Fitting of internalize block model for 2.5pM
Modell mit Stochastizitaet im internalize Block wird an den 5pM-Datensatz gefittet. Dafuer wird die Kostenfunktion (v3) minimiert. Ziel ist es, anschliessend die identifizierten Parameter im 2x 5pM-Restimulationsfall zu verwenden und dann zu gucken, ob sich durch die Simulation die Daten (in gewissem Masse) vorhersagen lassen.
Wir gehen analog zum 100pM Fall vor und verwenden insbesondere ein analoges Skript zur Parameterschaetzung.
Ich schlage vor, wir teilen die noetige Arbeit im Vorfeld folgendermassen auf:
Lorenz: Ich bin mir nicht mehr sicher, ob jetzt die besseren Daten des Restimulationsexperiments im 2.5pM oder im 5pM Fall vorliegen. Im Ordner BurstDetection im Repository (master branch) liegen verschiedene Datensaetze fuer 5pM (Stimulation, late Stimulation, Restimulation) aber auch noch ein aktuellerer Datensatz zu 2_5pM Stimulation. Koenntest du noch einmal definitiv checken, welche jetzt die guten Datensaetze sind, die wir benutzen? Und auch nochmal, ob im entsprechenden Datensatz auch das drin ist, was dran steht (sprich ob in den 5pM nicht in Wirklichkeit Daten sind, die zum Modell mit Parametern zu 2.5pM passen)? Wenn du die entsprechenden Daten identifiziert hast, dann erzeuge bitte Referenzdaten fuer die Kostenfunktion (analog zum 100pM-Fall) und lade sie in den master branch.
Malte: Koenntest du bitte fuer verschiedene Werte von Sigma Pfade des internalize block Modells generieren aus denen wir einen initial guess fuer das Fitting gewinnen koennen. Und zwar, um sicher zu gehen, fuer 5pM und 2.5pM. Verwende dazu die Funktion block_job (Hauptordner) und schreibe ein Skript so wie zum Beispiel in Jobs/block_internalization. Bei der Berechnung der Pfade solltest du vorher sicher gehen, dass alle Skripte zur Pfadberechnung (im Ordner Forward) auf dem neusten Stand sind und mit der aktuellen Version im master branch uebereinstimmen. Zur Berechnung kannst du mogon oder bernstein benutzen. Sobald Lorenz die passenden Referenzdaten erzeugt hat, kannst du mit dem Skript block_analysis (entsprechend anpassen) den initial guess bestimmen.
Ich kuemmere mich derzeit um das Skript zum Fitting (zunaechst im 100pM Fall - hier wird dann ein analoges benutzt).
Aufgaben zusamengefasst:
-
Passende Datensaetze identifizieren (Lorenz) -
Referenzdaten fuer die Kostenfunktion erzeugen und hochladen (Lorenz) -
Pfade fuer verschiedene Sigma und 2.5pM/5pM erzeugen (Malte) -
Initial guess mithilfe der Pfade und der Referenzdaten bestimmen (Malte) -
Skript zur Parameter-Schaetzung schreiben (Niklas) -
Parameter-Schaetzung durchfuehren (Niklas)
Fragen, Fortschritte und Ergebnisse bitte hier in den Thread.