Лепка на стене. Интерьер Мастер-класс Лепка Лепка на стене №2 Бумага Гипс Краска
Барельефы из гипса и шпатлевки: как сделать своими руками
При оформлении интерьера жилища неплохим решением станет лепка на стене. Несмотря на большое количество гипсовых и пластиковых изделий для украшения стен, художественная лепка все еще остается актуальной. Такая отделка не отличается большой сложностью и ее без труда можно будет выполнить самостоятельно. В данной статье будет рассмотрено, как делать лепку на стене своими руками и какие материалы для этого могут применяться.
Подготовительные процедуры
Даже самая обычная лепнина из гипса или штукатурки придаст квартире уникальности и элегантности. В дизайне любого помещения можно использовать рельефные узоры.
Для начала понадобится выбрать, на какие стены будут наноситься барельефы. Крайне важно учесть фактор освещения, будет ли свет естественным или искусственным.
Следующим этапом станет выбор картины и места на стене, где будет проведена лепка.
Новичкам в этом ремесле лучше не браться за сложные картины.
Оптимальным решением станут изображения деревьев, листьев или цветов. Пример такой лепки можно увидеть на рисунке.
Также потребуется подготовить следующий набор инструментов:
- кельма;
- плоская кисточка;
- мастихин;
- макловица;
- малярная лента;
- резиновые перчатки;
- полиэтиленовая пленка.
Понадобится материал, который применяется для выравнивания поверхностей.
Нанесение барельефа на стену
Для лепки могут применяться различные материалы. Наиболее распространенным вариантом является создание барельефа из гипса и шпатлевки.
Для начала необходимо выбрать наиболее подходящую фактуру. Начинающим деятелям лучше работать с гипсом и шпаклевкой, замешанной на основе глины. Также в первый раз лучше не рисовать большие изображения.
Неплохим решением станет создание чернового барельефа на отдельном планшете. Для этого можно использовать дерево или гипсокартон.
Подготовка рисунка
Необходимо выбирать наиболее прорисованное изображение. Контуры переводятся на бумагу, и сверху накладывается полиэтиленовая пленка. И уже поверх нее наносится изображение.
Контуры рекомендуется обводить карандашом или ручкой, чтобы предотвратить их стирание.
Подготовка основы
Основа барельефа изготавливается из акриловой шпатлевки или воска. На лист гипсокартона наносится слой штукатурки при помощи шпателя, после чего он выравнивается.
Через примерно 20 минут, после затвердевания раствора, на основу переносится рисунок. Трафарет из пленки кладется на основу и контуры изображения обводятся карандашом. На зашпаклеванном покрытии остается рельефный рисунок, который после будет перенесен на стену.
Создание рисунка
Эта часть работы является наиболее важной и трудоемкой. Специалист может быстро с ней справиться, но
Правильная подготовка поверхности — залог успехановичку понадобится больше времени. Суть процедуры в том, чтобы придать объем нарисованному изображению.
Создание объемного рисунка на стене состоит из нескольких этапов. Шпатлевка наносится на части изображения не сразу, а постепенно, слой за слоем.
Раствор, с помощью которого осуществляется лепка, доложен иметь высокий показатель эластичности и затвердевать не сразу. Приготовить смесь нужной консистенции необходимо заранее.
Окраска и крепление барельефа
После того как барельеф будет полностью вылеплен, его понадобится тщательно просушить. Острые углы и края обрабатываются наждачной бумагой. Эту работу следует проводить с осторожностью, чтобы не удалить лишнее.
Чтобы барельеф принял финальный вид, его поверхность понадобится обработать грунтовкой и покрасить. Грунтовка позволит увеличить уровень адгезии для дальнейшей покраски. Для декоративного барельефа чаще всего применяется водоэмульсионная краска. Схему такой процедуры можно увидеть на рисунке.
Барельефы из гипса
Как сделать лепку из гипса? Этот материал подойдет как для профессионалов, так и для начинающих ремесленников.
Новички часто используют изображение виноградной грозди. Для его создания необходимо взять лист винограда, положить его в полиэтилен и обвести контуры. Это позволит создать шаблон для дальнейшей работы.
После того как гипс будет замешан, берется небольшой кусочек материала и раскатывается скалкой, после чего при помощи шликера прикрепляется к стене. Шаблон кладут на гипс и обводят по контуру. С помощью инструментов удаляется лишний материал. Для этих целей можно применять как профессиональные приборы, так и подручные. Сначала создается контур листа, а затем его середина.
Для создания уникального интерьера можно также использовать барельефы, изготовленные с добавлением искусственных цветов. Цветы, в свою очередь, могут быть выполнены из тканевого или бумажного материала.
Для создания такого барельефа в квартире понадобится в заранее приготовленной емкости развести раствор шпаклевки с добавлением клея. Консистенция смеси должна внешне напоминать сметану или йогурт.
Когда цветы полностью затвердеют, они крепятся на панно при помощи густого алебастра. Из отдельных участков создается полная композиция на всю стену.
Как видно из статьи, в создании барельефов нет ничего трудного и эту работу можно выполнить своими руками. Главное, использовать качественные материалы и инструменты. С помощью фото, рассмотренных ранее, можно подобрать подходящий вариант рисунка. Однако если планируется лепка сложных узоров, состоящих из большого количества частей, рекомендуется обратиться за помощью к профессиональному художнику.
Статьи по теме:
moyastena.ru
Лепка на стене №2 | Страна Мастеров
Здравствуйте жители СМ! Кто с чем на НГ, а я с лепкой и ремонтом))))Дело было еще летом, а время появилось только сейчас)))) Давно мечтала про такой цветок на стене(наверно полгода вынашивала в голове))) Похожие цветочки на обоях в этой же комнате но на двух других стенках.
Покажу небольшой мк. Если никому не пригодиться я удалю (когда я впервые хотела попробовать лепку, фото мастериц была для меня на вес золота). Поверьте стараний было много, почти неделька прошла.
первое, с чего начала я это с фона на стеночке. интересную штукатурку увидела здесь http://www.youtube.com/watch?v=eUCOIiE1bFs
Если где-то вышло не очень удачно, резинкой не вытираем))) просто лучше наносим контур, чтобы при нанесении шпаклевки не ошибиться.
Первые слои наносим там, где хотим создать объем. Даем хорошо просохнуть(2-3 часа).
Постепенно начинаем лепить каждый лепесток
Покажу на примере нижний лепесток(как я придаю объем)
наносим поверх мокрой шпаклевки комочек(стараемся прилепить его)
Дальше приглаживаем его, стараясь выровнять .
Из-за того , что в шпаклевку я дала бумагу(на все ушла три рулона туалетной бумаги)))) масса получилась очень послушная и приятная. дальше я покажу на листиках разницу с бумагу и без и вы все поймете.
При помощи воды сглаживаем.
дальше наносим еще немного, чтобы получилась объемная прожилка. Наносим еще немножко комочков. чтобы немного оживить наш лепесток.
Бутончик делаем аналогично.
Здесь работа начала подсыхать и немного белеть. Работа достаточно грязная(веник всегда рядом)))), но оно того стоит!!!
Здесь сфоткала близко близко, чтобы вы смогли увидеть все неровности.
Дальше берем наждачную бумагу и начинаем работать (работа очень пыльная)
Тут уже видно кое-что. все гладенько и очень приятное на ощупь.
готово под покраску.Для меня это оказалось самым сложным, какой из меня художник???
Решила закрасить все темной краской (использовала водомульсионку с колором), а потом смыть.
…
Результат получился плачевным(((( после увиденного я очень расстроилась и пошла спасть…
утром на позитиве закрасила все белым, потом немного светло сливовым и так далее…
Это уже кое что
Листики мне тоже дались не легко))))
Когда дорисовала цветок, радости не было предела. Дальше взялась за покраску фона. Справа немного видно варианты)))
Но я остановилась на другом. Сначала закрасила все белым цветом (ведь при покраске цветка фон немного пачкался), потом широкой кистью уже сухой(перед этим красила потолок , фиолетовой краской) прошлась сверху.Рельеф выделился сразу.
В таком виде можно было бы и остановиться, но мне еще чего-то не хватало)))
прошлась листочки немного золотом
Тут лучше видно.
Вся картина мне показалась очень яркой, тогда я ее помыла водой с белой водомульсионкой, цвет стал поспокойнеее
Дальше начинаем любоваться))
очень хочется показать объем!
Добавила немного блесток, напоминает росу.
это моя штукатурка (две фотки(эту, и предыдущую) сделал мой сыночек 3 года, мне они показались очень удачными)))).
На потолке тоже поиграли с объемом. Муж сделал арку на стене из гипсокартона, а на потолке мы немного схитрили и приклеили пенопласт 7см., я покрасила его в сливовый цвет.
потолок получился очень нестандартным, на противоположной стороне форма с точностью наоборот))_Во как объяснила, надеюсь кто-то поймет.
Как мне нравится, вы даже не представляете моей радости,я уже думала, что не осилю все это)))
Всем огромное спасибо, за внимание к моей работе!!!!
stranamasterov.ru
ЛЕПКА НА СТЕНЕ! КРАСОТИЩА!
ЦИТИРУЮ АВТОРА МК!
Кто с чем на НГ, а я с лепкой и ремонтом))))Дело было еще летом, а время появилось только сейчас)))) Давно мечтала про такой цветок на стене(наверно полгода вынашивала в голове))) Похожие цветочки на обоях в этой же комнате но на двух других стенках.
Покажу небольшой мк. Если никому не пригодиться я удалю (когда я впервые хотела попробовать лепку, фото мастериц была для меня на вес золота). Поверьте стараний было много, почти неделька прошла.
первое, с чего начала я это с фона на стеночке. интересную штукатурку увидела здесь
Если где-то вышло не очень удачно, резинкой не вытираем))) просто лучше наносим контур, чтобы при нанесении шпаклевки не ошибиться.
Первые слои наносим там, где хотим создать объем. Даем хорошо просохнуть(2-3 часа).
Рельеф делаем специально не гладким, чтобы следующий слой лучше схватился
Постепенно начинаем лепить каждый лепесток
Покажу на примере нижний лепесток(как я придаю объем)
наносим поверх мокрой шпаклевки комочек(стараемся прилепить его)
Дальше приглаживаем его, стараясь выровнять . Из-за того , что в шпаклевку я дала бумагу(на все ушла три рулона туалетной бумаги)))) масса получилась очень послушная и приятная.
дальше я покажу на листиках разницу с бумагу и без и вы все поймете.
При помощи воды сглаживаем.
дальше наносим еще немного, чтобы получилась объемная прожилка. Наносим еще немножко комочков. чтобы немного оживить наш лепесток.
Бутончик делаем аналогично.
Здесь работа начала подсыхать и немного белеть. Работа достаточно грязная(веник всегда рядом)))), но оно того стоит!!!
Здесь сфоткала близко близко, чтобы вы смогли увидеть все неровности.
Дальше берем наждачную бумагу и начинаем работать (работа очень пыльная)
Тут уже видно кое-что. все гладенько и очень приятное на ощупь.
готово под покраску.Для меня это оказалось самым сложным, какой из меня художник???
Решила закрасить все темной краской (использовала водомульсионку с колором), а потом смыть….
Результат получился плачевным(((( после увиденного я очень расстроилась и пошла спасть…
утром на позитиве закрасила все белым, потом немного светло сливовым и так далее.
..
Это уже кое что
Листики мне тоже дались не легко))))
Когда дорисовала цветок, радости не было предела. Дальше взялась за покраску фона. Справа немного видно варианты)))
Но я остановилась на другом. Сначала закрасила все белым цветом (ведь при покраске цветка фон немного пачкался), потом широкой кистью уже сухой(перед этим красила потолок , фиолетовой краской) прошлась сверху.Рельеф выделился сразу.
В таком виде можно было бы и остановиться, но мне еще чего-то не хватало)))
прошлась листочки немного золотом
Тут лучше видно.
Вся картина мне показалась очень яркой, тогда я ее помыла водой с белой водомульсионкой, цвет стал поспокойнеее
Дальше начинаем любоваться))
очень хочется показать объем!
Добавила немного блесток, напоминает росу.
это моя штукатурка (две фотки(эту, и предыдущую) сделал мой сыночек 3 года, мне они показались очень удачными)))).
На потолке тоже поиграли с объемом. Муж сделал арку на стене из гипсокартона, а на потолке мы немного схитрили и приклеили пенопласт 7см.
, я покрасила его в сливовый цвет.
Здесь наконец появились обои с которых я срисовала цветок.
потолок получился очень нестандартным, на протывоположной стороне форма с точностью наоборот))_Во как объяснила, надеюсь кто-то поймет.
Как мне нравится, вы даже не представляете моей радости,я уже думала, что не осилю все это)))
Всем огромное спасибо, за внимание к моей работе!!!!
samodelych.ru
Лепка на стене, красота неописуемая
Автор МК : Сестричка-лесичка.
Цитирую слова автора!!
Кто с чем на НГ, а я с лепкой и ремонтом))))Дело было еще летом, а время появилось только сейчас)))) Давно мечтала про такой цветок на стене(наверно полгода вынашивала в голове))) Похожие цветочки на обоях в этой же комнате но на двух других стенках.
2.
Покажу небольшой мк. Если никому не пригодиться я удалю (когда я впервые хотела попробовать лепку, фото мастериц была для меня на вес золота). Поверьте стараний было много, почти неделька прошла.
первое, с чего начала я это с фона на стеночке.
3.
Если где-то вышло не очень удачно, резинкой не вытираем))) просто лучше наносим контур, чтобы при нанесении шпаклевки не ошибиться.
4.
Первые слои наносим там, где хотим создать объем. Даем хорошо просохнуть(2-3 часа).
5.
Рельеф делаем специально не гладким, чтобы следующий слой лучше схватился
6.
Постепенно начинаем лепить каждый лепесток
7.
Покажу на примере нижний лепесток(как я придаю объем)
8.
наносим поверх мокрой шпаклевки комочек(стараемся прилепить его)
Дальше приглаживаем его, стараясь выровнять . Из-за того , что в шпаклевку я дала бумагу(на все ушла три рулона туалетной бумаги)))) масса получилась очень послушная и приятная. дальше я покажу на листиках разницу с бумагу и без и вы все поймете.
10.
При помощи воды сглаживаем.
11.
дальше наносим еще немного, чтобы получилась объемная прожилка. Наносим еще немножко комочков.
чтобы немного оживить наш лепесток.
