วงล้อเครื่องปั้นดินเผา

PottersWheelเป็น กล่องเครื่องมือ MATLABสำหรับการสร้างแบบจำลองทางคณิตศาสตร์ของระบบไดนามิก ที่ขึ้นอยู่กับเวลา ซึ่งสามารถแสดงได้ในรูปของเครือข่ายปฏิกิริยาเคมีหรือสมการเชิงอนุพันธ์สามัญ (ODE) ^{[ 1 ]}ช่วยให้สามารถปรับเทียบพารามิเตอร์ของแบบจำลองโดยอัตโนมัติโดยการปรับแบบจำลองให้เข้ากับการวัดเชิงทดลอง ฟังก์ชันที่ใช้ CPU มากจะถูกเขียนหรือ – ในกรณีของฟังก์ชันที่ขึ้นอยู่กับแบบจำลอง – สร้างขึ้นแบบไดนามิกในภาษา C การสร้างแบบจำลองสามารถทำได้แบบโต้ตอบโดยใช้ส่วนต่อประสานผู้ใช้แบบกราฟิกหรืออิงตามสคริปต์ MATLAB โดยใช้ไลบรารีฟังก์ชัน PottersWheel ซอฟต์แวร์นี้มีจุดประสงค์เพื่อสนับสนุนการทำงานของนักสร้างแบบจำลองทางคณิตศาสตร์ เช่นเดียวกับวงล้อปั้นดิน เผาจริง ที่ช่วยให้การสร้างแบบจำลองเครื่องปั้นดินเผาง่ายขึ้น

การใช้งานพื้นฐานของ PottersWheel ครอบคลุมเจ็ดขั้นตอน ตั้งแต่การสร้างแบบจำลองไปจนถึงการคาดการณ์ผลการทดลองใหม่ๆ

ระบบพลวัตจะถูกกำหนดเป็นชุดของปฏิกิริยาหรือสมการเชิงอนุพันธ์โดยใช้โปรแกรมออกแบบโมเดลแบบภาพหรือโปรแกรมแก้ไขข้อความ โมเดลจะถูกจัดเก็บเป็นไฟล์ MATLAB *.m ASCII ดังนั้นจึงสามารถติดตามการแก้ไขได้โดยใช้ระบบควบคุมเวอร์ชัน เช่นSubversionหรือGitรองรับการนำเข้าและส่งออกโมเดลสำหรับSBMLสามารถใช้เทมเพลตการนำเข้าแบบกำหนดเองเพื่อนำเข้าโครงสร้างโมเดลแบบกำหนดเองได้ นอกจากนี้ยังรองรับ การสร้างแบบจำลองตามกฎโดยที่รูปแบบจะแสดงถึงชุดของปฏิกิริยาที่สร้างขึ้นโดยอัตโนมัติ

ตัวอย่างไฟล์กำหนดแบบจำลองอย่างง่ายสำหรับเครือข่ายปฏิกิริยา A → B → C → A โดยมีชนิดที่สังเกตได้คือ A และ C:

ฟังก์ชัน m = getModel ()% เริ่มต้นด้วยโมเดลว่างเปล่าm = pwGetEmtptyModel ();% การเพิ่มปฏิกิริยาm = pwAddR ( m , 'A' , 'B' ); m = pwAddR ( m , 'B' , 'C' ); m = pwAddR ( m , 'C' , 'A' );% เพิ่มค่าที่สังเกตได้m = pwAddY ( m , 'A' ); m = pwAddY ( m , 'C' ); end

สามารถเพิ่มข้อมูลภายนอกที่บันทึกไว้ในไฟล์ *.xls หรือ *.txt ลงในแบบจำลองเพื่อสร้างคู่แบบจำลอง-ข้อมูลได้หน้าต่างการจับคู่ช่วยให้สามารถเชื่อมโยงชื่อคอลัมน์ข้อมูลกับชื่อสายพันธุ์ที่สังเกตได้ ข้อมูลเมตาในไฟล์ข้อมูลประกอบด้วยข้อมูลเกี่ยวกับการตั้งค่าการทดลอง ข้อผิดพลาดในการวัดจะถูกจัดเก็บไว้ในไฟล์ข้อมูล คำนวณโดยใช้แบบจำลองข้อผิดพลาด หรือประมาณค่าโดยอัตโนมัติ

