使用copasi进行可识别性分析的python模块
pydentif的Python项目详细描述
安装
使用：
pip install pydentify
在命令提示下或从下载的目录下载并使用：
>；
author:ciaran welsh。电子邮件：c.welsh2@newcastle.ac.uk
不能由优化问题唯一定义。这叫做不可识别性。
copasi（mendes等人，2009年）是一个软件包，使人们能够轻松地进行参数估计。
pydentify使用copasi作为"参数估计引擎"，以计算轮廓似然性
可识别性分析方法（schaber，biosystems 20012）。
如jorg schabber所述，在使用此脚本在copasi中执行可识别性分析之前，必须首先使用gui定义一个适当的copasiml。
请确保已执行以下操作：
1）确保父.cps文件与用于参数化的数据文件位于同一目录中，并且此目录中不存在其他文本文件。最好有一个专门的文件夹用于可识别性分析。
2）执行参数估计以定位全局最小值并更新模型。或者，您可以使用copasi扫描任务中的repeat特性来执行多参数估计，并将结果写入报告。后一个过程最好使用计算机集群来完成。
3）从copasi的"output specifications"窗口创建一个新的报告，其中包含任何但只有一个估计参数和rss值。后者可以通过选中"专家模式"按钮找到，然后转到："模型列表">；"根">；"任务列表">；"参数估计">；"参数估计">；"最佳值"。
4）确保对所有次要参数估计使用hook和jeeves。
5）在参数扫描子任务中创建带有任何估计参数的扫描：
6）将扫描子任务更改为参数估计
7）选中"日志"复选框以按日志比例扫描
8）选中扫描窗口右上角的可执行框
9）定义使用先前定义的"profilelikelihood"报告的报告。将其命名为任意名称，然后取消选中"追加"和"确认覆盖"按钮。
10）删除在其他子任务中定义的任何其他报告
11）删除已定义的任何参数集或事件
12）确保时间，体积和数量单位的定义是正确的，因为它们在某些计算中使用阿伏加德罗常数。
然后使用：
<；copasi_file>；：配置的copasi文件的绝对路径
或：
mlp=multiprofilelikelihood（<；copasi_file>；，[索引]，results_dir=<；results_directory>；）
[索引]：运行参数估计索引的python列表要计算
results的profile likelihoods目录的绝对路径dir:包含copasi的参数估计输出的目录的绝对路径估计数据
，这取决于pydentify.py提供的模块"insertcopasiparameters"。
p=pydentify.plot（copasi_file，rss_i）
copasi_file：适当配置的copasi文件
rss_i：原始参数estim的rss值如果使用pydentify.multiprofilelikeliked（）：
其中：
copasi_文件：经过适当配置的copasi文件
results_dir：结果目录的完整路径（包含txt格式的参数估计数据的多个文件，如copasi参数估计的输出）
results_文件：完整路径到包含参数估计数据的结果文件（xlsx/xls/csv/txt）
，然后
mp.plot_index（0，savefig=true）绘制多轮廓似然性的索引0
或
mp.plot_all_index（savefig=true，multiplot=false）"绘制所有索引
mp.plot_all_index（savefig=true，multiplot=true）绘制同一图形上的所有配置文件以进行比较。结果在最大的索引文件夹中查看，因为这是一个迭代过程
references
mendes，p.，hoops，s.，sahle，s.，gauges，r.，dada，j.和kummer，u.（2009），"使用copasi的生化网络计算建模"，系统生物学，第17-59页。（2012）"用copasi进行易识别参数分析"，生物系统，110（3），第183-185页。
使用：
pip install pydentify
在命令提示下或从下载的目录下载并使用：
>；
author:ciaran welsh。电子邮件：c.welsh2@newcastle.ac.uk
不能由优化问题唯一定义。这叫做不可识别性。
copasi（mendes等人，2009年）是一个软件包，使人们能够轻松地进行参数估计。
pydentify使用copasi作为"参数估计引擎"，以计算轮廓似然性
可识别性分析方法（schaber，biosystems 20012）。
如jorg schabber所述，在使用此脚本在copasi中执行可识别性分析之前，必须首先使用gui定义一个适当的copasiml。
请确保已执行以下操作：
1）确保父.cps文件与用于参数化的数据文件位于同一目录中，并且此目录中不存在其他文本文件。最好有一个专门的文件夹用于可识别性分析。
2）执行参数估计以定位全局最小值并更新模型。或者，您可以使用copasi扫描任务中的repeat特性来执行多参数估计，并将结果写入报告。后一个过程最好使用计算机集群来完成。
3）从copasi的"output specifications"窗口创建一个新的报告，其中包含任何但只有一个估计参数和rss值。后者可以通过选中"专家模式"按钮找到，然后转到："模型列表">；"根">；"任务列表">；"参数估计">；"参数估计">；"最佳值"。
4）确保对所有次要参数估计使用hook和jeeves。
5）在参数扫描子任务中创建带有任何估计参数的扫描：
6）将扫描子任务更改为参数估计
7）选中"日志"复选框以按日志比例扫描
8）选中扫描窗口右上角的可执行框
9）定义使用先前定义的"profilelikelihood"报告的报告。将其命名为任意名称，然后取消选中"追加"和"确认覆盖"按钮。
10）删除在其他子任务中定义的任何其他报告
11）删除已定义的任何参数集或事件
12）确保时间，体积和数量单位的定义是正确的，因为它们在某些计算中使用阿伏加德罗常数。
然后使用：
<；copasi_file>；：配置的copasi文件的绝对路径
或：
mlp=multiprofilelikelihood（<；copasi_file>；，[索引]，results_dir=<；results_directory>；）
[索引]：运行参数估计索引的python列表要计算
results的profile likelihoods目录的绝对路径dir:包含copasi的参数估计输出的目录的绝对路径估计数据
，这取决于pydentify.py提供的模块"insertcopasiparameters"。
p=pydentify.plot（copasi_file，rss_i）
copasi_file：适当配置的copasi文件
rss_i：原始参数estim的rss值如果使用pydentify.multiprofilelikeliked（）：
其中：
copasi_文件：经过适当配置的copasi文件
results_dir：结果目录的完整路径（包含txt格式的参数估计数据的多个文件，如copasi参数估计的输出）
results_文件：完整路径到包含参数估计数据的结果文件（xlsx/xls/csv/txt）
，然后
mp.plot_index（0，savefig=true）绘制多轮廓似然性的索引0
或
mp.plot_all_index（savefig=true，multiplot=false）"绘制所有索引
mp.plot_all_index（savefig=true，multiplot=true）绘制同一图形上的所有配置文件以进行比较。结果在最大的索引文件夹中查看，因为这是一个迭代过程
references
mendes，p.，hoops，s.，sahle，s.，gauges，r.，dada，j.和kummer，u.（2009），"使用copasi的生化网络计算建模"，系统生物学，第17-59页。（2012）"用copasi进行易识别参数分析"，生物系统，110（3），第183-185页。
欢迎加入QQ群-->： 979659372