12.
Бутончик делаем аналогично.
13.
Здесь работа начала подсыхать и немного белеть. Работа достаточно грязная(веник всегда рядом)))), но оно того стоит!!!
14.
Здесь сфоткала близко близко, чтобы вы смогли увидеть все неровности.
15.
Дальше берем наждачную бумагу и начинаем работать (работа очень пыльная)
16.
Тут уже видно кое-что. все гладенько и очень приятное на ощупь.
17.
готово под покраску.Для меня это оказалось самым сложным, какой из меня художник???
18.
Решила закрасить все темной краской (использовала водомульсионку с колором), а потом смыть….
19.
Результат получился плачевным(((( после увиденного я очень расстроилась и пошла спасть…
20.
утром на позитиве закрасила все белым, потом немного светло сливовым и так далее…
21.
Это уже кое что
22.
Листики мне тоже дались не легко))))
23.
Когда дорисовала цветок, радости не было предела. Дальше взялась за покраску фона. Справа немного видно варианты)))
24.
Но я остановилась на другом. Сначала закрасила все белым цветом (ведь при покраске цветка фон немного пачкался), потом широкой кистью уже сухой(перед этим красила потолок , фиолетовой краской) прошлась сверху.Рельеф выделился сразу.
25.
В таком виде можно было бы и остановиться, но мне еще чего-то не хватало)))
26.
прошлась листочки немного золотом
27.
Тут лучше видно.
28.
Вся картина мне показалась очень яркой, тогда я ее помыла водой с белой водомульсионкой, цвет стал поспокойнеее
29.
Дальше начинаем любоваться))
30.
31.
очень хочется показать объем!
32.
33.
Добавила немного блесток, напоминает росу.
34.
это моя штукатурка (две фотки(эту, и предыдущую) сделал мой сыночек 3 года, мне они показались очень удачными)))).
35.
На потолке тоже поиграли с объемом. Муж сделал арку на стене из гипсокартона, а на потолке мы немного схитрили и приклеили пенопласт 7см., я покрасила его в сливовый цвет.
36.
Здесь наконец появились обои с которых я срисовала цветок.
37.
потолок получился очень нестандартным, на протывоположной стороне форма с точностью наоборот))_Во как объяснила, надеюсь кто-то поймет.
38.
Как мне нравится, вы даже не представляете моей радости,я уже думала, что не осилю все это)))
40.
Всем огромное спасибо, за внимание к моей работе!!!!
sdelaisam.mirtesen.ru
Лепка на стене
Кто с чем на НГ, а я с лепкой и ремонтом))))Дело было еще летом, а время появилось только сейчас)))) Давно мечтала про такой цветок на стене(наверно полгода вынашивала в голове))) Похожие цветочки на обоях в этой же комнате но на двух других стенках.
Покажу небольшой мк. Если никому не пригодиться я удалю (когда я впервые хотела попробовать лепку, фото мастериц была для меня на вес золота). Поверьте стараний было много, почти неделька прошла.
первое, с чего начала я это с фона на стеночке.
Если где-то вышло не очень удачно, резинкой не вытираем))) просто лучше наносим контур, чтобы при нанесении шпаклевки не ошибиться.
Первые слои наносим там, где хотим создать объем. Даем хорошо просохнуть(2-3 часа).
Рельеф делаем специально не гладким, чтобы следующий слой лучше схватился
Постепенно начинаем лепить каждый лепесток
Покажу на примере нижний лепесток(как я придаю объем)
наносим поверх мокрой шпаклевки комочек(стараемся прилепить его)
Дальше приглаживаем его, стараясь выровнять . Из-за того , что в шпаклевку я дала бумагу(на все ушла три рулона туалетной бумаги)))) масса получилась очень послушная и приятная. дальше я покажу на листиках разницу с бумагу и без и вы все поймете.
При помощи воды сглаживаем.
дальше наносим еще немного, чтобы получилась объемная прожилка. Наносим еще немножко комочков. чтобы немного оживить наш лепесток.
Бутончик делаем аналогично.
Здесь работа начала подсыхать и немного белеть. Работа достаточно грязная(веник всегда рядом)))), но оно того стоит!!!
Здесь сфоткала близко близко, чтобы вы смогли увидеть все неровности.
Дальше берем наждачную бумагу и начинаем работать (работа очень пыльная)
Тут уже видно кое-что. все гладенько и очень приятное на ощупь.
готово под покраску.Для меня это оказалось самым сложным, какой из меня художник???
Решила закрасить все темной краской (использовала водомульсионку с колором), а потом смыть….
Результат получился плачевным(((( после увиденного я очень расстроилась и пошла спасть…
утром на позитиве закрасила все белым, потом немного светло сливовым и так далее…
Это уже кое что
Листики мне тоже дались не легко))))
Когда дорисовала цветок, радости не было предела. Дальше взялась за покраску фона. Справа немного видно варианты)))
Но я остановилась на другом. Сначала закрасила все белым цветом (ведь при покраске цветка фон немного пачкался), потом широкой кистью уже сухой(перед этим красила потолок , фиолетовой краской) прошлась сверху.Рельеф выделился сразу.
В таком виде можно было бы и остановиться, но мне еще чего-то не хватало)))
прошлась листочки немного золотом
Тут лучше видно.
Вся картина мне показалась очень яркой, тогда я ее помыла водой с белой водомульсионкой, цвет стал поспокойнеее
Дальше начинаем любоваться))
очень хочется показать объем!
Добавила немного блесток, напоминает росу.
это моя штукатурка (две фотки(эту, и предыдущую) сделал мой сыночек 3 года, мне они показались очень удачными)))).
На потолке тоже поиграли с объемом. Муж сделал арку на стене из гипсокартона, а на потолке мы немного схитрили и приклеили пенопласт 7см., я покрасила его в сливовый цвет.
Здесь наконец появились обои с которых я срисовала цветок.
потолок получился очень нестандартным, на протывоположной стороне форма с точностью наоборот))_Во как объяснила, надеюсь кто-то поймет.
Как мне нравится, вы даже не представляете моей радости,я уже думала, что не осилю все это)))
Всем огромное спасибо, за внимание к моей работе!!!!
vashesamodelkino.ru
Оригинальные идеи рельефной лепки на стенах
На сегодняшний день производители предметов интерьерного декора, казалось бы, предлагают все, что можно только пожелать. Однако купив картину или панно в магазине или в интернете, сложно рассчитывать на эксклюзивность и оригинальность эстетики, ведь подобные элементы интерьера используются практически в каждом доме ваших соседей и друзей. Даже приобретая авторскую художественную работу настенного декора, выполненную на заказ, результат часто не оправдывает ожидания заказчика, после того, как картина занимает свое место в интерьере.
И талант художника здесь не при чем. Просто стена, украшенная картиной, даже самой великолепной, в стандартной прямоугольной рамке – это банально и неинтересно. Как же добиться невероятного декоративного эффекта, при одном взгляде на который обитатели и гости дома будут замирать в восхищении? Ответ на этот вопрос дадут талантливые мастера, студии лепного декора Гессо Стар!
Рельефная лепка на стене – шедевры, не имеющие границ!
Совершенно невероятным с точки зрения эстетики, оригинальным и неожиданным решением оформления стены станет рельефная лепка из гипса. В этой статье речь не пойдет о стандартных декоративных элементах, кессонах и панно. Для любителей оригинальных творческих решений, студия Гессо Стар предлагает украсить комнату колоритным и объемным рисунком на стене, выполненным из гипса. Рельефная лепка на стене станет центральным акцентом любого интерьера, при этом позволит воплотить в жизнь самые смелые и неожиданные идеи заказчика. Наши художники-декораторы готовы сотворить настоящий шедевр современного гипсового искусства, превратив ваш дом из обыденного и скучного жилья, в настоящую галерею декора.
Работа по оформлению стены рельефной лепкой предполагает проведение нескольких этапов, главным среди которых выступает выбор художественной концепции. Решившись на такой необычный вариант декорирования, заказчик может отпустить все ограничения и экспериментировать с формами, фактурами и цветами. Рельефный декор стены может занимать как всю плоскость стеновой панели, так и покрывать лишь часть «рабочего листа» автора. Интересные примеры готовых работ могут также захватывать прилегающие к стене поверхности – потолок, камин, лестница и т.д. Также варьировать может объемность рисунка, который нередко делают нарочито выпуклым или напротив, практически гладким. Благодаря же современным методикам окрашивания и тонирования гипсовой лепки, удается получить еще и цветовое разнообразие объемного рисунка.
Особенностью рельефной лепки является простота гармонизации такого декоративного элемента с любым интерьерам. Отвлекая внимание от материалов отделки и мебели, авторская лепная работа становится центром стилистической концепции, объединяя все детали в единую эстетическую картину. Особенно ярко и эффектно смотрится лепной декор, дополненный светодиодной подсветкой.
Выбираем тему для рельефной лепки: 5 идей великолепных авторских работ
Вы всегда можете придумать собственную идею для украшения стены лепным декором, однако если фантазия не рождает интересных образов, мы предложим вам несколько оригинальных вариантов, которые станут изюминкой вашего интерьера:
Идея №1 Карта мира – география лепного декора
Необычным решением лепного декора, который мы привыкли ассоциировать с пухлыми ангелочками и античными мотивами, станет воплощение современной и эксклюзивной идеи – воссоздание географических очертаний. Великолепно будут смотреться на стене как массивные скульптурные изображения континентов и островов, имитирующих карту мира, так и рельефные контуры страны или области.
Гипс позволяет отобразить даже самые незначительные объемные элементы рельефа – горы, равнины, холмы и неровности. Гипсовая лепная карта будет смотреться эффектно как в белом цвете, идеально подходящим для современных минималистических и хай-тек интерьеров, так и после окрашивания. Великолепно смотрится художественная роспись природного ландшафта, которая создаст уникальную гармонию натуральных оттенков зеленого, синего и коричнево-красного. Еще одним прекрасным решением может стать роспись карты по политическому принципу. Неровные границы государств или других территориальных областей создадут оригинальное хитросплетение цветов и оттенков, выступая идеальным элементом декора детской или подростковой комнаты, а также нестандартных современных интерьерных направлений.
Идея №2 Дерево жизни – хитросплетения судеб в искусстве
Очень красиво и оригинально смотрятся настенные лепные работы, имитирующие древо. Гладкая стена буквально оживет и заиграет новыми красками, когда на ней раскинется замысловатое, разветвленное и фактурное древо жизни. Очень эффектно выглядят решения, имеющие достаточно широкое корневое основание, сужающееся к центру и раскидывающееся сотнями ветвей в области кроны. Каждую ветвь и поверхность ствола тщательно декорируют, имитируя фактуру натуральной коры. При желании заказчика, дерево может отображать различные фазы жизненного цикла – зимнее и «озябшее» или цветущее и плодородное.
Что же касается цветового решения – фантазии здесь нет границ! Сдержанные белые однотонные композиции великолепно впишутся в классические интерьеры гостиной и кабинета, в то время как ярко-расписанные броские картины станут центром детской комнаты или кухни.
Идея №3 Городские сюжеты – создайте свой волшебный мир в доме
Совершенно неожиданно и неординарно смотрятся городские мотивы, воплощенные в объемной гипсовой лепнине. Детализованные домики и достопримечательности архитектуры, узкие улочки и высокие фонари, мосты и фонтаны – все это, сливаясь в причудливую картину, воссоздаст сюжет живого города на вашей стане. Работая с такой сложной темой, автор-художник может опираться только на свою фантазию и личное видение, или использовать в качестве прототипа совершенно определённый городской пейзаж. Конечно, первое что приходит в голову, отобразить на стене такие узнаваемые и знаменитые во всем мире «города-музеи», как Париж, Рим или Венеция, но и картина изображающая ваш родной город будет смотреться не менее интересно и при этом очень патриотично.
К этой же группе декоративных идей можно отнести создание на стене замков, дворцов и крепостей из гипса, которые, вырываясь из ровной гладкой поверхности стены, оживают, перенося в помещение дух своего времени. Городские мотивы и архитектурные решения могут достойно украсить любую комнату, вне зависимости от ее целевого назначения, так как являются нейтральным сюжетом для художественного творчества.
Идея №4 Цветы – украшения природы и вашего дома
Кажется, что великолепные цветочные мотивы давно стали классикой и уже не могут удивлять своей эстетикой. Но воссоздание рельефных гипсовых цветов на стене заставит вас пересмотреть свое отношение к этому варианту декора. Разнообразие цветочных мотивов и вариантов цветочного оформления поражает! После работы художника лепного декора на вашей стене может распуститься огромная королева цветов роза или вырасти нежная лилия. Очень эффектно смотрится россыпь мелких полевых цветов или изящной сакуры. Не ограничивайте себя – фантазируйте и вдохновляйтесь!
На сегодняшний день очень популярными стали абстрактные цветочные мотивы, которые изображают плавные переходы природной фактуры цветка в языки пламени или летящие картины, создающие эффект сильного ветра.
Идея №5 Живые сцены – решение для настоящих эстетов
Изображения людей и их взаимодействий могут воплощаться в совершенно разных картина. В зависимости от ведущей ноты интерьера, уместными могут стать величественные средневековые сцены битв и сражений, нежные картины, изображающие любовь между матерью и ребенком или женщиной и мужчиной, а также портретные работы, оживляющие известных людей, богов или членов семьи. Рельефные изображения людей – очень смелый вариант оформления интерьера, поскольку требует высочайшего мастерства автора лепного декора.
Неограниченный творческий потенциал, великолепные портфолио авторских работ и огромный опыт воплощения самых оригинальных задумок заказчиков – все это преимущества, которые предлагает студия лепного декора Гессо Стар.
www.gessostar.ru
Лепнина на стене своими руками
Впервые декорирование помещения лепниной появилось в 17 веке. Лепка обрела невиданную популярность среди архитекторов, ведь стало возможным изготовлять элементы плавных форм, которые органично вписывались в любой интерьер, отличаясь восхитительной игрой светотени и особенным матовым светом. Сначала лепнину использовали для декора стен, позже, начали украшать потолки, камины, арки и окна.
Сначала, материалом для лепки служил дорогой мягкий камень, позже начали использовать более бюджетные варианты — гипс и алебастр. Каждый элемент будущей композиции опытные мастера делали самостоятельно, своими руками, вкладывая часть души. Первая лепка была сделана в стиле барокко, позже популярностью пользовался классицизм. В современной архитектуре можно встретить все стили — от барокко до ультрасовременного и модерна.
