Muster herabsetzungsklage

Es ist wichtig zu beachten, dass die gesamte Modellreduktion zu einem gewissen Fehlergrad führt. Infolgedessen läuft die spezifische Wahl des reduzierten Modells, das in einer bestimmten Situation verwendet werden soll, im Wesentlichen auf einen Kompromiss zwischen Einfachheit und Genauigkeit hinaus. Diese Wahl wird unweigerlich von den spezifischen Zielen und Kontexten abhängen, die mit der durchgeführten Modellierungsarbeit verbunden sind, und als solche ist es schwierig, eine Catch-All-Regel für die Wahl des besten Zuschnitts zu geben. In diesem Beitrag haben wir das Ziel von 5% Fehler für unsere reduzierten verknüpften Modelle ausgewählt, und zielte darauf ab, das minimale Maßmodell zu konstruieren, das innerhalb dieses Fehlergrades bleibt. Kourdis PD, Steuer R, Goussis DA (2010) Physikalisches Verständnis komplexer biochemischer Multiskalenmodelle durch algorithmische Vereinfachung: Glykolyse in Saccharomyces cerevisiae. Physica D 239(18):1798–1817 Härdin H, van Schuppen J (2006) Systemreduktion nichtlinearer positiver Systeme durch Linearisierung und Kürzung. In: C Commault, N Marchand (eds) Positive Systemberichte des zweiten multidisziplinären internationalen Symposiums über positive Systeme: Theorie und Anwendungen. Vorlesungsnotizen in Kontroll- und Informationswissenschaften. Springer, Berlin, Bd.

341, S. 431–438 Ungeachtet dieser Einschränkungen sollte der Wert der Modellreduktion und -verknüpfung beim Bau von QSP-Modellen jedoch nicht unterschätzt werden. Dieser Ansatz ermöglicht es uns, mit bereits existierenden physiologisch basierten Modellen in mehreren Maßstäben der Arzneimittelaktivität zu beginnen und integrierte, reduzierte Modelle zu konstruieren, die eine mechanistische Basis beibehalten, aber von einem transportablen Maßstab sind. Durch die Verwendung der Modellreduktion ist es möglich, sowohl den Parameterbereich als auch die Anzahl der modellierten Zustandsvariablen zu verkleinern. In Kombination mit den oft erheblichen Beschleunigungen in den beobachteten Simulationszeiten können diese Ansätze eine Reihe von Rechenansätzen (einschließlich Parameteranpassung) erreichbarer machen. Durch die selektive Anwendung der Modellreduktion auf bestimmte Teile eines Netzes ist es ferner möglich, vereinfachte Systeme zu erstellen, die physiologische, molekulare Details für spezifische Interessensmechanismen beibehalten. Der Einfluss des restlichen Systems kann mit einem geringeren Grad an Spezifität berücksichtigt werden. Diese direkt reduzierten Netzwerke ermöglichen die Untersuchung spezifischer Formen der Parametervariation, einschließlich beispielsweise, wie patientenvariabilität auf der Ebene der Proteinexpression zu Unterschieden in der Dosis-Wirkung führen könnte.

Insgesamt kann der in diesem Papier skizzierte Ansatz als Weg weiser für Modelle angesehen werden, die eine mittlere Granularität zwischen der vollständig systemischen Ebene moderner Ansätze und den empirischeren klassischen Ansätzen enthalten und gleichzeitig eine physiologische Grundlage in der Modellinterpretationsfähigkeit beibehalten. Indem die Instrumente zur Vorhersage von Unterschieden in der Reaktion der Patienten zur Verfügung gestellt werden und optimale Dosierstrategien in einem mechanistischeren Licht betrachtet werden, kann dies als ein Sprungbrett zum ultimativen Ziel der personalisierten Medizin angesehen werden. Um diese Konzepte zu quantifizieren, müssen zwei Matrizen berechnet werden, die als Kontrollierbarkeit und Beobachtbarkeit Gramians ()) bzw. “Mathcal” bzw. “Mathcal” ) für das System bezeichnet werden. Einmal erhalten, ist das Ziel, eine ausgleichende Transformation für das System zu finden. Dies ist eine Transformation der Zustandsvariablen, für die die Gramer ausgeglichen und diagonalisiert werden und die durch die Verwendung der Singularwertzersetzung erreicht werden können. Infolgedessen sind die durch eine solche Transformation erzeugten Zustandsvariablen hinsichtlich ihrer Bedeutung in Bezug auf das ursprüngliche Modell etwas verschleiert.