ในการปรับแบบจำลองให้เข้ากับชุดข้อมูลหนึ่งชุดหรือมากกว่านั้น คู่แบบจำลอง-ข้อมูลที่เกี่ยวข้องจะถูกรวมเข้าด้วยกันเป็นชุดการปรับแบบจำลองพารามิเตอร์ต่างๆ เช่น ค่าเริ่มต้น ค่าคงที่อัตรา และปัจจัยการปรับขนาด สามารถปรับได้ทั้งแบบเฉพาะการทดลองหรือแบบโดยรวม ผู้ใช้สามารถเลือกจากตัวรวมเชิงตัวเลข อัลกอริทึมการเพิ่มประสิทธิภาพ และกลยุทธ์การปรับเทียบหลายแบบ เช่น การปรับในพื้นที่พารามิเตอร์แบบปกติหรือแบบลอการิทึม

คุณภาพของการปรับให้เข้ากับข้อมูลนั้นวัดได้จาก ค่า ไคกำลังสองโดยทั่วไปแล้ว สำหรับ จุดข้อมูลที่ปรับให้เข้ากับข้อมูลจำนวนN จุด และพารามิเตอร์ที่ปรับเทียบแล้วจำนวน pค่าไคกำลังสองควรมีค่าใกล้เคียงกับN  −  pหรืออย่างน้อยที่สุดก็  Nในทางสถิติ จะแสดงออกมาโดยใช้การทดสอบไคกำลังสองซึ่งให้ค่า pสูงกว่าเกณฑ์ความสำคัญ เช่น 0.05 สำหรับค่า p ที่ต่ำกว่านั้น แบบจำลองจะไม่เหมาะสม

• อาจไม่สามารถอธิบายข้อมูลได้และต้องมีการปรับปรุงแก้ไขเพิ่มเติม
• ค่าเบี่ยงเบนมาตรฐานของจุดข้อมูลนั้นมากกว่าที่ระบุไว้จริง
• หรือกลยุทธ์การปรับให้เหมาะสมที่ใช้ไม่ประสบความสำเร็จ และการปรับให้เหมาะสมนั้นติดอยู่ในจุดต่ำสุดเฉพาะที่

นอกเหนือจากคุณลักษณะอื่นๆ ที่อิงตามค่าไคกำลังสอง เช่นAICและBICแล้ว ยังมีการวิเคราะห์ข้อมูล-แบบจำลอง-ค่าตกค้าง เช่น เพื่อตรวจสอบว่าค่าตกค้างเป็นไปตามการกระจายแบบเกาส์เซียน หรือไม่ สุดท้ายนี้ ช่วงความเชื่อมั่นของพารามิเตอร์อาจประมาณได้โดยใช้ การประมาณ เมทริกซ์ข้อมูลของฟิชเชอร์หรืออิงตามฟังก์ชันความน่าจะเป็นแบบโปรไฟล์หากพารามิเตอร์ไม่สามารถระบุได้อย่างชัดเจน

หากผลลัพธ์ไม่เป็นที่ยอมรับ จะต้องปรับปรุงแบบจำลองและดำเนินการต่อในขั้นตอนที่ 2 หรือหากเป็นไปได้ สามารถตรวจสอบคุณสมบัติของแบบจำลองเชิงพลวัตและคำนวณค่าทำนายได้