Лепнина на стене своими руками
Особенную изысканность и роскошь помещению придаёт лепнина на стене, своими руками, сделать которую не составит труда. Для этого нужно проявить немного фантазии, подготовить нужные материалы и инструменты, сделать макет и воплотить задумку в реальность.
Чаще всего для этого используют гипс. Он экологически безопасный, так как имеет органическое происхождение. Современная гипсовая лепнина отличается стойкостью к повреждениям и прочностью. Также, гипс стойкий к образованию плесени и препятствует развитию микроорганизмов. Но стоит учитывать, что фигура может иметь тяжёлый вес, поэтому требует дополнительные меры крепления.
Необходимые материалы и инструменты
Перед тем, как начать творить шедевры из лепнины, стоит подготовить некоторые инструменты и запастись расходными материалами. Для работы понадобится:
1. Гипс строительный.
2. Клей ПВА, пластилин.
3. Цемент, если большие элементы.
4. Силикон и силиконовое масло.
5. Рулетка или линейка, мерный стакан.
6. Шпатели, инструменты для лепки (ножи, стеки), кисть узкая.
Необходимо подготовить ровную рабочую поверхность. Её нужно защитить плотной плёнкой, так как силикон прилипает, а гипс сильно пылит. Если раньше с лепкой не сталкивались, лучше сразу потренироваться на черновых мелких деталях, а потом приниматься за чистовую работу.
Изготовление
Процесс изготовление деталей для лепнины на стене своими руками можно условно разделить на несколько этапов: создание эскиза, подготовка формы, изготовление лепнины, монтаж готового изделия.
Создание эскиза
Если вы не обладаете достаточно развитым воображением, эскиз для будущего декора можно найти в Интернете или литературе по архитектуре. Его необходимо распечатать в натуральную величину. По готовому эскизу из глины или пластилина вылепливается модель будущего элемента лепнины, но немного большего размера, нежели должен быть декор. Если самостоятельно подготовить модель не получается, можно купить готовую в строительном магазине из полиуретана. Пластилин тем хорош для работы, что его можно модифицировать в процессе, видоизменяя элементы.
Подготовка формы
Далее нужно создать форму для отлива лепнины. Для этого используется силикон. Пластилиновая модель обрабатывается разделительной смазкой, чтобы форма легко отделилась от макета.
Для изготовления формы нужно смешать силикон с маслом (это повышает эластичность). Его наносят кисточкой на модель, тщательно промазывая все углубления и мелкие детали. Мазки нужно делать плавно, чтобы не попадал воздух, иначе пузырьки испортят будущее изделие. После нанесения первого слоя силикона, можно укрепить форму, например, марлей.
Каждый слой силикона должен хорошо высохнуть (часа 2-3). В общем, форма должна получиться не менее 3 мм толщиной. Если изделие будет массивным, слой силикона можно сделать толще. И форму заливают в гипсовое основание. Изготавливается оно просто: нужно взять рамку из фанеры и прикрепить к ней форму. Пространство залить смесью клея, гипса и цемента. Такая конструкция поможет надёжно зафиксировать форму, чтобы она не деформировалась во время заполнения гипсом.
Изготовление лепнины
Приготовленную форму нужно хорошенько промазать разделительной смазкой, чтобы гипс не пристал к ней.
Далее готовится гипсовый раствор: 10 частей сухого гипса соединяются с 7 частями холодной воды, тщательно и быстро перемешиваются, так как гипс очень быстро застывает (за 2-3 минуты). Брать горячую воду не стоит, гипс застынет ещё быстрее. Для перемешивания лучше использовать дрель с насадкой-миксером. Для повышения пластичности и надёжности можно добавить немного растворённого в воде клея ПВА. По консистенции, должен получиться раствор, как жидкая сметана.
Раствор заливается в форму, равномерно распределяя вибрирующими движениями. Если есть очень мелкие детали, можно воспользоваться кисточкой, палочкой или маленьким шпателем. Верх нужно хорошенько выровнять шпателем. Сохнет изделие примерно 20 минут.
Лепнина легко извлекается из формы, если она была хорошо промазана разделительной жидкостью. Для полного высыхания изделие следует оставить в тёплом сухом помещении на сутки.
Монтаж готового изделия
Монтаж лепных изделий легко сделать самостоятельно. Лучше крепить детали на стену через 2-3 дня после их изготовления. Стену необходимо очистить от побелки и других отделочных материалов. Чётко определить границы будущего декора, можно сделать соответствующие насечки на стене. Лепнину тоже можно немного покрыть насечками с внутренней стороны для лучшего сцепления со стеной. Далее следует увлажнить стену и тыльную сторону клеящей детали водой, и нанести клей ПВА (можно использовать смесь гипса со столярным клеем).
Крепится деталь к стене притирающими движениями. Излишки клея или гипса можно удалить тканью или шпателем. Если детали очень большие и тяжёлые, можно воспользоваться саморезами, а потом закрыть шапочку гипсом. Стыки между деталями композиции тоже маскируются при помощи гипса.
Далее нужно обработать готовый декор. Сначала очистить от пыли, а потом покрасить. Для этого лучше брать водорастворимую эмульсионную краску для потолков. Если помещение имеет повышенную влажность, лепнину нужно покрыть влагоотталкивающими растворами.
Если у вас остались какие-то вопросы, предлагаем посмотреть следующее видео, где показан мастер класс по изготовлению лепнины своими руками.
normdom.ru
Лепка на тему «Перелетные птицы» в старшей группе
ТЕМА: «ПЕРЕЛЕТНЫЕ ПТИЦЫ»
Программное содержание:
1. Познакомить детей с понятиями: «лететь «клином», «цепочкой», «стайкой».
2. Расширить и закрепить представления детей о перелетных птицах: аисте, кукушке, соловье, ласточке; о частях тела птиц.
3. Упражнять детей в образовании сложных прилагательных;
4. Учить лепить птицу из пластелина пластическим способом, вытягивая детали из целого куска и конструктивным способом, соблюдая расположение и соотношение частей тела, соединять части, прижимая их друг к другу.
5. Продолжать учить пользоваться стекой.
6. Развивать способность работать руками, мелкую моторику пальцев, глазомер, внимание, память, творческое мышление.
7. Воспитывать у детей доброе отношение к перелетным птицам, ко всему живому в природе.
Демонстрационный материал: иллюстрации перелетных птиц, изготовленная из теста ласточка, аудиозапись голосов и пения птиц.
Раздаточный материал: пластелин, стеки, картонки-подставки, доски для лепки.
Предварительная работа: наблюдение за птицами во время прогулки; беседа о перелетных птицах, чтение рассказов о птицах.
Словарная работа: перелетные птицы, острый клюв, раздвоенный хвост.
Ход занятия.
1. Воспитатель загадывает загадки:
Кто без нот и без свирели
Лучше всех выводит трели,
Голосистее, нежней?
Кто же это? …(Соловей)
В лесу на ветке она сидит,
Одно «ку-ку» она твердит,
Года она нам всем считает,
Птенцов своих она теряет.
«Ку-ку» то там то тут,
Как птицу эту зовут?(кукушка)
Верный страж и друг полей,
Первый вестник теплых дней.
Всех перелетных птиц черней,
чистит пашню от червей.(грач)
На шесте — веселый дом
С круглым маленьким окном.
Чтоб уснули дети,
Дом качает ветер.
На крыльце поет отец —
Он и летчик, и певец.(скворец)
Прилетает к нам с теплом,
Путь проделав длинный.
Лепит домик под окном
Из травы и глины.
(ласточка)
(Когда дети отгадывают загадки, выставляются иллюстрации с изображением перелетных птиц и прослушивается аудиозапись).
— А как называются птицы, которых вы отгадали в загадке? (Перелетные).
— Почему этих птиц называют перелетными? (Потому что они улетают в теплые края).
— Назовите еще раз всех перелетных птиц? (Ласточка, дятел, грач, цапля, журавль, скворец, жаворонок).
2. — Ребята, мне ласточка прислала письмо (воспитатель показывает конверт).
— Давайте мы откроем конверт, прочитаем письмо и узнаем, что нам пишет ласточка (воспитатель зачитывает письмо).
Здравствуйте ребята!
Спешу написать вам письмо! Я со своими подружками-ласточками летела из теплого края. Отвлеклась я от полета, хотела посмотреть, как выглядит природа с высоты птичьего полета, как отстала от своих подруг. И теперь я одна и что мне делать не знаю. Пожалуйста, помогите мне найти моих подруг!
— Ребята, а вот и сама ласточка к нам прилетела! Посмотрите, она не простая, а волшебная, она сделана из теста. А давайте, мы слепим ей подружек-ласточек из теста и ей не будет скучно и одиноко.
— А перед тем как мы будем лепить ласточек, мы с вами сделаем пальчиковую гимнастику.
3. Пальчиковая гимнастика (загибаются пальцы обеих рук)
Пой–ка, подпевай-ка, Эта птичка – коростель,
Десять птичек – стайка, Эта птичка – скворушка
Эта птичка – воробей, Серенькое перышко.
Эта птичка – совушка, Эта – зяблик,
Сонная головушка. Эта – стриж,
Эта птичка – свиристель, Эта – развеселый чиж.
Ну а эта – злой орлан,
Птички, птички, по домам (руки за спину).
4. — Сначала мы с вами рассмотрим, ласточку:
— Из каких частей состоит ласточка? (голова, клюв, глаза, туловище, крылья, хвост, лапки).
— Какой хвост у ласточки? (раздвоенный).
— Какие крылья у ласточки? (широкие).
— А теперь мы с вами начинаем лепить ласточку. От куска теста нужно отделить большой (для туловища и хвоста) и 3 небольших кусочка для головы и крыльев. Из маленького кусочка мы скатываем шар (голову, клюв нужно оттянуть двумя пальцами и сделать его остреньким, глаза нарисуем стекой. Из большого куска скатаем овал (туловище, хвост нужно вытянуть двумя пальцами и разделить хвост стекой на две части. Так мы получим раздвоенный хвост.
5. Упражнение «Отгадай и присядь».
— Ребята, сейчас я буду называть перелетных и зимующих птиц, если вы услышите название зимующей птицы, то присядьте; а если название перелетной, то машите руками.
Ворона, соловей, дятел, сорока, голубь, ласточка, синица, грач, скворец,
снегирь, аист, журавль, воробей, цапля и др.
6. — А сейчас продолжаем выполнять работу. Из оставшихся двух кусочков теста делаем крылья: скатываем овалы небольшие по размеру, расплющиваем с одной стороны. Затем соединяем все детали. Сначала голову прикрепляем к туловищу, а затем и крылья. Наши ласточки готовы.
7. Вывод:
— Ребята, что мы сегодня с вами делали? (лепили ласточек).
— Из чего мы лепили ласточек? (из теста)
— Расскажите, пожалуйста, как вы лепили ласточек?
— Молодцы, ребята! Очень хорошие и красивые ласточки у вас получились. Ласточке очень понравились ее новые подружки. И теперь они вместе будут жить, играть и радоваться теплому солнышку.
«Жаба из сказки Г.Х. Андерсена «Дюймовочка»
Конспект НОД по художественно-эстетическому развитию в подготовительной группе. Лепка на тему: «Жаба из сказки Г.Х. Андерсена «Дюймовочка»
Цель: Закреплять умение передавать в лепке образ сказочного персонажа, совершенствовать методы и приемы лепки.
Задачи:
Образовательные:
1). Расширять знания детей о земноводных, героях сказки Андерсена.
2). Формировать умение детей передавать пропорциональное отношение деталей жабы (туловище, голова, лапы, глаза), создавать части тела округлой, цилиндрической и овальной формы.
3). Совершенствовать умение лепить из пластилина, плотно соединять и сглаживать детали между собой.
Развивающие:
1). Развивать мелкую моторику рук, координировать работу глаз и рук в процессе выполнения задания.
2). Продолжать развивать детское творчество.
Воспитывающие:
1). Воспитывать усидчивость, интерес к художественному творчеству, лепке.
2). Радоваться успехам своих товарищей.
3) Воспитывать любовь творчеству, к сказкам.
Методы и приёмы: наглядный – рассматривание игрушки жабы, демонстрация фоновой композиции; словесный – использование художественного слова, беседа, вопросы, пояснения, указания, педагогическая оценка детской деятельности; игровые – физминутка
Материал демонстрационный: игрушка жаба, скорлупа грецкого ореха, рыбка, картинка комариков, иллюстрация из сказки «Дюймовочка», оформленный пруд, схема лепки, аудиозаписи «Звуки природы», готовый образец.
Материал раздаточный: пластилин, доски для лепки, стеки, влажные салфетки.
Словарная работа: земноводные, жаба, цилиндрической формы, лапки с перепонками.
Предварительная работа: чтение сказки Г.Х. Андерсена «Дюймовочка», рассматривание иллюстраций к сказке.
Ход НОД.
Вводная часть.
— Добрый день. Ребята, я хочу вам загадать загадку. Загадка эта не совсем обычная. Я вам покажу несколько предметов, а вы попробуйте догадаться, из какой они сказки.
Итак, показываю предметы (скорлупа грецкого ореха, рыба, картинка комаров — это предметы из сказки «Дюймовочка» Г.Х. Андерсена)
— Верно, ребята, молодцы! Сегодня мы будем с вами лепить одного из главных персонажей сказки Г.Х. Андерсена.
Послушайте загадку
Она сырость обожает –
На болоте проживает
Ленивая толстуха,
Сидит, раздув живот,
Свою добычу ждёт.
Комарик или муха,
Летят ей прямо в рот…
И вы уже догадались, кто это? (Жаба)
— А вы помните, где жили жаба с жабёнком из сказки «Дюймовочка»?
— Что решила сделать мама жаба?
— Где нашла жаба невесту Дюймовочку?
— Чем занимался сын целыми днями?
Я предлагаю вам слепить одного из героев (маму или сына).
— Подойдите к столу и внимательно рассмотрите жабу. Обратите внимание: как она выглядит. А вы знаете, что существует много видов лягушек и жаб, они живут в воде и на суше, и поэтому называются земноводными.
(3 – 4 ребёнка проговаривают это слово)
— Давайте рассмотрим нашу гостью.
— Какая голова у жабы?
— Что есть на голове? (глаза, нос, рот)
— Какие лапки? (Передние короче, чем задние) Почему?
