивно использующие ЦП, пишутся или - в случае зависимых от модели функций - динамически генерируются на C. Моделирование может выполняться в интерактивном режиме с использованием графических пользовательских интерфейсов или на основе сценариев MATLAB с использованием библиотеки функций PottersWheel. Программное обеспечение предназначено для поддержки работы разработчика математического моделирования, поскольку настоящий гончарный круг упрощает моделирование керамических изделий.
Семь этапов моделирования [ править ]
Основное использование PottersWheel охватывает семь этапов от создания модели до прогнозирования новых экспериментов.
Создание модели [ править ]
Динамическая система формализуется в виде набора реакций или дифференциальных уравнений с помощью визуального конструктора моделей или текстового редактора. Модель сохраняется как файл MATLAB * .m ASCII. Поэтому изменения можно отслеживать с помощью системы контроля версий, например subversion или git . Для SBML поддерживается импорт и экспорт модели . Пользовательские шаблоны импорта могут использоваться для импорта пользовательских структур модели. Также поддерживается моделирование на основе правил , когда шаблон представляет собой набор автоматически сгенерированных реакций.
Пример файла определения простой модели для реакционной сети A → B → C → A с наблюдаемыми видами A и C:
функция m = getModel (); % Начиная с пустой модели m = pwGetEmtptyModel ();% Добавление реакций m = pwAddR ( m , 'A' , 'B' ); m = pwAddR ( m , 'B' , 'C' ); m = pwAddR ( m , 'C' , 'A' );% Добавление наблюдаемых m = pwAddY ( m , 'A' ); m = pwAddY ( m , 'C' );Импорт данных [ править ]
Внешние данные, сохраненные в файлах * .xls или * .txt, могут быть добавлены в модель, создав пару модель-данные . Диалог отображения позволяет связать названия столбцов данных с названиями наблюдаемых видов. Метаинформация в файлах данных содержит информацию об условиях эксперимента. Ошибки измерения либо сохраняются в файлах данных, либо рассчитываются с использованием модели ошибок, либо оцениваются автоматически.
Калибровка параметров [ править ]
Чтобы подогнать модель к одному или нескольким наборам данных, соответствующие пары модель-данные объединяются в сборку фитинга . Такие параметры, как начальные значения, константы скорости и коэффициенты масштабирования, могут быть подобраны экспериментально или глобально. Пользователь может выбирать из нескольких числовых интеграторов, алгоритмов оптимизации и стратегий калибровки, таких как подгонка в нормальном или логарифмическом пространстве параметров.
Интерпретация согласия [ править ]
Качество подбора характеризуется значением хи-квадрат . Как правило, для Н установленной точки данных и р калибруют параметры, х-квадрата значение должно иметь такое же значение , как N - р или по крайней мере N . Статистически это выражается с помощью критерия хи-квадрат, в результате чего p-значение превышает порог значимости, например 0,05. Для более низких значений p модель
- либо не могут объяснить данные и должны быть уточнены,
- стандартное отклонение точек данных на самом деле больше указанного,
- или использованная стратегия подгонки не увенчалась успехом, и подгонка оказалась в локальном минимуме.
Помимо дополнительных характеристик на основе хи-квадрат , как AIC и BIC , существуют данные, модель-остаточные анализы, например , исследовать вопрос о том , что остатки следуют распределения Гаусса . Наконец, доверительные интервалы параметров могут быть оценены либо с использованием аппроксимации информационной матрицы Фишера, либо на основе функции правдоподобия профиля , если параметры не являются однозначно идентифицируемыми.
Если соответствие неприемлемо, модель должна быть уточнена, и процедура продолжается с шага 2. В противном случае можно изучить свойства динамической модели и рассчитать прогнозы.
Уточнение модели [ править ]
Если структура модели не может объяснить экспериментальные измерения, следует создать набор физиологически разумных альтернативных моделей. Чтобы избежать лишних абзацев модели и ошибок копирования и вставки, это можно сделать с помощью общей базовой модели, которая одинакова для всех вариантов. Затем создаются дочерние модели и подгоняются к данным, предпочтительно с использованием стратегий пакетной обработки, основанных на сценариях MATLAB. В качестве отправной точки для представления подходящих вариантов модели можно использовать эквалайзер PottersWheel для понимания динамического поведения исходной системы.
Анализ и прогноз модели [ править ]
Математическая модель может служить для отображения профиля концентрации ненаблюдаемых видов во времени, для определения чувствительных параметров, представляющих потенциальные цели в клинических условиях, или для расчета характеристик модели, таких как период полураспада вида.
Каждый этап анализа может быть сохранен в отчете о моделировании, который можно экспортировать как PDF-файл на основе латекса.
Экспериментальный дизайн [ править ]
Экспериментальная установка соответствует конкретным характеристикам управляющих входных функций и начальных концентраций. В модели пути передачи сигнала концентрацию лиганда, подобного EGF, можно контролировать экспериментально. Конструктор управляющих входов позволяет исследовать эффект непрерывной, линейной или импульсной стимуляции в сочетании с различными начальными концентрациями с помощью эквалайзера. Чтобы различать гипотезы конкурирующих моделей, разработанный эксперимент должен иметь как можно более разные наблюдаемые временные профили.
Идентифицируемость параметра [ править ]
Многие динамические системы можно наблюдать только частично, т.е. не все виды систем доступны экспериментально. Для биологических приложений количество и качество экспериментальных данных часто ограничены. В этой настройке параметры могут быть структурно или практически не идентифицируемыми. Затем параметры могут компенсировать друг друга, и соответствующие значения параметров сильно зависят от первоначальных предположений. В PottersWheel неидентифицируемость можно обнаружить с помощью подхода Profile Likelihood . [2] Для характеристики функциональных взаимосвязей между неидентифицируемыми параметрами PottersWheel применяет случайные и систематические последовательности соответствия. [3]
Ссылки [ править ]
- ^ Т. Майвальд и Дж. Тиммер (2008) "Динамическое моделирование и установка нескольких экспериментов с помощью PottersWheel", Bioinformatics 24 (18): 2037–2043
- ^ Структурный и практический анализ идентифицируемости частично наблюдаемых динамических моделей с использованием вероятности профиля , A. Raue, C. Kreutz, T. Maiwald, J. Bachmann, M. Schilling, U. Klingmüller и J. Timmer, Bioinformatics 2009
- ^ Анализ идентифицируемости нелинейных динамических моделей на основе данных , S. Hengl, C. Kreutz, J. Timmer и T. Maiwald, Bioinformatics 2007 23 (19): 2612–2618
Внешние ссылки [ править ]
- Официальный веб-сайт
- Подход с вероятностью профиля