หากโครงสร้างแบบจำลองไม่สามารถอธิบายการวัดเชิงทดลองได้ ควรสร้างแบบจำลองทางเลือกที่สมเหตุสมผลทางสรีรวิทยาขึ้นมาหลายแบบ เพื่อหลีกเลี่ยงการเขียนแบบจำลองซ้ำซ้อนและข้อผิดพลาดจากการคัดลอกและวาง สามารถทำได้โดยใช้แบบจำลองหลักทั่วไปที่เหมือนกันสำหรับทุกแบบ จากนั้นจึง สร้างแบบจำลอง ย่อยและปรับให้เข้ากับข้อมูล โดยควรใช้กลยุทธ์การประมวลผลแบบกลุ่มโดยใช้สคริปต์ MATLAB จุดเริ่มต้นในการพิจารณาแบบจำลองที่เหมาะสม อาจใช้ PottersWheel equalizerเพื่อทำความเข้าใจพฤติกรรมไดนามิกของระบบดั้งเดิม

แบบจำลองทางคณิตศาสตร์อาจใช้เพื่อแสดงโปรไฟล์ความเข้มข้นตามเวลาของสารที่ไม่สามารถสังเกตได้ เพื่อกำหนดพารามิเตอร์ที่มีความไวสูงซึ่งแสดงถึงเป้าหมายที่เป็นไปได้ในบริบททางคลินิก หรือเพื่อคำนวณลักษณะเฉพาะของแบบจำลอง เช่น ครึ่งชีวิตของสารชนิดนั้นๆ

แต่ละขั้นตอนการวิเคราะห์สามารถบันทึกไว้ในรายงานการสร้างแบบจำลอง ซึ่งสามารถส่งออกเป็นไฟล์ PDF ที่ใช้ Latex ได้

การตั้งค่าการทดลองสอดคล้องกับลักษณะเฉพาะของฟังก์ชันอินพุตการขับเคลื่อนและความเข้มข้นเริ่มต้น ในแบบจำลองเส้นทางการส่งสัญญาณ ความเข้มข้นของลิแกนด์เช่น EGF สามารถควบคุมได้ในการทดลอง ตัวออกแบบอินพุตการขับเคลื่อนช่วยให้สามารถตรวจสอบผลของการกระตุ้นแบบต่อเนื่อง แบบค่อยๆ เพิ่มขึ้น หรือแบบเป็นจังหวะ ร่วมกับความเข้มข้นเริ่มต้นที่แตกต่างกันโดยใช้ตัวปรับสมดุล เพื่อให้สามารถแยกแยะสมมติฐานแบบจำลองที่แข่งขันกันได้ การทดลองที่ออกแบบควรมีโปรไฟล์เวลาที่สังเกตได้แตกต่างกันมากที่สุดเท่าที่จะเป็นไปได้

ระบบพลวัตจำนวนมากสามารถสังเกตได้เพียงบางส่วนเท่านั้น กล่าวคือ สิ่งมีชีวิตในระบบทั้งหมดไม่สามารถเข้าถึงได้จากการทดลอง สำหรับการประยุกต์ใช้ทางชีววิทยา ปริมาณและคุณภาพของข้อมูลการทดลองมักมีจำกัด ในสถานการณ์เช่นนี้ พารามิเตอร์อาจไม่สามารถระบุโครงสร้างหรือในทางปฏิบัติได้ จากนั้น พารามิเตอร์อาจชดเชยซึ่งกันและกัน และค่าพารามิเตอร์ที่ปรับให้เหมาะสมจะขึ้นอยู่กับการคาดเดาเริ่มต้นอย่างมาก ใน PottersWheel สามารถตรวจจับความไม่สามารถระบุได้โดยใช้ แนวทางความน่าจะเป็น แบบโปรไฟล์^{[ 2 ]}สำหรับการกำหนดลักษณะความสัมพันธ์เชิงฟังก์ชันระหว่างพารามิเตอร์ที่ไม่สามารถระบุได้ PottersWheel ใช้ลำดับการปรับแบบสุ่มและเป็นระบบ^{[ 3 ]}

• เว็บไซต์อย่างเป็นทางการ
• แนวทางความน่าจะเป็นของโปรไฟล์