— Какой они формы? (Цилиндрической, внизу растопыренные)
-А теперь, посмотрите на иллюстрацию из сказки.
-Что делают жабы? (отдыхают, едят комаров, спят)
-Они одного размера?
-Какого они цвета? (зелёного)
— Но прежде чем мы начнём работать, давайте немного отдохнём.
Физкультминутка.
На болоте жабы жили.
И друг с другом так дружили.
Прыгали они по кочкам,
Спали вместе тёмной ночкой.
А проснувшись по утру,
Начинали вновь игру.
Сесть и встать
И два прыжка.
Вместе весело всегда.
Теперь, давайте внимательно рассмотрим схему лепки жабы.
(Воспитатель ставит на мольберт схему лепки)
— Давайте теперь рассмотрим, как можно слепить жабу.
- Возьмём пластилин зелёного цвета.
- Разрежем кусок пластилина на две части, от каждой части отрежем пластилин для лапок, возьмём большой кусочек для туловища и скатаем овал. Из жёлтого пластилина скатаем небольшой шарик, расплющим его и пригладим его на брюшко.
- Теперь, скатаем голову – что бы получился овал, можно проткнуть на нем две точки-ноздри, скатаем тоненькую ниточку – рот, Для глаз нам понадобится скатать два маленьких зелёных шарика, которые мы закрепляем на голове. На каждый глаз прикрепляем небольшую жёлтую лепешечку и посередине черный маленький зрачок. Теперь жаба на нас смотрит и улыбается.
Давайте и мы сделаем гимнастику для глаз.
«Глазки»
(снятие зрительного напряжения)
Движения глазами выполнять медленно, не поворачивая головы.
Глазки влево, глазки вправо,
Вверх и вниз, и всё сначала.
Быстро, быстро поморгай –
Отдых глазкам своим дай!
Чтобы зоркими нам быть –
Нужно глазками крутить.
Вращать глазами по кругу. Повторяем 2-3 раза.
4. Далее нам надо соединить две основные детали – туловище и голову. Для задних лап скатаем столбик, разделите его пополам, расплющиваем каждую часть и с одной стороны стекой вырезать два треугольника.
5. Прикрепите две задние лапки в нижней части туловища. Теперь наша жаба может удобно сидеть на кувшинке. Слепите две передние лапки с перепонками на кончиках, которые мы делаем при помощи стеки, и соедините с готовой поделкой.
6. Сама поделка уже готова, но мы должны еще вылепить несколько дополнительных деталей. Слепите лист кувшинки и посадите на него жабу.
Практическая часть. Основная. (Во время выполнения работы звучит аудиозапись «Звуки природы»).
— Теперь проходите и рассаживайтесь в нашей сказочной мастерской.
Для начала разогрейте пластилин в ладошках, чтобы он стал мягким. Обращайте внимание на последовательность лепки.
Дети лепят самостоятельно. Воспитатель оказывает помощь в процессе работы, отвечает, на возникшие у детей вопросы, подсказывает, советует по ходу выполнения работы.
Кто слепит быстро, может по желанию слепить вторую жабу.
Рефлексия.
— Дети, посмотрите, какие замечательные у нас получились герои сказки.
— Какая жаба вам понравилась больше всего? Почему?
— Что было сложнее всего слепить?
— Сегодня мы с вами сделаем выставку наших работ. А сейчас уберите свои рабочие места в мастерской.
| < Предыдущая | Следующая > |
|---|
Творец — гончарная студия
Студия гончарного мастерства «Творец» открылась в Петербурге в декабре 2009. На данный момент в городе это единственное место, где любой желающий может пройти курс обучения гончарному искусству в полном объёме. Занятия могут посещать дети от четырех лет и взрослые всех возрастов.
Может быть есть где-то ещё?
Есть. Керамику изучают в художественных школах, но в них не принимают всех желающих в любом возрасте. Также есть компании, предлагающие сделать поделку на гончарном круге. Как правило, они даже не обжигают изделие и тем более не покрывают глазурью – то есть чашечки и вазочки абсолютно не пригодны к использованию.
Есть творческие студии, предлагающие обжиг с покрытием глазурями или другими красками для керамики. Однако, мало где Вас смогут обучить всем тонкостям работы с керамикой от подготовки глиняной массы для лепки до загрузки готовых изделий в печь.
«Творец» – это студия, специализирующаяся исключительно на гончарном деле, поэтому здесь можно освоить большинство техник:
- работа на гончарном круге
- ручная лепка
- лепка из пластов
- декорирование керамики глиной
- роспись изделий красками
- роспись разноцветными ангобами и глазурями
- обжиг изделий (обычный и раку).
Что конкретно предлагаем?
Предлагаем прикоснуться к древнему ремеслу, которое зародилось на заре человечества и своими руками создать шедевр. В «Творце» каждый может выбрать подходящий вид деятельности:
- разовые занятия по лепке или работе на гончарном круге
- базовый курс обучения индивидуально или в группе, разработанный для разных возрастов
- дополнительные углублённые занятия по выбранным темам (например, обжиг, подготовка глины)
- специализированные курсы и мастер-классы (обучение педагогов керамике, лепка бижутерии)
К чему стремимся?
Стремимся объединить традиции древнего искусства с современными тенденциями. В Европе уже давно популярная система workshop`ов -человек может прийти и купить всё необходимое для работы, арендовать рабочее место и творить в своё удовольствие. Мы надеемся, что с нашим участием подобные места станут популярны и в Санкт-Петербурге.
В начале марта 2010 года мы открыли специализированный магазин Керамистам.ру. Теперь у нас есть возможность не только обучать гончарному искусству, но и полноценно обеспечивать всем необходимым для самостоятельного творчества.
Когда можно прийти?
Вы можете записаться на занятие или узнать любую интересующую Вас информацию по телефону: 8(800)600-26-55
Моделирование с данными: инструменты и методы для научных вычислений: 97806
140: Клеменс, Бен: Книги«Эта книга представляет собой оригинальное, дешевое и действенное решение проблемы анализа больших наборов данных … Книга посвящена в основном специалистам по статистике, но также полезна математикам, компьютерным специалистам, исследователям и студентам биология, экономика и социальные науки «. — Раду Тримбитас, StudiaUBB
«Я психиатр-генетик, но у меня степень в области нейробиологии, а это означает, что теперь я занимаюсь статистикой гораздо больше, чем меня готовили.Я не могу переоценить масштабы изменения моей продуктивности с тех пор, как я нашел эту книгу. Даже после прочтения первых нескольких глав, в которых объясняется, почему анализ данных является болезненным и как можно реализовать долгосрочное решение, мое исследование значительно продвинулось вперед ». ―Амбер Баум, Национальный институт психического здоровья« Мне понравилось читать это книга и многому научился из нее. Моделирование с использованием данных заполнило множество пробелов в моих знаниях, и я думаю, что в целом это будет верно и для других читателей.Здесь много качественного и интересного материала ». ―Брендан Халпин, Университет Лимерика
С внутренней стороны клапана
«Я психиатр-генетик, но у меня степень в области нейробиологии, а это означает, что сейчас я занимаюсь гораздо большим количеством статистических данных, чем я был подготовлен. Я не могу переоценить для вас масштабы изменений в моей продуктивности с тех пор, как я нашел эту книгу. Даже после того, как я нашел эту книгу. прочитав несколько первых глав, в которых объясняется, почему анализ данных является болезненным и как можно реализовать долгосрочное решение, мое исследование значительно продвинулось вперед. — Эмбер Баум, Национальный институт психического здоровья
«Мне понравилось читать эту книгу, и я многому из нее научился. Моделирование с использованием данных заполнило множество пробелов в моих знаниях, и я думаю, что в целом это будет верно и для других читателей. Здесь много качественного и интересного материала ». — Брендан Халпин, Университет Лимерика
С задней обложки
«Я психиатр-генетик, но у меня степень по нейробиологии, а это значит, что теперь я занимаюсь статистикой гораздо больше, чем меня учили.Я не могу переоценить масштабы изменения моей продуктивности с тех пор, как я нашел эту книгу. Даже после прочтения первых нескольких глав, в которых объясняется, почему анализ данных является болезненным и как можно реализовать долгосрочное решение, мое исследование значительно продвинулось вперед ». — Эмбер Баум, Национальный институт психического здоровья
« Мне понравилось прочитал эту книгу и многому научился из нее. Моделирование с использованием данных заполнило множество пробелов в моих знаниях, и я думаю, что в целом это будет верно и для других читателей.Здесь много качественного и интересного материала ». — Брендан Халпин, Университет Лимерика
Об авторе
Бен Клеменс — старший статистик Национального института психического здоровья. Он также является приглашенным исследователем в Центре социальной и экономической динамики Института Брукингса.
cisTopic: тематическое моделирование цис-регуляции на одноклеточных данных ATAC-seq
Fiers, M. W. E. J. et al. Краткая функция. Геномика 17 , 246–254 (2018).
Артикул PubMed PubMed Central Google ученый
Кусанович Д.А. и др. Cell 174 , 1309–1324 (2018).
CAS Статья PubMed Google ученый
Кусанович Д.А. и др. Наука 348 , 910–914 (2015).
CAS Статья PubMed PubMed Central Google ученый
Zamanighomi, M. et al. Nat. Commun. 9 , 2410 (2018).
Артикул PubMed PubMed Central Google ученый
Schep, A. N., Wu, B., Buenrostro, J. D. & Greenleaf, W. J. Nat. Методы 14 , 975–978 (2017).
CAS Статья PubMed PubMed Central Google ученый
де Бур, К. Г. и Регев, А. BMC Bioinformatics 19 , 253 (2018).
Артикул PubMed PubMed Central Google ученый
Цзи З., Чжоу В. и Джи, Х. Биоинформатика 33 , 2930–2932 (2017).
CAS Статья PubMed PubMed Central Google ученый
Блей, Д. М., Нг, А.Y. & Jordan, M. I. J. Mach. Учиться. Res. 3 , 993–1022 (2003).
Google ученый
Griffiths, T. L. & Steyvers, M. Proc. Natl Acad. Sci. США 101 , 5228–5235 (2004).
CAS Статья PubMed Google ученый
Buenrostro, J. D. et al. Cell 173 , 1535–1548 (2018).
CAS Статья PubMed Google ученый
Vilagos, B. et al. J. Exp. Med. 209 , 775–792 (2012).
CAS Статья PubMed PubMed Central Google ученый
Cisse, B. et al. Cell 135 , 37–48 (2008).
CAS Статья PubMed PubMed Central Google ученый
Гупта П., Гурудутта Г. У., Салуджа Д. и Трипати Р. П. J. Cell. Мол. Med. 13 , 4349–4363 (2009).
CAS Статья PubMed PubMed Central Google ученый
Елагиб К.Э. Кровь 101 , 4333–4341 (2003).
CAS Статья PubMed Google ученый
Nottingham, W.T. et al. Кровь 110 , 4188–4197 (2007).
CAS Статья PubMed PubMed Central Google ученый
Lake, B. B. et al. Nat. Biotechnol. 36 , 70–80 (2017).
Артикул PubMed PubMed Central Google ученый
Preissl, S. et al. Nat. Neurosci. 21 , 432–439 (2018).
CAS Статья PubMed PubMed Central Google ученый
Aibar, S. et al. Nat. Методы 14 , 1083–1086 (2017).
CAS Статья PubMed PubMed Central Google ученый
Gray, L. T. et al. eLife 6 , e21883 (2017).
Артикул PubMed PubMed Central Google ученый
Verfaillie, A. et al. Nat. Commun. 6 , 6683–6683 (2015).
CAS Статья PubMed PubMed Central Google ученый
Gembarska, A. et al. Nat. Med. 18 , 1239–1247 (2012).
CAS Статья PubMed Google ученый
Bernd, A. et al. Melanoma Res. 4 , 287–291 (1994).
CAS Статья PubMed Google ученый
Йозуми К., Хогансон Г. Э., Пеннелла Р., Эверетт М. А. и Фуллер Б. Б. J. Invest. Дерматол. 100 , 806–811 (1993).
CAS Статья PubMed Google ученый
Buac, K. et al. Pigment Cell Melanoma Res. 22 , 773–784 (2011).
Артикул Google ученый
Laurette, P. et al. eLife 4 , e06857 (2015).
Артикул PubMed Central Google ученый
Corces, M. R. et al. Nat. Genet. 48 , 1193–1203 (2016).
CAS Статья PubMed PubMed Central Google ученый
Kundaje, A. et al. mod / mouse / humanENCODE: внесенные в черный список геномные области для функционального геномного анализа. The Kundaje Lab https://sites.google.com/site/anshulkundaje/projects/blacklists (2014).
Чанг, Дж. Айда: свернутые методы выборки Гиббса для тематических моделей. Пакет R версии 1.2.3 http://CRAN.R-project.org/package=lda (2015).
Krijthe, J. & van der Maaten, L. Package ‘Rtsne’. Пакет R версии 0.13 https: // github.com / jkrijthe / Rtsne (2017).
Макиннес, Л. и Хили, Дж. arXiv Препринт на https://arxiv.org/abs/1802.03426v1 (2018).
Angerer, P. et al. Биоинформатика 32 , 1241–1243 (2016).
CAS Статья PubMed Google ученый
Yu, G., Wang, L.-G. & Он, Q.-Y. Биоинформатика 31 , 2382–2383 (2015).
CAS Статья PubMed Google ученый
Gu, Z. rGREAT: клиент для БОЛЬШОГО анализа. Пакет R версии 3.7 https://github.com/jokergoo/rGREAT (2018).
Imrichová, H., Hulselmans, G., Kalender Atak, Z., Potier, D. & Aerts, S. Nucleic Acids Res. 43 , W57 – W64 (2015).
Артикул PubMed PubMed Central Google ученый
Portales-Casamar, E. et al. Nucleic Acids Res. 38 , D105 – D110 (2010).
CAS Статья PubMed Google ученый
Weirauch, M. T. et al. Cell 158 , 1431–1443 (2014).
CAS Статья PubMed PubMed Central Google ученый
Кулаковский И.В. и др. Nucleic Acids Res. 46 , D252 – D259 (2018).
CAS Статья PubMed Google ученый
Janky, R. et al. PLoS Comput. Биол. 10 , e1003731 (2014).
Артикул PubMed PubMed Central Google ученый
Grün, B. & Hornik, K. J. Stat. Софтв. 40 , 1–30 (2011).
