عجلة الفخار

تحتوي هذه المقالة على العديد من المشكلات. يُرجى المساعدة في تحسينها أو مناقشة هذه المشكلات على صفحة المناقشة . ( تعرف على كيفية ومتى يمكنك إزالة هذه الرسائل ) قد لا يتوافق موضوع هذه المقالة مع إرشادات الشهرة الخاصة بـ Wikipedia للمنتجات والخدمات .الرجاء المساعدة في إثبات أهمية الموضوع من خلال الاستشهاد بمصادر ثانوية موثوقة ومستقلة عن الموضوع وتقديم تغطية مهمة له تتجاوز مجرد ذكر تافه. إذا لم يكن من الممكن إظهار أهمية الموضوع، فمن المحتمل دمج المقال أو إعادة توجيهه أو حذفه . ابحث عن المصادر:  "PottersWheel" – الأخبار  · الصحف  · الكتب  · العلماء  · JSTOR ( سبتمبر 2011 )( تعرف على كيفية ومتى يمكنك إزالة هذه الرسالة ) قد تكون هذه المقالة تقنية للغاية بحيث يصعب على معظم القراء فهمها . Please help improve it to make it understandable to non-experts, without removing the technical details. (February 2021) (Learn how and when to remove this message) (Learn how and when to remove this message)

PottersWheel هي مجموعة أدوات MATLAB للنمذجة الرياضية للأنظمة الديناميكية المعتمدة على الوقت والتي يمكن التعبير عنها كشبكات تفاعل كيميائي أو معادلات تفاضلية عادية (ODEs). ^[1] إنها تسمح بالمعايرة التلقائية لمعلمات النموذج عن طريق ملاءمة النموذج للقياسات التجريبية. تتم كتابة الوظائف التي تتطلب وحدة المعالجة المركزية أو - في حالة الوظائف المعتمدة على النموذج - يتم إنشاؤها ديناميكيًا في C. يمكن إجراء النمذجة بشكل تفاعلي باستخدام واجهات المستخدم الرسومية أو بناءً على نصوص MATLAB باستخدام مكتبة وظائف PottersWheel. يهدف البرنامج إلى دعم عمل صانع النماذج الرياضية حيث تسهل عجلة الخزاف الحقيقية نمذجة الفخار.

يغطي الاستخدام الأساسي لـ PottersWheel سبع مراحل من إنشاء النموذج إلى التنبؤ بالتجارب الجديدة.

يتم صياغة النظام الديناميكي في مجموعة من التفاعلات أو المعادلات التفاضلية باستخدام مصمم نموذج مرئي أو محرر نصوص. يتم تخزين النموذج كملف MATLAB *.m ASCII. وبالتالي يمكن تتبع التعديلات باستخدام نظام التحكم في الإصدار مثل subversion أو git . يتم دعم استيراد وتصدير النموذج لـ SBML . يمكن استخدام قوالب الاستيراد المخصصة لاستيراد هياكل النموذج المخصصة. يتم أيضًا دعم النمذجة القائمة على القواعد ، حيث يمثل النمط مجموعة من التفاعلات التي يتم إنشاؤها تلقائيًا.

مثال لملف تعريف نموذج بسيط لشبكة التفاعل A → B → C → A مع الأنواع المرصودة A و C:

الدالة  m = getModel ()  

% البدء بنموذج فارغ 
m = pwGetEmtptyModel ();  

% إضافة التفاعلات 
m = pwAddR ( m , 'A' , 'B' ); m = pwAddR ( m , 'B' , 'C' ); m = pwAddR ( m , 'C' , 'A' );    
    
    

% إضافة الملاحظات 
m = pwAddY ( m ، 'A' )؛ m = pwAddY ( m ، 'C' )؛ النهاية   
   

يمكن إضافة البيانات الخارجية المحفوظة في ملفات *.xls أو *.txt إلى نموذج لإنشاء زوج بيانات نموذجي . يسمح مربع حوار التعيين بربط أسماء أعمدة البيانات بأسماء الأنواع التي تمت ملاحظتها. تتضمن المعلومات الوصفية في ملفات البيانات معلومات حول الإعداد التجريبي. يتم تخزين أخطاء القياس إما في ملفات البيانات، أو سيتم حسابها باستخدام نموذج خطأ، أو يتم تقديرها تلقائيًا.

لملاءمة نموذج لمجموعة بيانات واحدة أو أكثر، يتم دمج أزواج البيانات النموذجية المقابلة في مجموعة ملائمة . يمكن ملاءمة معلمات مثل القيم الأولية وثوابت المعدل وعوامل القياس بطريقة تجريبية أو عالمية. يمكن للمستخدم الاختيار من بين العديد من المكاملات الرقمية وخوارزميات التحسين واستراتيجيات المعايرة مثل الملاءمة في مساحة المعلمات العادية أو اللوغاريتمية.

