一种基于nlmixr包的药动学-药效学模型超参数自动学习方法及装置与流程

技术特征：
1.一种基于nlmixr包的药动学
‑
药效学模型超参数自动学习方法，其特征在于：该方法包括以下步骤：s1：基于nlmixr软件包构建药动学
‑
药效学模型；s2：确定超参数空间；s3：结合机器学习算法来获得候选超参数集合；s4：交叉验证机制；s5：包括已取得最佳结果的超参数的组合评分及提供优化过程期间观察到的最好的评分。2.根据权利要求1所述的一种基于nlmixr包的药动学
‑
药效学模型超参数自动学习方法，其特征在于：所述s1步骤又包括以下步骤：s10：指定特定算法：在通过nlmixr包构建药动学
‑
药效学模型时可使用odes模型或solved system模型；s11：构建模型：药动学
‑
药效学模型包括ini块和model块，其中ini块指定初始条件，包括初始估计，以及支持它们的算法的边界；model模型块用来指定模型。3.根据权利要求1所述的一种基于nlmixr包的药动学
‑
药效学模型超参数自动学习方法，其特征在于：所述s2步骤又包括以下步骤：s20：输入超参数包括一个超参数空间上的网格数(n)、超参数个数(p)、每个超参数的下界值和上界值；s21：根据每个超参数的网格数(n)和超参数个数(p)确定网格点总数(n)；s22：将超参数空间划分为若干个网格点，在所有网格点中，每个网格点可以与下一个网格点按步长分开；s23：根据步长确定网格点的坐标。4.根据权利要求3所述的一种基于nlmixr包的药动学
‑
药效学模型超参数自动学习方法，其特征在于：在所述s20步骤中，获取基于药动
‑
药效学的超参数，输入超参数包括一个超参数空间上的网格数(n)、超参数个数(p)、每个超参数的下界值和上界值，网格的数量n等于4，超参数的数量p等于2；s21：根据每个超参数的网格数(n)和超参数个数(p)确定网格点总数(n)；超参数1的范围为[0，5]，即下界为“0”，上界为“5”；超参数2的输入范围为[0，10]，即下界为“0”，下界为“10”，网格点总数(n)确定为“n＝n
p”，n＝42＝16；s23：计算每个网格点的坐标值及步长，包括以下过程：网格搜索技术将超参数空间划分为若干个网格点，在所有网格点中，每个网格点可以与下一个网格点按步长分开，如公式(2)所示：式中，ub
i
和lb
i
分别为超参数“i”的上界和下界；此外，网格点总数中的每个网格点可以用一组坐标表示，
其中，
″
r1″
＝0，1，2，
…
，(n
‑
1)，
″
i
″
＝0，1，2，
…
，(p
‑
1)，网格的坐标形式为(x，y)；为每个网格点计算的坐标如下式所示，(2，4)是坐标为(1，1)的格点：5.根据权利要求1所述的一种基于nlmixr包的药动学
‑
药效学模型超参数自动学习方法，其特征在于：所述s3步骤又包括以下步骤：s31：将目标函数值相互比较，以识别具有最小目标函数值的网格点，目标函数值为当前目标函数值；s32：通过网格搜索技术从所有网格点中选取目标函数值最小的网格点作为候选超参数集合。6.根据权利要求5所述的一种基于nlmixr包的药动学
‑
药效学模型超参数自动学习方法，其特征在于：在所述s31步骤中，将目标函数值(即当前目标函数值)相互比较，以识别具有最小目标函数值的网格点；函数值的网格点；为因变量的观测值，为因变量的预测值，所识别的目标函数值最小的网格点即为药动学
‑
药效学超参数。7.根据权利要求1所述的一种基于nlmixr包的药动学
‑
药效学模型超参数自动学习方法，其特征在于：所述s4步骤又包括以下步骤：s41：交叉验证对训练集等分成n份，n为用户指定的值；s42：将其中一份作为验证集，其余n
‑
1份作为训练集，经过n次测试，每次都更换不同的验证集，得到n个模型结果，取最优结果；s43：使用最优超参数重新训练模型，实现自动调节超参数的过程。8.根据权利要求7所述的一种基于nlmixr包的药动学
‑
药效学模型超参数自动学习方法，其特征在于：在所述s41步骤中，指定n为10，即为10折交叉验证。9.一种基于nlmixr包的药动学
‑
药效学模型超参数自动学习装置，其特征在于：该装置包括：基于nlmixr包的药动学
‑
药效学模型构建模块(301)，用来生成药动
‑
药效学模型及提供超参数优化的数据集；超参数空间生成模块(302)，用来接收生成超参数空间中的各个超参数及构建超参数空间；超参数自动优化模块(303)，用来实现候选超参数的自动优化；药动学
‑
药效学模型超参数自动学习的性能评价模块(304)，用来表示所选超参数的得分情况。10.根据权利要求9所述的一种基于nlmixr包的药动学
‑
药效学模型超参数自动学习装置，其特征在于：所述基于nlmixr包的药动学
‑
药效学模型构建模块(301)包括：ini模块：指
定初始条件，包括初始估计，以及支持它们的算法的边界；model模块：用来构建模型，model模块选择使用残差模型，加性残差模型或者比例残差模型；超参数空间生成模块(302)包括：初始模块，用于接收药动学
‑
药效学超参数的超参数上下界值，超参数个数，每个超参数的网格数及网格总数信息；构建模块，根据输入超参数将超参数空间划分为若干个网格点，每个网格点可以与下一个网格点按步长分开；根据步长确定网格点的坐标；超参数自动优化模块(303)包括：搜索模块，通过网格搜索技术从所有网格点中选取目标函数值最小的网格点作为候选超参数集合；重新训练模型，使用最优超参数重新训练模型；药动学
‑
药效学模型超参数自动学习的性能评价模块(304)包括：best_parameters模块(601)：描述了已取得最佳结果的超参数的组合；best_score模块(602)：提供优化过程期间观察到的最好的评分。

技术总结
本发明揭示了一种基于nlmixr包的药动学


技术研发人员：吴建盛 马丽晓 朱翔宇 胡海峰
受保护的技术使用者：南京邮电大学
技术研发日：2021.08.26
技术公布日：2021/12/16