Артикул Google ученый
Тэдди М. О стимуляции и выборе тематических моделей. В Proc. 15-я Международная конференция по искусственному интеллекту и статистике (ред. Лоуренс, Н. Д. и Джиролами, М.) 1184–1193 (PMLR, 2012).
Pliner, H.A. et al. Мол. Ячейка 71 , 858–871 (2018).
CAS Статья PubMed Google ученый
Langfelder, P., Zhang, B. & Horvath, S. Биоинформатика 24 , 719–720 (2008).
CAS Статья PubMed Google ученый
Finak, G. et al. Genome Biol. 16 , 278 (2015).
Артикул PubMed PubMed Central Google ученый
Herrmann, C., Van De Sande, B., Potier, D. & Aerts, S. Nucleic Acids Res. 40 , e114 (2012).
CAS Статья PubMed PubMed Central Google ученый
Heinz, S. et al. Мол. Ячейка 38 , 576–589 (2010).
CAS Статья PubMed PubMed Central Google ученый
Thomas-Chollier, M. et al. Nat. Protoc. 6 , 1860–1869 (2011).
CAS Статья PubMed Google ученый
Thomas-Chollier, M. et al. Nucleic Acids Res. 40 , e31 (2012).
CAS Статья PubMed Google ученый
Frith, M.C., Li, M.C. & Weng, Z. Nucleic Acids Res. 31 , 3666–3668 (2003).
CAS Статья PubMed PubMed Central Google ученый
Махони, С. и Бенос, П.V. Nucleic Acids Res. 35 , W253 – W258 (2007).
Артикул PubMed PubMed Central Google ученый
Luo, C. et al. Наука 357 , 600–604 (2017).
CAS Статья PubMed PubMed Central Google ученый
Edgar, R.C. Nucleic Acids Res. 32 , 1792–1797 (2004).
CAS Статья PubMed PubMed Central Google ученый
Aerts, S. et al. Nucleic Acids Res. 31 , 1753–1764 (2003).
CAS Статья PubMed PubMed Central Google ученый
Aerts, S. et al. Nucleic Acids Res. 33 , W393 – W396 (2005).
CAS Статья PubMed PubMed Central Google ученый
Corces, M. R. et al. Nat. Методы 14 , 959–962 (2017).
CAS Статья PubMed PubMed Central Google ученый
Buenrostro, J. D., Giresi, P. G., Zaba, L. C., Chang, H. Y. & Greenleaf, W. J. Nat. Методы 10 , 1213–1218 (2013).
CAS Статья PubMed PubMed Central Google ученый
Buenrostro, J. D. et al. Природа 523 , 486–490 (2015).
CAS Статья PubMed PubMed Central Google ученый
Mo, A. et al. Нейрон 86 , 1369–1384 (2015).
CAS Статья PubMed PubMed Central Google ученый
Su, Y. et al. Nat. Neurosci. 20 , 476–483 (2017).
CAS Статья PubMed PubMed Central Google ученый
Habib, N. et al. Nat. Методы 14 , 955–958 (2017).
CAS Статья PubMed PubMed Central Google ученый
Козленков А.В. и др. Sci. Adv. 4 , eaau6190 (2018).
Артикул PubMed PubMed Central Google ученый
Расширенное математическое моделирование с технологией — 1-е издание
Описание книги
Математическое моделирование — это одновременно и навык, и искусство, и его необходимо практиковать, чтобы поддерживать и повышать способность использовать эти навыки.Хотя темы, затронутые в этой книге, являются типичными темами большинства курсов математического моделирования, эту книгу лучше всего использовать для отдельных лиц или групп, которые уже прошли вводный курс математического моделирования. Расширенное математическое моделирование с использованием технологий будет представлять интерес для преподавателей и студентов, предлагающих курсы, посвященные дискретному моделированию или моделированию для принятия решений.
Каждая глава начинается с задачи, чтобы заинтересовать читателя. Проблема сообщает, «в чем» проблема или проблема, которую необходимо решить.В каждой главе авторы применяют принципы математического моделирования к этой проблеме и представляют шаги по получению модели. Основное внимание уделяется математической модели, а технология представлена как метод решения этой модели или выполнения анализа чувствительности.
Мы выбрали, где это применимо к контенту, из-за его широкой доступности. Авторы используют технологии для построения, вычисления или реализации модели, а затем анализируют ее.
Характеристики:
- MAPLE ©, Excel © и R © для поддержки процесса математического моделирования. Шаблоны, макросы и программы Excel
- доступны по запросу от авторов. Также доступны шаблоны
- Maple и примеры решения.
- Включает освещение математического программирования.
- Рассмотрены возможности и ограничения моделирования.
- Знакомит с процессом принятия решений по множеству атрибутов (MADM) и теорией игр для решения проблем.
Книга предоставляет лицам, принимающим решения, обзор широкого спектра применений количественных подходов, помогающих в процессе принятия решений, и представляет собой основу для принятия решений.
Содержание
1. Perfect Partners: математическое моделирование и технологии
2. Обзор моделирования с помощью дискретных динамических систем и систем моделирования DDS
3. Моделирование с помощью дифференциальных уравнений
4. Система моделирования обыкновенных дифференциальных уравнений
5. Регрессия и методы и модели расширенной регрессии
6. Линейное, целочисленное и смешанное целочисленное программирование
7.Нелинейные методы оптимизации
8. Многопараметрическая оптимизация
9. Имитационные модели
10. Моделирование принятия решений с использованием нескольких атрибутов Моделирование решений с использованием технологий
11. Моделирование с помощью теории игр
12. Приложение с использованием R
Индекс
Биографии
Доктор Уильям П. Фокс в настоящее время является приглашенным профессором исследования вычислительных операций в Колледже Уильяма и Мэри.Он является почетным профессором аналитического отдела Министерства обороны Высшей школы военно-морского флота и преподает последовательность из трех курсов математического моделирования для принятия решений. Он получил докторскую степень. в области промышленного машиностроения Университета Клемсона. Он преподавал в Военной академии США в течение двенадцати лет до выхода на пенсию и в Университете Фрэнсиса Мариона, где он был кафедрой математики в течение восьми лет. У него много публикаций и научных работ, в том числе более двадцати книг и 150 журнальных статей.
Полковник (справа) Роберт Э. Беркс младший, доктор философии является доцентом отдела оборонного анализа Высшей военно-морской школы (NPS) и директором Wargaming Center NPS. Он имеет докторскую степень. в Исследовании операций в Технологическом институте ВВС. Он — полковник армии логистики в отставке с более чем тридцатилетним военным опытом руководства, передовой аналитики, моделирования решений и логистических операций, который работал аналитиком по исследованиям армейских операций в Военно-морской аспирантуре, Аналитический центр TRADOC, Военная академия США, и Командование вербовки армии США.
Содержание
1. Идеальные партнеры: математическое моделирование и технологии. 1.1. Обзор некоторых реальных больших проблем и процесса математического моделирования. 1.2. Процесс моделирования. 1.3. Наглядные примеры. 1.4. Технология. 1.5. Упражнения. 1.6 Проекты. 1.7. Ссылки и предлагаемые материалы для чтения в будущем. 2. Обзор моделирования с помощью дискретных динамических систем и систем моделирования DDS. 2.1. Введение и обзор моделирования с дискретными динамическими системами.2.2. Ценности равновесия и стабильности и долгосрочное поведение. 2.3. Введение в системы дискретных динамических систем. 2.4. Итерация и графическое решение. 2.5. Моделирование модели хищник — жертва, модель сэра и военные модели. 2.6. Примеры технологий для дискретных динамических систем. 2.7. Упражнения. 2.8. Проекты. 2.9. Ссылки и предлагаемые материалы для чтения в будущем. 3. Моделирование дифференциальными уравнениями. 3.1. Прикладные модели первого порядка. 3.2. Поля наклона и качественные оценки автономных ODE первого порядка.3.3 Аналитическое решение ODE 1-го порядка. 3.4. Численные методы решения од 1-го порядка с технологией. 3.5. Примеры технологий для обыкновенных дифференциальных уравнений. 3.6. Упражнения. 3.7. Проекты. 3.8. Ссылки и предлагаемые материалы для чтения в будущем. 4. Система моделирования обыкновенных дифференциальных уравнений. 4.1. Вступление. 4.2. Прикладные системы дифференциальных уравнений. 4.3. Качественная оценка автономных систем дифференциальных уравнений первого порядка. 4.4. Решение однородных и неоднородных систем.4.5. Примеры технологий для систем обыкновенных дифференциальных уравнений. 4.6. Упражнения. 4.7. Проекты. 4.8. Ссылки и предлагаемые материалы для чтения в будущем. 5. Регрессия и методы и модели расширенной регрессии. 5.1. Вступление. 5.2. Нелинейная регрессия. 5.3. Примеры технологий для регрессии. 5.4. Логистические регрессионные модели. 5.5. Примеры технологий для регрессии Пуассона. 5.6. Упражнения. 5.7. Проекты. 5.8. Ссылки и предлагаемые материалы для чтения в будущем. 6. Целочисленное линейное и смешанное целочисленное программирование. 6.1. Вступление. 6.2. формулировка задач линейного программирования. 6.3. Графическое линейное программирование. 6.4. Примеры технологий для линейного программирования. 6.5. Пример линейного программирования. 6.6. Анализ чувствительности с помощью технологий. 6.7. Упражнения. 6.8. Проекты. 6.9. Ссылки и предлагаемые материалы для дальнейшего чтения. 7. Нелинейные методы оптимизации. 7.1. Вступление. 7.2. Неограниченная оптимизация одной переменной и основная теория. 7.3. Модели с основными приложениями теории макс-мин.7.4. Примеры технологий нелинейной оптимизации. 7.5. Методы численного поиска с одной переменной с технологией. 7.6. Упражнения. 7.7. Проекты. 7.8. Ссылки и предлагаемая дополнительная литература. 8. Многопараметрическая оптимизация. 8.1. Вступление. 8.2. Безусловная оптимизация. 8.3. Методы многомерного численного поиска для неограниченной оптимизации. 8.4. Ограниченная оптимизация. 8.5. Неравенство Ограничения-Куна-Таккера (KTC) Необходимые / достаточные условия. 8.6. Примеры технологий для вычислительной KTC.8.7. Упражнения. 8.8. Проекты. 8.9. Ссылки и рекомендуемая литература. 9. Имитационные модели. 9.1. Вступление. 9.2. Случайное число и моделирование методом Монте-Карло. 9.3. Вероятность и моделирование методом Монте-Карло с использованием детерминированного поведения. 9.4. Детерминированное моделирование в R и Maple. 9.5. Вероятность и моделирование методом Монте-Карло с использованием вероятностного поведения. 9.6. Прикладное моделирование и модели массового обслуживания. 9.7. Упражнения. 9.8. Проекты. 9.9. Ссылки и рекомендуемая литература. 10. Моделирование принятия решений с помощью многоатрибутного моделирования решений с помощью технологий. 10.1. Вступление. 10.2. Методы взвешивания. 10.3. Парное сравнение Саати (AHP). 10.4. Энтропийный метод. 10.5. Метод простых аддитивных весов (пилы). 10.6. Методика предпочтения порядка по аналогии с идеальным решением (ТОПСИС). 10.7. Моделирование единиц ранжирования с использованием анализа охвата данных (DEA) с линейным программированием. 10.8. Технология принятия решений по множеству атрибутов. 10.9. Упражнения. 10.10. Проекты. 10.11. Ссылки и рекомендуемая литература. 11. Моделирование с помощью теории игр. 11.1. Введение в тотальные конфликты (игры с нулевой суммой). 11.2. Поиск альтернативных оптимальных решений в игре с нулевой суммой для двух человек. 11.3. Частичный анализ конфликтной игры без общения. 11.4. Методы получения уравновешивающих стратегий. 11.5. Арбитражный метод Нэша. 11.6. Наглядные примеры моделирования игр с нулевой суммой. 11.7. Наглядные примеры игр с частичным конфликтом. 11.8. Упражнения. 11.9. Проекты. 11.10. Ссылки и рекомендуемая литература. 12. Приложение с использованием R. Указатель
Автор (ы)
Биография
Др.Уильям П. Фокс в настоящее время является приглашенным профессором исследования вычислительных операций в Колледже Уильяма и Мэри. Он является почетным профессором аналитического отдела Министерства обороны Высшей школы военно-морского флота и преподает последовательность из трех курсов математического моделирования для принятия решений. Он получил докторскую степень. в области промышленного машиностроения Университета Клемсона. Он преподавал в Военной академии США в течение двенадцати лет до выхода на пенсию и в Университете Фрэнсиса Мариона, где он был кафедрой математики в течение восьми лет.У него много публикаций и научных работ, в том числе более двадцати книг и 150 журнальных статей.
Полковник (справа) Роберт Э. Беркс младший, доктор философии является доцентом отдела оборонного анализа Высшей военно-морской школы (NPS) и директором Wargaming Center NPS. Он имеет докторскую степень. по исследованиям операций в Технологическом институте ВВС. Он — полковник армии логистики в отставке с более чем тридцатилетним военным опытом руководства, передовой аналитики, моделирования решений и логистических операций, который работал аналитиком по исследованиям армейских операций в Военно-морской аспирантуре, Аналитический центр TRADOC, Военная академия США, и Командование вербовки армии США.
Моделирование с помощью математики Нэнси Батлер Вольф. Аутентичная задача
«Математическое моделирование — одна из самых актуальных тем в школьной программе. И один из наименее понятых. Глубокий взгляд Нэнси на математическое моделирование предлагает учителям средних школ практическую помощь, в которой они нуждаются, чтобы включить моделирование в свои классы ».
— Кэти Сили , бывший президент NCTM, автор Faster Isn’t Smarter и Smarter Than We Think
«Это книга, которую ждали учителя математики и родители.Написанная ясной и увлекательной прозой, Нэнси дает подробное пошаговое руководство по моделированию в математике на уровне средней школы. Она показывает, что новые математические стандарты не должны пугать или сбивать с толку. Вместо этого студенты узнают, как моделирование напрямую связано с реальными жизненными проблемами и решениями, на ряде потрясающих примеров. В отличие от большинства книг по математическому моделированию, эта книга обстоятельна и доступна, сфокусирована и увлекательна. Tour de force! »
— Дэвид Э.Дрю, автор книги STEM the Tide: Reforming Science, Technology, Engineering and Math Education in America
«Книга Нэнси — отличное руководство для учителей средних школ, которые хотят использовать математическое моделирование в своих классах. В нем представлены как теоретические, так и практические дискуссии о том, как учителя могут изменить свое обучение, чтобы их ученики стали более независимыми и вдумчивыми в решении проблем ».
