Гончарный круг - PottersWheel

Гончарный круг

Разработчики)	TIKANIS GmbH, Фрайбург, Германия
изначальный выпуск	6 октября 2006 г. (2006-10-06)
Стабильный выпуск	4.1.1 / 20 мая 2017 г.; 3 года назад (2017-05-20)
Написано в	MATLAB, C
Операционная система	Майкрософт Виндоус, Mac OS X, Linux
Размер	9 МБ (250 000 строк)
Тип	Математическое моделирование
Лицензия	Бесплатная пробная лицензия
Интернет сайт	www.potterswheel.de

Гончарный круг это MATLAB набор инструментов для математического моделирования нестационарных динамические системы что можно выразить как сети химических реакций или же обыкновенные дифференциальные уравнения (ОДУ).^[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. Программа предназначена для поддержки работы математического моделиста как реального гончарный круг облегчает лепку керамики.

Семь этапов моделирования

Основное использование PottersWheel охватывает семь этапов от создания модели до прогнозирования новых экспериментов.

Создание модели

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. Таким образом, изменения можно отслеживать с помощью системы контроля версий, например подрывная деятельность или же мерзавец. Поддерживается импорт и экспорт модели для SBML. Пользовательские шаблоны импорта могут использоваться для импорта пользовательских структур модели. Моделирование на основе правил также поддерживается, где 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:

функциям =getModel();% Начиная с пустой моделим = pwGetEmtptyModel();% Добавление реакцийм = pwAddR(м, 'А', 'B');м = pwAddR(м, 'B', 'C');м = pwAddR(м, 'C', 'А');% Добавление наблюдаемыхм = pwAddY(м, 'А');м = pwAddY(м, 'C');

Импорт данных

Внешние данные, сохраненные в файлах * .xls или * .txt, могут быть добавлены в модель, создавая пара 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

Чтобы подогнать модель под один или несколько наборов данных, соответствующие пары модель-данные объединяются в арматура. 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 степени соответствия

Качество посадки характеризуется ее хи-квадрат ценить. Как правило, дляN подогнанные точки данных и п откалиброванных параметров, значение хи-квадрат должно иметь аналогичные значения N − п или по крайней мереN. Статистически это выражается с помощью критерий хи-квадрат в результате p-значение выше порога 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 была ограничена локальным минимумом.

Помимо других характеристик на основе хи-квадрат, таких как AIC и BIC существуют анализы остатков модели данных, например выяснить, есть ли остатки следовать Гауссово распределение. Наконец, параметр доверительные интервалы можно оценить с помощью Информационная матрица Фишера приближение или на основе функция правдоподобия профиля, если параметры невозможно однозначно идентифицировать.

Если соответствие неприемлемо, модель должна быть уточнена, и процедура продолжается с шага 2. В противном случае можно проверить свойства динамической модели и рассчитать прогнозы.

Уточнение модели

Если структура модели не может объяснить экспериментальные измерения, следует создать набор физиологически разумных альтернативных моделей. Чтобы избежать избыточных абзацев модели и ошибок копирования и вставки, это можно сделать с помощью общей базовой модели, которая одинакова для всех вариантов. Потом, дочь-модели создаются и подгоняются к данным, предпочтительно с использованием стратегий пакетной обработки, основанных на сценариях MATLAB. В качестве отправной точки для создания подходящих вариантов модели колесо PottersWheel эквалайзер может использоваться для понимания динамического поведения исходной системы.

Анализ и прогноз модели

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.

Экспериментальная конструкция

Экспериментальная установка соответствует конкретным характеристикам управляющие входные функции и начальные концентрации. В модели пути передачи сигнала концентрацию лигандоподобного 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

Многие динамические системы можно наблюдать только частично, т.е. не все виды систем доступны экспериментально. Для биологических приложений количество и качество экспериментальных данных часто ограничено. 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 Подход с вероятностью профиля.^[2] Для характеристики функциональных взаимосвязей между неидентифицируемыми параметрами PottersWheel применяет случайные и систематические последовательности соответствия.^[3]

Рекомендации

1. Т. Майвальд и Дж. Тиммер (2008) "Динамическое моделирование и установка нескольких экспериментов с помощью PottersWheel", Биоинформатика 24(18):2037–2043
2. Структурный и практический анализ идентифицируемости частично наблюдаемых динамических моделей с использованием вероятности профиля, А. Рауэ, К. Кройц, Т. Майвальд, Дж. Бахманн, М. Шиллинг, У. Клингмюллер и Дж. Тиммер, Биоинформатика 2009
3. Анализ идентифицируемости нелинейных динамических моделей на основе данных, S. Hengl, C. Kreutz, J. Timmer и T. Maiwald, Bioinformatics 2007 23 (19): 2612–2618

внешняя ссылка

• Официальный веб-сайт
• Подход с вероятностью профиля