تتميز جودة الملاءمة بقيمة مربع كاي . وكقاعدة عامة، بالنسبة لنقاط البيانات المجهزة N والمعلمات المعايرة p ، يجب أن تكون قيمة مربع كاي مماثلة لقيمة N  −  p أو على الأقل  N. إحصائيًا، يتم التعبير عن ذلك باستخدام اختبار مربع كاي مما يؤدي إلى قيمة p أعلى من عتبة الأهمية مثل 0.05. بالنسبة لقيم p المنخفضة، يكون النموذج

• إما أنه غير قادر على شرح البيانات ويجب تحسينها،
• الانحراف المعياري لنقاط البيانات أكبر فعليًا من المحدد،
• أو أن استراتيجية التجهيز المستخدمة لم تكن ناجحة وتم حبس التجهيز في حد أدنى محلي.

بصرف النظر عن الخصائص الأخرى القائمة على مربع كاي مثل AIC و BIC ، توجد تحليلات لنموذج البيانات والبقايا، على سبيل المثال للتحقيق فيما إذا كانت البقايا تتبع توزيعًا غاوسيًا . أخيرًا، يمكن تقدير فترات ثقة المعلمات باستخدام تقريب مصفوفة معلومات فيشر أو بناءً على دالة الاحتمالية للملف ، إذا لم تكن المعلمات قابلة للتحديد بشكل لا لبس فيه.

إذا لم يكن الملاءمة مقبولة، فيجب تحسين النموذج وتستمر الإجراءات بالخطوة 2. وإلا، يمكن فحص خصائص النموذج الديناميكي وحساب التوقعات.

إذا لم يكن هيكل النموذج قادرًا على تفسير القياسات التجريبية، فيجب إنشاء مجموعة من النماذج البديلة المعقولة فسيولوجيًا. لتجنب فقرات النموذج المكررة وأخطاء النسخ واللصق، يمكن القيام بذلك باستخدام نموذج أساسي مشترك يكون هو نفسه لجميع المتغيرات. بعد ذلك، يتم إنشاء نماذج فرعية وتركيبها على البيانات، ويفضل استخدام استراتيجيات المعالجة الدفعية القائمة على نصوص MATLAB. كنقطة بداية لتصور متغيرات النموذج المناسبة، يمكن استخدام معادل PottersWheel لفهم السلوك الديناميكي للنظام الأصلي.

يمكن أن يُستخدم النموذج الرياضي لعرض ملف تعريف وقت التركيز للأنواع غير الملاحظة، لتحديد المعلمات الحساسة التي تمثل الأهداف المحتملة ضمن بيئة سريرية، أو لحساب خصائص النموذج مثل نصف عمر الأنواع.

يمكن تخزين كل خطوة من خطوات التحليل في تقرير النمذجة، والذي يمكن تصديره كملف PDF يعتمد على Latex.

يتوافق الإعداد التجريبي مع خصائص محددة لوظائف الإدخال الدافعة والتركيزات الأولية. في نموذج مسار نقل الإشارة، يمكن التحكم في تركيز ربيطة مثل EGF تجريبياً. يسمح مصمم الإدخال الدافع بالتحقيق في تأثير التحفيز المستمر أو المنحدر أو النبضي مع التركيزات الأولية المتنوعة باستخدام المعادل. من أجل التمييز بين فرضيات النموذج المتنافسة، يجب أن تحتوي التجربة المصممة على ملفات تعريف زمنية قابلة للملاحظة مختلفة قدر الإمكان.

لا يمكن ملاحظة العديد من الأنظمة الديناميكية إلا جزئيًا، أي أنه لا يمكن الوصول إلى جميع أنواع الأنظمة تجريبيًا. بالنسبة للتطبيقات البيولوجية، غالبًا ما تكون كمية وجودة البيانات التجريبية محدودة. في هذا الإعداد، يمكن أن تكون المعلمات غير قابلة للتحديد هيكليًا أو عمليًا. بعد ذلك، قد تعوض المعلمات بعضها البعض وتعتمد قيم المعلمات الملائمة بشدة على التخمينات الأولية. في PottersWheel، يمكن اكتشاف عدم القدرة على التعريف باستخدام نهج احتمالية الملف الشخصي. ^[2] لتوصيف العلاقات الوظيفية بين المعلمات غير القابلة للتعريف، تطبق PottersWheel تسلسلات ملائمة عشوائية ومنهجية. ^[3]

• الموقع الرسمي
• نهج احتمالية الملف الشخصي

Original text

Rate this translation

Your feedback will be used to help improve Google Translate