— Джудит Э. Джейкобс, бывший президент Ассоциации преподавателей математики
«С учетом рассказов, примеров, обширного цитирования исследований и того, как Нэнси описывает свою трансформацию как учителя, я уверен, что вы будете взволнованы и готовы попробовать моделировать задачи со своими учениками, как только вы закончить эту книгу.
— Макс Рэй-Риек, автор книги Мощное решение проблем
«Вы не понимаете, о чем так много людей говорят, когда говорят о задачах с открытым окончанием, Дэне Мейере, задачах MARS, освещении NCTM, высоких и низких потолках и математическом моделировании? Хорошие новости. Автор Моделирование с помощью математики , Нэнси Батлер Вольф, рассматривает все эти вопросы, а затем некоторые в своей книге … Сильные стороны книги Вольфа «Моделирование с помощью математики » включают в себя примеры обсуждений учащихся / учителей, примеры задач и некоторые замечательные идеи / примеры использования рубрик для оценки сложных задач.
— Майя Фастабенд, MiddleWeb
«В этом удобном руководстве по моделированию в классе математики средней школы Нэнси Батлер Вольф пишет голосом учителя, который легко понять… В каждой главе содержится множество примеров различных задач, включая виньетки для учеников и образцы учеников. все применимо к учителю математики в средних классах ».
—Лора Янссен, Преподавание математики в средней школе (NCTM)
Моделирование непрерывного времени в поведенческих и смежных науках | Кес ван Монфорт
Кейс ван Монфорт — профессор методологии количественных исследований в Бизнес-университете Найенроде (факультет маркетинга и управления цепочками поставок) и профессор биостатистики в Университете Эразма в Роттердаме (факультет онкологии).В настоящее время он работает над количественным анализом данных с исследователями из нескольких отделов Nyenrode Business Universiteit и Университета Эразма в Роттердаме. Кроме того, он занимается разработкой новых статистических методов и техник в области моделей структурных уравнений, моделей пространства состояний и анализа выживаемости.
Йохан Х.Л. Уд — доцент Института поведенческих наук Университета Радбауд, Неймеген, Нидерланды, и приглашенный профессор Университета Паджаджаран, Бандунг, Индонезия.Его исследовательские интересы связаны с семейными отношениями, моделированием структурных уравнений (SEM), продольными исследованиями, построением систем мониторинга и непрерывным временным анализом с помощью SEM. Он опубликовал серию статей и глав в книгах, а также отредактировал несколько книг в этих областях. Он ввел использование моделирования структурных уравнений в моделирование пространств состояний с дискретным и непрерывным временем. Мануэль К. Фёлкле — профессор методов психологических исследований Берлинского университета им. Гумбольдта и дополнительный исследователь в Институте развития человека им. Макса Планка.Его исследовательские интересы в основном касаются разработки и анализа многомерных эмпирических исследований с упором на использование моделей структурных уравнений для анализа продольных данных. Большая часть его методологической работы посвящена моделированию в непрерывном времени и анализу сложной взаимосвязи межличностных и внутриличностных различий в психологических конструктах по мере их развития с течением времени. Он тесно сотрудничает с другими исследователями в изучении динамики развития аффективных и когнитивных функций.границ | Влияние моделирования на самоэффективность и состояние атлетов подростков с помощью ролевых моделей
Введение
Человеческая природа — подражать человеку, который считается выше нас. «Образец для подражания» — явление спонтанное. Большинство людей в какой-то момент своей жизни вдохновляются другим человеком и пытаются стать лучше, подражая этому человеку. Подобно тому, как малыш осваивает основные повседневные навыки, такие как есть ложкой, наблюдая за членами семьи и подражая им, взрослые могут «подражать» своим образцам для подражания, чтобы усвоить их качества.Страстная цель стать подобным образцу для подражания может действовать как мотивирующая цель и вызов, который может подтолкнуть человека к саморазвитию. Ролевые модели, подверженные такому подражанию, определяются как личности, которые вдохновляют отдельных лиц или группы людей или заслуживают подражания (Ingall, 1997; Yancey, 1998).
В опросе 1000 обычных мужчин и женщин в возрасте 18 лет и старше, проведенном Korean Research Survey (2020), 70% всех респондентов ответили, что у них есть образец для подражания, когда их спросили: «Есть ли кто-нибудь, кого можно назвать наставником или образцом для подражания? в твоей жизни?» Кроме того, каждой возрастной группе, от подростков до 40 лет, был задан вопрос, есть ли у них образец для подражания.Среди пожилых людей только 13,8% ответили утвердительно. Напротив, 78,3% подростков сообщили, что у них есть образец для подражания. Кроме того, согласно опросу, разделенному на типичных студентов и студентов-спортсменов, 64,3% типичных студентов и 87,5% студентов-спортсменов сообщили, что у них есть образец для подражания, на который они хотели бы быть похожими. Было обнаружено, что наличие ролевой модели полезно для спортсменов, поскольку она мотивирует их ставить цели и стремиться к их достижению (Morgenroth et al., 2015).
Изучая предыдущие исследования, связанные с образцами для подражания, Хакетт и Бец (1981) сообщили, что выбор положительного образца для подражания может положительно повлиять на самоэффективность, создавая ожидания компетентности в задачах, которые никогда раньше не выполнялись.Кроме того, исследование Локвуда и Кунды (1999) показало, что позитивное ролевое моделирование усиливает стремление к успеху в определенной области, что, в свою очередь, служит сильной психологической мотивацией для достижения успеха. Ролевые модели также мотивируют и вдохновляют на новые модели поведения для постановки целей (Morgenroth et al., 2015). Кроме того, Хубер (2013) сообщил о четырех типах поведения, достойных подражания, и отметил, что успешный коучинг — это позволить молодым спортсменам усвоить все допустимые формы поведения, наблюдая за человеком, который демонстрирует пример хорошего поведения.Кроме того, Коннолли (2017) объяснил влияние положительных ролевых моделей в спортивной среде посредством обучения с наблюдением и представил важность и руководящие принципы роли тренеров в облегчении обучения наблюдению. Важность образцов для подражания можно увидеть из спортивных статей и интервью, в которых обсуждается моделирование подражания, на самом деле, многие спортсмены пытаются повысить самоэффективность или мотивацию и повысить производительность, наблюдая и имитируя поведение спортсменов, которыми они восхищаются.
Функция этих ролевых моделей может быть объяснена с помощью концепции заместительного опыта, представленной Бандурой (1997).Заместительный опыт можно легко понять как способ повысить самоэффективность, наблюдая за действиями, успешно выполняемыми другими. Заместительный опыт помогает уменьшить тревогу и ведет к подражанию успешным действиям образцов для подражания (Schunk, 1989; Fitzsimmons et al., 1991). Такой косвенный опыт можно назвать формой метода моделирования. Моделирование можно определить как обучение на основе наблюдений и копирование действий других людей путем наблюдения и слушания их, и оно считается самым мощным средством передачи шаблонов мышления, поведения, ценностей и отношений (Bandura, 1986).Рассматривая предыдущие исследования, связанные с моделированием, Weiss et al. (1998) сообщили, что моделирование повышает самоэффективность детей с водной фобией и положительно влияет на улучшение навыков плавания. Кроме того, исследование Старека и МакКуллага (1999) на взрослых показало улучшение самоэффективности за счет моделирования и улучшения навыков плавания. Кроме того, в исследовании Ло и Холла (2009) изучалась эффективность моделирования на начинающих спортсменах и было обнаружено, что субфакторы моделирования как в групповых, так и в индивидуальных соревнованиях положительно влияют на самоэффективность.Бандура (1986) также заявил, что моделирование является одним из основных способов повышения самоэффективности. Самоэффективность относится к степени уверенности человека в том, сможет ли он или она успешно выполнить конкретную задачу, и это переменная, которая, как было установлено, имеет положительную связь со спортивными результатами в ряде исследований (Singh et al. др., 2009).
Между тем, в области спортивной психологии пиковая производительность считается важной темой для спортсменов, тренеров и спортивных психологов.Поэтому были проведены различные исследования подходов и посредников для достижения максимальной производительности у спортсменов (Kwon et al., 2018). Эти исследования подтвердили множество психологических переменных, которые предсказывают максимальную производительность. В частности, было обнаружено, что состояние потока является критически важной предшествующей переменной, которая предсказывала пиковую производительность, и впоследствии было проведено множество исследований по нему (Jackson et al., 2001; Swann et al., 2012).
Поток относится к состоянию ума и тела, которое является автоматическим и контролируется чувством полного погружения в действие (Csikszentmihalyi, 1975), или относится к психологическому состоянию, когда человек теряет себя в задаче и погружается в него до потери смысла. времени и пространства (Kwon, 2008).Состояние потока важно, потому что оно тесно связано с конечной целью спортсменов — максимальной производительностью. Флетт (2015) сообщил, что поток имеет положительную корреляцию с результатами у теннисистов. Кроме того, поток связан с улучшением показателей спортсменов (Pates et al., 2001), удовлетворенностью своей жизнью (Habe et al., 2019) и психологической стойкостью (Crust and Swann, 2013). Кроме того, Csikszentmihalyi (1985) утверждал, что пиковая производительность должна рассматриваться как состояние потока. Это можно объяснить как механизм, с помощью которого спортсмены полностью поглощены ситуацией соревнований и достигают максимальной производительности за счет выражения автоматизированных навыков, что, в свою очередь, доказывает, что поток является ведущей переменной, которая может иметь решающее влияние на пиковую производительность спортсменов. (Джексон и др., 2001). Кроме того, поток тесно связан с вышеупомянутой самоэффективностью спортсменов.
Хотя об эмпирических исследованиях потока и самоэффективности не сообщалось, сообщалось, что поток связан со спортивной уверенностью, что очень похоже на самоэффективность (Pineau et al., 2014), и имеет положительную корреляцию. с обеими конструкциями (Vealey et al., 1998; Manzo et al., 2001). Feltz и Lirgg (2001) отметили, что измерение уверенности в спорте можно использовать как меру самоэффективности.Кроме того, Moritz et al. (2000) отметили, что самоэффективность — это переменная, которую можно рассматривать как конкретную спортивную уверенность в зависимости от ситуации. Кроме того, уверенность в спорте имела значительную связь (Kaufman et al., 2009) с потоком и была проверена как предшествующая переменная состояния потока (Catley and Duda, 1997). Подводя итог этим результатам, можно предположить, что самоэффективность связана с потоком, и что улучшенная самоэффективность посредством моделирования может сыграть роль в обеспечении состояния потока.
Предполагается, что наличие положительного образца для подражания улучшает самоэффективность подобных им и положительно влияет на ожидания результатов и умственную мотивацию. Кроме того, активное подражание ролевой модели улучшает самоэффективность спортсменов и способствует приобретению и результативности спортивных навыков. Кроме того, было обнаружено, что самоэффективность связана с состоянием потока. Благодаря этому процессу мы можем сделать вывод, что улучшенная самоэффективность может служить переменной, вызывающей состояние потока у спортсменов.
Материалы и методы
Участников
В настоящее время инфекционное заболевание Covid-19 распространяется по всему миру, поэтому опрос проводился с использованием платформы Google (онлайн), чтобы оценить безопасность участников. Участники этого исследования представили спортсменов средней и старшей школы в Корее как популяцию. Таким образом, спортивные клубы, зарегистрированные в Корейском спортивно-олимпийском комитете (KSOC), были отобраны с помощью целенаправленной выборки. Во-первых, мы предоставили информацию о наборе для исследования тренерам каждого спортивного клуба, зарегистрированного в KSOC.После этого тренерам спортивных клубов, желающим принять участие, была предоставлена ссылка на опрос. Затем был проведен опрос спортсменов-подростков, получивших согласие своих родителей на участие в исследовании, и было собрано в общей сложности 255 данных участников. Если некоторые из ответов на опрос пропускались или дублировались, данные считались недостаточными и 38 данных исключались. Таким образом, анализ проводился от 187 участников (мужчин: 146, женщин: 41). Это исследование было одобрено Комитетом по этике исследований до сбора данных.Участники занимались следующими видами спорта: футбол ( n = 77), дзюдо ( n = 4), тяжелая атлетика ( n = 23), хоккей ( n = 8), фехтование ( n ). = 4), легкая атлетика ( n = 45), тхэквондо ( n = 17) и велоспорт ( n = 9).
Измерения
Моделирование
Для измерения моделирования спортсменов-подростков мы использовали функции обсервационного опросника обучения (FOLQ), разработанного Cumming et al.(2005). Во-первых, мы объяснили концепцию моделирования, чтобы спортсмены-подростки могли понять, и попросили их ответить в опросе после того, как вспомнили образец для подражания, которым они восхищались или который им нравился. Мы изменили анкету, чтобы измерить уровень моделирования, ориентированного на образец для подражания (например, «Я использую моделирование, чтобы понять, как идеально выполнять навык», «Я использую моделирование, чтобы научиться справляться с тревогой»). FOLQ состоит из трех факторов (навыки, стратегия, производительность), 17 вопросов по 7-балльной шкале.Примеры пунктов в каждом факторе включают: «Я использую обучение с наблюдением через свои ролевые модели, чтобы изменить то, как я выполняю какой-либо навык». «Я использую обучение с наблюдением через свои образцы для подражания, придумывая новые планы и стратегии в моей голове». и «Я использую обучение с наблюдением через свои образцы для подражания, чтобы понять, что нужно, чтобы быть психологически стойким». Если вы хотите узнать больше об этих элементах вопросника, см. Приложение 1. Подтверждающий факторный анализ был проведен для проверки конструктной валидности FOLQ.Было обнаружено, что он соответствует всем индексам согласия ( × 2 = 361,218, TLI = 0,926, CFI = 0,937, RMSEA = 0,096). Cronbach α FOLQ имел навык 0,939, стратегию 0,937 и производительность 0,936. Чем выше балл по этой шкале, тем чаще используется метод моделирования.
