假设您有来自三个个体的药物血浆浓度数据，您希望使用这些数据来估计相应的药代动力学参数，即中央和外周室的体积(中央，外围)，清除率(Cl_Central)，以及间隔间清理(12个)．假设药物浓度随时间曲线呈双指数下降 $$C_t＝\mathrm{一个}{e}^{-\mathrm{一个}t}+B{e}^{-bt}$$,在那里C_t药物浓度是否及时t,一个而且b为对应指数下降的斜率。

合成数据集包含在中心区和外周区测量的药物血浆浓度数据。数据是使用双室模型生成的，注射剂量和一阶消除。这些参数被用于每个个体。

数据存储为带有变量的表ID，时间，CentralConc,PeripheralConc．它表示在输注剂量后，在中央和外周室的八个不同时间点测量的血浆浓度的时间过程。

负载(“data10_32R.mat”）

将数据集转换为agroupedData对象，该对象是拟合函数所需的数据格式sbiofit供以后使用。一个groupedData对象还允许您设置自变量和组变量名(如果存在的话)。的单位ID，时间，CentralConc,PeripheralConc变量。单元是可选的，并且仅对UnitConversion特性，自动将匹配的物理量转换为一致的单位系统。

gData = groupedData(data);gData.Properties.VariableUnits = {”，“小时”，毫克/升的，毫克/升的};gData。属性

ans = struct with fields: Description: " UserData: [] DimensionNames: {'Row' 'Variables'} VariableNames: {'ID' 'Time' 'CentralConc' 'PeripheralConc'} variabledescription: {} VariableUnits: {1x4 cell} variableccontinuity: [] RowNames: {} CustomProperties: [1x1 matlabl .tabular. tabular.]CustomProperties] GroupVariableName: 'ID'独立变量:'时间'

创建一个格子图，显示三个个体的PK配置文件。

sbiotrellis (gData“ID”，“时间”, {“CentralConc”，“PeripheralConc”}，.．.“标记”，“+”，“线型”，“没有”）;

利用内置的PK库构建一个双室模型，该模型具有注射剂量和一级消除，其中消除率取决于中心室的间隙和体积。使用configset对象打开单位转换。

pkmd = PKModelDesign;pkc1 = add隔间(pkmd，“中央”）;pkc1。DosingType =“注入”；pkc1。EliminationType =“linear-clearance”；pkc1。HasResponseVariable = true;pkc2 = add隔间(pkmd，“外围”）;Model = construct(pkmd);Configset = getconfigset(模型);configset.CompileOptions.UnitConversion = true;

假设每个人在时间= 0时接受输注剂量，总输注量为100mg，速度为50mg /小时。有关设置不同剂量策略的详细信息，请参见SimBiology模型中的剂量．

剂量= sbiodose(“剂量”，“TargetName”，“Drug_Central”）;剂量。StartTime = 0;剂量。一个mount = 100; dose.Rate = 50; dose.AmountUnits =毫克的；剂量。时间Units =“小时”；剂量。RateUnits =“毫克/小时”；

数据包含在中央和周围区室测量的血浆浓度。将这些变量映射到适当的模型物种Drug_Central而且Drug_Peripheral．

responseMap = {'Drug_Central = CentralConc'，'Drug_Peripheral = PeripheralConc'};

在这个模型中要估计的参数是中心和外围隔室的体积(中央而且外围)、室间间隙12个，及清除率Cl_Central．在本例中，指定log-transform for中央而且外围因为它们被限制为正。的estimatedInfo对象使您可以指定参数转换、初始值和参数边界(可选)。

paramsToEstimate = {“日志(中央)”，的日志(外围)，“12”，“Cl_Central”};estimatedParam = estimatedInfo(paramsToEstimate，“InitialValue”，[1 1 1 1]);

将模型拟合到所有汇集在一起的数据，也就是说，为所有个体估计一组参数。默认的估计方法为sbiofit用途将根据可用的工具箱而改变。看看是哪个估计函数sbiofit用于配件，检查EstimationFunction对应结果对象的属性。

pooledFit = sbiofit(模型，gData,responseMap,estimatedParam，剂量，“池”,真正的)

pooledFit = optimatedresults with properties: ExitFlag: 3 Output: [1x1 struct] GroupName: [] Beta: [4x3 table] ParameterEstimates: [4x3 table] J: [24x4x2 double] COVB: [4x4 double] CovarianceMatrix: [4x4 double] R: [24x2 double] MSE: 6.6220 SSE: 291.3688 Weights: [] LogLikelihood: -111.3904 AIC: 230.7808 BIC: 238.2656 DFE: 44 DependentFiles: {1x3 cell} EstimatedParameterNames: {'Central' 'Peripheral' 'Q12' 'Cl_Central'} ErrorModelInfo: [1x3 table] EstimationFunction: 'lsqnonlin'

将拟合结果与原始数据绘制成图。虽然生成了三个独立的图，但数据是用同一组参数拟合的(也就是说，所有三个个体都有相同的拟合线)。

情节(pooledFit);

为每个人估计一组参数，看看参数估计是否有任何改进。在这个例子中，因为有三个个体，所以估计了三组参数。

unpooledFit = sbiofit(模型，gData,responseMap,estimatedParam，剂量，“池”、假);

将拟合结果与原始数据绘制成图。每个个体都被以不同的方式拟合(也就是说，每条拟合的线对每个个体都是唯一的)，而且每条线似乎都很适合个人数据。

情节(unpooledFit);

显示第一个个体的拟合结果。MSE低于合并拟合的MSE。另外两个人也是如此。

unpooledFit (1)

ans = optimatedresults with properties: ExitFlag: 3 Output: [1x1 struct] GroupName: 1 Beta: [4x3 table] ParameterEstimates: [4x3 table] J: [8x4x2 double] COVB: [4x4 double] CovarianceMatrix: [4x4 double] R: [8x2 double] MSE: 2.1380 SSE: 25.6559 Weights: [] LogLikelihood: -26.4805 AIC: 60.9610 BIC: 64.0514 DFE: 12 DependentFiles: {1x3 cell} EstimatedParameterNames: {'Central' 'Peripheral' 'Q12' 'Cl_Central'} ErrorModelInfo: [1x3 table] EstimationFunction: 'lsqnonlin'

生成随时间变化的残差图，以比较合并和未合并的拟合结果。该图表明未合并拟合的残差小于预期的合并拟合残差。除了比较残差之外，还可以使用其他严格的标准来比较拟合结果。

t = [gData.Time;gData.Time];res_pooled = vertcat(pooledFit.R);Res_pooled = Res_pooled (:);res_unpooled = vertcat(unpooledFit.R);Res_unpooled = Res_unpooled (:);情节(t, res_pooled“o”，“MarkerFaceColor”，' w '，“markerEdgeColor”，“b”)举行在情节(t, res_unpooled“o”，“MarkerFaceColor”，“b”，“markerEdgeColor”，“b”) refl = refine (0,0);表示残差为零的参考线标题(“剩余与时间”）;包含(“时间”）;ylabel (“残差”）;传奇({“池”，未共享的})；

这个例子展示了如何使用sbiofit．如上图所示，未合并拟合解释了由于研究中特定主题而产生的变化，在这种情况下，模型更适合数据。但是，合并拟合返回总体范围的参数。如果你想在考虑个体变化的同时估计种群范围的参数，请使用sbiofitmixed．