Самоэффективность
Использовался опросник самоэффективности, разработанный Ло и Холл (2009). Он состоит из трех факторов (навыки, стратегия, результативность), представляющих девять вопросов и 10-балльную шкалу.Примеры пунктов в каждом факторе включают: «Я уверен, что смогу научиться навыкам, необходимым для занятий этим видом спорта». «Я уверен, что смогу изучить стратегии, необходимые для занятий этим видом спорта». и «Я уверен, что смогу сосредоточиться, занимаясь этим видом спорта». Если вы хотите узнать больше об этих элементах анкеты, см. Приложение 2. Подтверждающий факторный анализ был проведен для проверки конструктной валидности анкеты самоэффективности. Было показано, что он соответствует всем индексам согласия ( χ 2 = 67.250, TLI = 0,954, CFI = 0,970, RMSEA = 0,098). Внутренняя согласованность опросника самоэффективности (α Кронбаха) была показана как навык 0,897, стратегия 0,906 и эффективность 0,814. Чем выше балл по этой шкале, тем выше уровень самоэффективности.
Состояние потока
Анкета потока, разработанная Квоном (2008), использовалась для измерения состояния потока у спортсменов. Перед проведением опроса мы предоставили инструкции, чтобы попросить их ответить на опрос после того, как полностью вспомнили о недавнем конкурсе.Шкала содержит четыре субфактора (предшествующий фактор 3, пороговый фактор 4, фактор опыта 6 и фактор последствий 5). В этом исследовании факторы порога и опыта были определены как подходящие для целей этого исследования для измерения состояния потока спортсменов во время соревнований, поэтому шкала была изменена на 10 вопросов по двум факторам. Примеры пунктов в каждом факторе включают: «Я полностью сосредотачиваюсь на движении, которое делаю». и «Я могу вести игру, как хочу». Если вы хотите узнать больше об этих пунктах анкеты, см. Приложение 3.Подтверждающий факторный анализ был проведен для проверки достоверности конструкции, после чего мы удалили элементы с факторной нагрузкой 0,5 или меньше. Поэтому пороговый коэффициент был удален. После удаления семи пунктов было обнаружено, что все индексы согласия были соблюдены ( × 2 = 70,491, TLI = 0,937, CFI = 0,954, RMSEA = 0,096). Для шкалы состояния потока Cronbach α было пороговое значение 0,725, а значение опыта — 0,910. Чем выше оценка по этой шкале, тем выше уровень состояния потока.
Анализ данных
В этом исследовании для анализа данных использовались программы SPSS 26.0 и Amos 21.0. Во-первых, чтобы проверить достоверность и надежность инструментов измерения, с максимальной вероятностью был проведен подтверждающий факторный анализ и α Кронбаха. На основе этих результатов мы построили разделение элементов для каждого подфактора и приступили к дальнейшему анализу. Во-вторых, был проведен описательный статистический анализ, чтобы проверить общую тенденцию (среднее значение, стандартное отклонение, асимметрию и эксцесс) собранных данных и соблюдение предположений нормального распределения.В-третьих, был проведен корреляционный анализ для проверки взаимосвязи между измеряемыми переменными. В-четвертых, был проведен подтверждающий факторный анализ, чтобы определить, подходит ли исследовательская модель, созданная в этом исследовании. Впоследствии были рассчитаны надежность построения (CR) и извлечение средней дисперсии (AVE) для проверки пригодности модели исследования. Наконец, моделирование структурным уравнением (SEM) с максимальной вероятностью было проведено для проверки пригодности и модели исследования, а модель исследования была проверена на основе оцененных коэффициентов пути.Метод начальной загрузки использовался для проверки значимости косвенного эффекта (опосредованного эффекта).
Результаты
Описательная статистика и корреляции
Анализ описательной статистики и результаты корреляции для каждой переменной показаны в таблице 1. Среди субфакторов моделирования навык ( M = 5,00, SD = 1,38) показал самую высокую тенденцию, за которой следует стратегия ( M = 4.44, SD = 1,42) и производительности ( M = 4.53, SD = 1,45). Субфакторы самоэффективности показали высокую тенденцию в навыках ( M = 7,89, SD = 1,56) и производительности ( M = 7,89, SD = 1,56). В подфакторах состояния потока за порогом ( M = 4,57, SD = 0,91) последовал опыт ( M = 3,89, SD = 1,01). Значения асимметрии и эксцесса не превышали ± 2, что соответствует нормальности. Субфактор моделирования показал положительную корреляцию с субфакторами самоэффективности и состояния потока.Кроме того, взаимосвязь между субфакторами самоэффективности и состоянием потока показала положительную корреляцию.
Таблица 1 . Результат описательной статики и корреляций.
Проверка всего исследования Модель
Мы оценили факторную нагрузку, применив метод максимального правдоподобия, чтобы проверить конструктивную валидность всей исследовательской модели, и обнаружили, что индекс согласия исследовательской модели был хорошим ( х 2 = 24.341, df = 17, TLI = 0,989, CFI = 0,993, RMSEA = 0,048). Коэффициент стандартизации субфакторов, объясненных на основе потенциальных факторов, составил от 0,793 до 0,940, что указывает на подходящую объясняющую силу. Проверка конвергентной и дискриминационной валидности с помощью CR, значений AVE для субфакторов и коэффициента детерминации между концепциями (моделирование, самоэффективность и состояние потока) подтвердила конструктную валидность исследовательской модели (см. Таблицу 2).
Таблица 2 .Значения CR, AVE и определение коэффициентов для всей модели исследования.
Посреднические эффекты самоэффективности
Мы создали исследовательскую модель, которая проверила эффект самоэффективности как опосредующей переменной во взаимосвязи между моделированием и состоянием потока на ролевой модели спортсменов-подростков, и провели анализ модели структурных уравнений (SEM) для проверки этой модели. Для оценки пригодности модели исследования были рассчитаны TLI, CFI и RMSEA. Исследовательские модели, созданные в этом исследовании, оказались разумными, поскольку значения TLI, CFI и RMSEA все соответствовали индексам согласия ( × 2 = 24.341, df = 17, TLI = 0,989, CFI = 0,993, RMSEA = 0,048). Поскольку пригодность модели исследования была проверена, гипотеза данного исследования была проверена на основе коэффициентов пути, оцененных с помощью модели исследования. Оценка каждого параметра, приведенная в таблице 3, показала, что моделирование имеет значительную положительную связь с самоэффективностью и состоянием потока. Кроме того, самоэффективность имела значительную положительную связь с состоянием потока.
Таблица 3 . Параметр-оценочная стоимость каждого пути пути.
Между тем, чтобы проверить опосредующие эффекты самоэффективности во взаимосвязи между моделированием и состоянием потока, был проведен анализ моделирования структурным уравнением. Чтобы изучить опосредованные эффекты исследовательской модели, созданной в этом исследовании, косвенные эффекты были подтверждены с помощью анализа ботинок, предложенного Проповедником и Хейсом (2008). Статистическая значимость опосредующих эффектов была определена на основе 95% доверительного интервала, а количество образцов было установлено равным 1000 (Cheung and Lau, 2008).
Прямое влияние моделирования спортсменов-подростков на состояние кровотока ( β = 0,416, B = 0,244, p <0,01) и самоэффективность ( β = 0,479, B = 0,500, p <0,01) были значимыми, и прямое влияние самоэффективности на состояние кровотока ( β = 0,404, B = 0,227, p <0,01) также было значимым. Кроме того, косвенное влияние моделирования спортсменов-подростков на состояние кровотока ( β = 0.194, B = 0,114, p <0,01) было значимым, а частичный опосредованный эффект самоэффективности был значительным. То есть было показано, что спортсмены-подростки, имеющие образцы для подражания, положительно влияют на состояние потока через посредничество посредством самоэффективности (см. Таблицу 4; Рисунок 1).
Таблица 4 . Прямое и косвенное действие.
Рисунок 1 . Проверка гипотетической модели исследования.
Обсуждение
Это исследование было проведено с целью: (1) изучить, как использование моделирования с помощью ролевой модели спортсменами-подростками влияет на их самоэффективность и состояние потока, и (2) проверить структурную взаимосвязь моделирования, самоэффективности и набора состояний потока. как исследовательские теории.Основные выводы обсуждаются ниже.
Во-первых, было обнаружено, что моделирование с помощью ролевых моделей улучшает самоэффективность спортсменов-подростков. Замещающий опыт — это форма моделирования, которая включает получение информации о возможностях путем наблюдения за действиями других. Способности человека влияют на его или ее чувство собственной эффективности, но на самоэффективность также влияет наблюдение за работой или достижениями других людей. Например, когда игрок видит, что другие игроки с аналогичным телосложением и уровнем навыков успешно выступают, это убеждает их, что они тоже могут делать то же самое, и повышает их самоэффективность (Schunk et al., 1987). Кроме того, в этом исследовании мы изучили эффективность моделирования с помощью ролевых моделей, ограничив объект моделирования собственными ролевыми моделями спортсменов, поскольку ролевые модели могут влиять на поведение, познание и эмоции человека. Выбор положительного образца для подражания положительно влияет на самоэффективность, заключающуюся в способности действовать как образец для подражания. Этот вывод подтверждает результаты предыдущего исследования, которое показало, что ролевое моделирование улучшает ожидания результатов и стимулирует стремление к успеху в определенной области.Таким образом, предполагается, что ролевое моделирование может быть ключевым источником повышения самоэффективности у спортсменов-подростков.
Во-вторых, было обнаружено, что самоэффективность спортсменов-подростков оказывает положительное влияние на состояние потока. Хотя было проведено мало эмпирических исследований самоэффективности и плавности спортсменов, она связана со спортивной уверенностью, что очень похоже на самоэффективность, а самоэффективность положительно коррелирует со спортивной уверенностью. Всесторонне глядя на результаты предыдущих исследований, можно сделать вывод, что высокий уровень самоэффективности улучшает ожидания успеха и уверенность в себе, и что улучшенная самоэффективность может служить ведущей переменной для улучшения состояния потока во время соревнований.
В-третьих, в этом исследовании моделирование с помощью ролевой модели оказало положительное влияние на состояние потока. Хотя существует не так много предшествующих исследований, показывающих, что моделирование влияет на поток, Квон и Шин (2020) сообщили, что обучение с использованием наблюдений (например, моделирование) оказало положительное влияние на поток, и отметили, что вспомогательная обработка обучения с помощью наблюдений теоретически может повлиять на поток. То есть процесс выбора ролевых моделей и последующего наблюдения за выбранными моделями для имитации определенных навыков или поведения может быть связан с четкой фокусировкой на целях и задачах, которые упоминаются как важный элемент для выражения опыта потока.Между тем, Баккер (2005) сообщил, что чем больше у учителя музыки опыта потока, тем чаще у студентов ощущается поток, и они сказали, что так же, как эмоции заразительны, поток также может быть заразным. Таким образом, в процессе перехода таких эмоций учащиеся могут бессознательно или сознательно имитировать, чего можно достичь с помощью счастливых и веселых эмоций учителя. Хотя это исследование не проводилось в спортивном контексте, результаты исследования могут предоставить механизм, позволяющий сделать вывод о взаимосвязи между моделированием и состоянием потока.
Наконец, связь между использованием ролевого моделирования спортсменами-подростками и состоянием потока была подтверждена путем создания структурной модели, в которой самоэффективность опосредована. Был подтвержден опосредующий эффект самоэффективности. Эти структурные отношения можно интерпретировать с помощью результатов предыдущих исследований, обсужденных ранее. Метод моделирования, при котором люди выбирают свои собственные образцы для подражания, наблюдают и подражают им, повышает самоэффективность и формирует у человека веру в то, что он может достичь того, чего добился образец для подражания, повышая ожидания успеха и мотивируя их упорно трудиться для достижения своих целей. цели.По сути, ролевые модели обеспечивают сильную мотивацию для достижения четко определенных целей, которые необходимы для возникновения состояния потока.
Ограничения и дальнейшие исследования
Есть некоторые ограничения и рекомендации, которые следует учитывать при будущих исследованиях. Во-первых, в этом исследовании соотношение полов было установлено на основе данных Корейского спортивного и олимпийского комитета. Следовательно, последующие исследования необходимо распространить на множество дисциплин с соответствующим количеством образцов для каждой дисциплины.Необходимо провести дальнейшие исследования, чтобы обобщить результаты, добавив спортсменок и различные виды спорта и спортивные мероприятия.
Во-вторых, моделирование с помощью ролевых моделей не всегда увеличивает самоэффективность и состояние потока. Кто является образцом для подражания и насколько он похож на самого себя, — это переменная, которая может повлиять на эффективность моделирования для подражания, и ее следует принимать во внимание. Чтобы ролевое моделирование улучшало самоэффективность и производительность, образец для подражания должен быть похож на человека.Джордж и др. (1992) обнаружили, что большее сходство с образцом для подражания оказывает более положительное влияние на самоэффективность и производительность по сравнению с низким сходством. Хотя это исследование проводилось на типичной популяции, его можно применить и к спортсменам. В этом исследовании сходство с ролевыми моделями не было установлено в качестве фоновых переменных, но будущие исследования должны учитывать влияние сходства между спортсменами и их ролевыми моделями с точки зрения пола, возраста, моторики и т. Д.
В-третьих, основная цель спортивной психологии — как достичь максимальной производительности.В этом исследовании эффективность пиковых результатов спортсменов-подростков была подтверждена на опыте состояния потока. Csikszentmihalyi (1985) отмечал, что если спортсмен выступал с максимальной производительностью, можно считать, что он находится в состоянии потока. Однако состояние потока не обязательно приводит к максимальной производительности, потому что максимальная производительность по-разному распознается и интерпретируется каждым спортсменом. Поэтому, если в будущих исследованиях будут выбраны виды спорта, в которых результаты могут быть измерены с помощью объективных показателей, таких как гольф и легкая атлетика, и сравнить их с результатами, полученными в состоянии потока, мы получим более разнообразные и разумные результаты.
Заявление о доступности данныхОригинальные материалы, представленные в исследовании, включены в статью / дополнительный материал, дальнейшие запросы можно направить соответствующему автору.
Заявление об этике
Исследования с участием людей были рассмотрены и одобрены институциональным наблюдательным советом Сеульского национального университета. Письменное информированное согласие на участие в этом исследовании было предоставлено законным опекуном / ближайшими родственниками участников.
Авторские взносы
SK участвовал в обзоре литературы и наблюдении. JA проанализировал и интерпретировал данные. С.Л. написал первоначальный черновик и отредактировал рукопись. Все авторы прочитали и согласились с опубликованной версией рукописи.
Конфликт интересов
Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.
Дополнительные материалы
Дополнительные материалы к этой статье можно найти в Интернете по адресу: https: // www.frontiersin.org/articles/10.3389/fpsyg.2021.661557/full#supplementary-material
Список литературы
Баккер, А. Б. (2005). Поток среди учителей музыки и их учеников: пересечение пиковых переживаний. J. Vocat. Behav. 66, 26–44. DOI: 10.1016 / j.jvb.2003.11.001
CrossRef Полный текст | Google Scholar
Бандура, А. (1986). Социальные основы мысли и действия . Энглвуд Клиффс, Нью-Джерси: Prenctice Hall, 23–28.
Google Scholar
Бандура, А.(1997). Самоэффективность: осуществление контроля . Нью-Йорк: Фриман.
Google Scholar
Кэтли Д. и Дуда Дж. Л. (1997). Психологические предшественники частоты и интенсивности тренировок у игроков в гольф. Внутр. J. Sport Psychol. 28, 309–322.
Google Scholar
Cheung, G. W., and Lau, R. S. (2008). Тестирование опосредованных и подавляющих эффектов латентных переменных: бутстреп с моделями структурных уравнений. Орган. Res. Методы 11, 296–325.DOI: 10.1177 / 1094428107300343
CrossRef Полный текст | Google Scholar
Коннолли, Дж. Дж. (2017). Применение социальной когнитивной теории в обучении спортсменов: сила положительных ролевых моделей. Стратегии 30, 23–29.
Google Scholar
Краст, Л., Суонн, К. (2013). Взаимосвязь между психологической стойкостью и диспозиционным потоком. евро. J. Sport Sci. 13, 215–220. DOI: 10.1080 / 17461391.2011.635698
CrossRef Полный текст | Google Scholar
Чиксентмихайи, М.(1975). За пределами скуки и беспокойства: ощущение потока в работе и игре . Издательство Jossey-Bass: Сан-Франциско, Вашингтон, Лондон.
Google Scholar
Камминг, Дж., Кларк, С. Е., Сте-Мари, Д. М., МакКаллаг, П., и Холл, К. (2005). Функции анкеты наблюдательного обучения. Набор данных PsycTESTS.
Google Scholar
Фельц, Д. Л., и Лиргг, К. Д. (2001). «Убеждения спортсменов, команд и тренеров в самоэффективности» в Справочнике по спортивной психологии .Vol. 2. ред. Р. Н. Сингер, Г. А. Хаузенблас и К. Джанель (Нью-Йорк: John Wiley & Sons). 340–361.
Google Scholar
Фитцсиммонс П. А., Ландерс Д. М., Томас Дж. Р. и ван дер Марс Х. (1991). Предсказывает ли самоэффективность результативность опытных тяжелоатлетов? Res. В. Упражнение. Спорт 62, 424–431. DOI: 10.1080 / 02701367.1991.10607544
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Флетт М. Р. (2015). Связан ли поток с положительными эмоциями или оптимальной производительностью? Анализ пути баланса между вызовом и умением и чувствами. Sport Sci. Ред. 24, 5–26. DOI: 10.1515 / ssr-2015-0006
CrossRef Полный текст | Google Scholar
Джордж Т. Р., Фельц Д. Л. и Чейз М. А. (1992). Влияние сходства моделей на самоэффективность и мышечную выносливость: второй взгляд. J. Sport Exerc. Psychol. 14, 237–248. DOI: 10.1123 / jsep.14.3.237
CrossRef Полный текст | Google Scholar
Hackett, G., and Betz, N.E. (1981). Самоэффективный подход к развитию карьеры женщин. J. Vocat. Behav. 18, 326–339. DOI: 10.1016 / 0001-8791 (81) -1
CrossRef Полный текст | Google Scholar
Хубер, Дж. Дж. (2013). Применение педагогической психологии в тренировках спортсменов. Шампейн, Иллинойс: Кинетика человека.
Google Scholar
Ингалл, К. К. (1997). Метафоры, карты и зеркала: нравственное воспитание в средних школах . Гринвич: C.T. Ablex Publishing Corporation.
Google Scholar
Джексон, С.А., Томас, П.Р., Марш, Х. У. и Сметерст, К. Дж. (2001). Взаимосвязь между потоком, самооценкой, психологическими навыками и производительностью. J. Appl. Sport Psychol. 13, 129–153. DOI: 10.1080 / 104132001753149865
CrossRef Полный текст | Google Scholar
Кауфман, К. А., Гласс, К. Р., и Арнкофф, Д. Б. (2009). Оценка осознанного повышения спортивных результатов (MSPE): новый подход к продвижению тренировок у спортсменов. J. Clin. Sport Psychol. 3, 334–356. DOI: 10.1123 / JCSP.3.4.334
CrossRef Полный текст | Google Scholar
Квон, С. Х. (2008). Концептуализация спортивного потока и разработка шкалы его измерения. [докторская диссертация]. [Сеул]: Сеульский национальный университет.
Google Scholar
Квон, С. Х., Чой, Дж. С., и Шин, Дж. Т. (2018). Исследование психологических сил сильнейшего фигуриста отразилось на его пути к Олимпийским играм. Korean J. Sports Sci. 29, 203–221. DOI: 10.24985 / kjss.2018.29.1.203
CrossRef Полный текст | Google Scholar
Квон, Т. Ю., и Шин, М. Дж. (2020). Влияние измерения атрибуции на поток путем выигрыша и проигрыша: эффекты двойного опосредования: аффект и обучение через наблюдение. Korean J. Sport Psychol. 31, 1–11. DOI: 10.14385 / KSSP.31.1.1
CrossRef Полный текст | Google Scholar
Ло, Б., и Холл, К. (2009). Использование обучения с наблюдением и убеждения в самоэффективности у взрослых новичков в спорте. Psychol.Спортивные упражнения. 10, 263–270. DOI: 10.1016 / j.psychsport.2008.08.003
CrossRef Полный текст | Google Scholar
Локвуд П. и Кунда З. (1999). Повышение самобытности может подорвать вдохновение выдающимися образцами для подражания. J. Pers. Soc. Psychol. 76: 214. DOI: 10.1037 / 0022-3514.76.2.214
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Манзо, Л. Г., Илва, Дж. М., и Минк, Р. (2001). Инвентарь спортивной уверенности Каролины. J. Appl. Sport Psychol. 13, 260–274. DOI: 10.1080 / 104132001753144400
CrossRef Полный текст | Google Scholar
Моргенрот Т., Райан М. К. и Петерс К. (2015). Мотивационная теория ролевого моделирования: как ролевые модели влияют на ролевые цели претендентов. Rev. Gen. Psychol. 19, 465–483. DOI: 10.1037 / gpr0000059
CrossRef Полный текст | Google Scholar
Мориц, С. Э., Фельц, Д. Л., Фарбах, К. Р., и Мак, Д. Э. (2000). Отношение показателей самоэффективности к спортивным результатам: метааналитический обзор. Res. В. Упражнение. Спорт 71, 280–294. DOI: 10.1080 / 02701367.2000.10608908
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Пейтс, Дж., Оливер, Р. и Мейнард, И. (2001). Влияние гипноза на состояние потока и эффективность игры в гольф. J. Appl. Sport Psychol. 13, 341–354. DOI: 10.1080 / 104132001753226238
CrossRef Полный текст | Google Scholar
Пино, Т. Р., Гласс, К. Р., Кауфман, К. А., и Бернал, Д. Р. (2014).Убеждения гребцов в эффективности самих себя и команды и их отношение к внимательности и плавности хода. J. Clin. Sport Psychol. 8, 142–158. DOI: 10.1123 / jcsp.2014-0019
CrossRef Полный текст | Google Scholar
Проповедник, К. Дж., И Хейс, А. Ф. (2008). Стратегии асимптотики и повторной выборки для оценки и сравнения косвенных эффектов в моделях с несколькими посредниками. Behav. Res. Методы 40, 879–891.
PubMed Аннотация | Google Scholar
Шунк, Д.Х. (1989). «Социальная когнитивная теория и саморегулируемое обучение» в серии Springer по когнитивному развитию . изд. Б. Дж. Циммерман, 83–110.
Google Scholar
Шунк Д. Х., Хэнсон А. Р. и Кокс П. Д. (1987). Атрибуты модели сверстников и успеваемость детей. J. Educ. Psychol. 79:54. DOI: 10.1037 / 0022-0663.79.1.54
CrossRef Полный текст | Google Scholar
Сингх Т. Д., Бхардвадж Г. и Бхардвадж В. (2009). Влияние самоэффективности на результаты спортсменов. J. Exerc. Sci. Физиотер. 5: 110.
Google Scholar
Старек, Дж., И МакКаллаг, П. (1999). Влияние самомоделирования на результаты начинающих пловцов. Sport Psychol. 13, 269–287. DOI: 10.1123 / чайная ложка 13.3.269
CrossRef Полный текст | Google Scholar
Суонн, К., Киган, Р. Дж., Пигготт, Д., и Краст, Л. (2012). Систематический обзор опыта, возникновения и управляемости состояний потока в спорте высших достижений. Psychol.Спортивные упражнения. 13, 807–819. DOI: 10.1016 / j.psychsport.2012.05.006
CrossRef Полный текст | Google Scholar
Вили Р. С., Гарнер-Холман М., Хаяши С. В. и Джакобби П. (1998). Источники уверенности в спорте: концептуализация и разработка инструментов. J. Sport Exerc. Psychol. 20, 54–80. DOI: 10.1123 / jsep.20.1.54
CrossRef Полный текст | Google Scholar
Вайс, М. Р., МакКаллаг, П., Смит, А. Л., и Берлант, А. Р. (1998). Наблюдательное обучение и боязливый ребенок: влияние моделей сверстников на эффективность плавания и психологические реакции. Res. В. Упражнение. Спорт 69, 380–394. DOI: 10.1080 / 02701367.1998.10607712
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Янси, А. К. (1998). Формирование положительного образа себя у подростков в приемных семьях: использование ролевых моделей в интерактивном групповом подходе. Подростковый возраст 33, 253–268.
PubMed Аннотация | Google Scholar
уроков, извлеченных из количественного динамического моделирования в системной биологии
Abstract
Из-за высокой сложности биологических данных трудно распутать клеточные процессы, полагаясь только на интуитивную интерпретацию измерений.Подход системной биологии, сочетающий количественные экспериментальные данные с динамическим математическим моделированием, обещает дать более глубокое понимание этих процессов. Тем не менее, с ростом сложности и увеличения количества количественных экспериментальных данных построение реалистичных и надежных математических моделей может стать сложной задачей: качество экспериментальных данных должно оцениваться объективно, неизвестные параметры модели должны оцениваться на основе экспериментальных данных, а численные расчеты должны быть точными и эффективными.
Здесь мы обсуждаем, сравниваем и характеризуем производительность вычислительных методов на протяжении всего процесса количественного динамического моделирования с использованием двух ранее установленных примеров, для которых доступны количественные экспериментальные данные с разрешением по дозе и времени. В частности, мы представляем подход, который позволяет определять качество экспериментальных данных эффективным, объективным и автоматизированным способом. Используя этот подход, данные, полученные с помощью различных методов измерения и даже в единичных повторах, можно надежно использовать для математического моделирования.Для оценки неизвестных параметров модели проводилось систематическое сравнение производительности различных алгоритмов оптимизации. Наши результаты показывают, что детерминированная оптимизация на основе производной, использующая уравнения чувствительности в сочетании со стратегией с несколькими запусками, основанной на выборке латинского гиперкуба, превосходит другие методы на порядки по точности и скорости. Наконец, мы исследовали преобразования, которые дают более эффективную параметризацию модели и, следовательно, приводят к дальнейшему повышению эффективности оптимизации.Мы предоставляем свободно доступный программный пакет с открытым исходным кодом, который реализует алгоритмы и примеры, сравниваемые здесь.
Образец цитирования: Рауэ А., Шиллинг М., Бахманн Дж., Маттесон А., Шелке М., Кашек Д. и др. (2013) Уроки, извлеченные из количественного динамического моделирования в системной биологии. PLoS ONE 8 (9): e74335. https://doi.org/10.1371/journal.pone.0074335
Редактор: Энрике Эрнандес-Лемус, Национальный институт геномной медицины, Мексика
Поступила: 8 мая 2013 г .; Одобрена: 31 июля 2013 г .; Опубликовано: 30 сентября 2013 г.
Авторские права: © 2013 Raue et al.Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.
Финансирование: Эта работа была поддержана Федеральным министерством образования и исследований Германии [Virtual Liver (грант № 0315766), LungSys II (грант № 0316042G)], Инициативным и сетевым фондом Ассоциации Гельмгольца в рамках Альянс Гельмгольца по системной биологии (SBCancer DKFZ I.2, V.2 и CoReNe HMGU), Инициативу совершенства Федерального правительства и правительств земель (EXC 294) и Европейского исследовательского совета (стартовый грант «LatentCauses»). Плата за обработку статьи была профинансирована фондом публикаций открытого доступа Университета Альберта Людвига во Фрайбурге. Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.
Конкурирующие интересы: BH работает в коммерческой компании (Merrimack Pharmaceuticals).Это не влияет на соблюдение авторами всех политик PLOS ONE в отношении обмена данными и материалами.
Введение
Биологические процессы, такие как регуляция клеточных решений путями передачи сигнала и последующая экспрессия целевого гена, регулируются очень сложными молекулярными механизмами. Эти взаимосвязанные процессы трудно понять, интерпретируя результаты экспериментов напрямую, поскольку лежащий в их основе механизм может быть довольно противоречивым.В контексте системной биологии динамические модели, состоящие из обыкновенных дифференциальных уравнений (ОДУ), являются часто используемым подходом, который облегчает систематический анализ механизма действия. Например, можно исследовать клеточный ответ на возмущения в молекулярных реакциях. Преимущество построения математической модели состоит в том, что молекулярные механизмы, которые должны управлять соответствующим процессом, должны быть сформулированы явно. Это позволяет проверить гипотезу о предполагаемой сетевой структуре молекулярных взаимодействий [1] и спрогнозировать поведение систем, недоступное для экспериментов напрямую [2].Однако узким местом для успешного математического описания биологических процессов клетки являются эффективные и надежные численные методы. Далее мы представляем количественное динамическое моделирование, а затем представляем результаты того, как решались проблемы в процессе построения и калибровки модели.
Биологический контекст примеров моделирования
Два недавних приложения, различающиеся размером имеющихся наборов экспериментальных данных и математической модели, были использованы в качестве примеров (рис. 1).Первым примером является математическая модель, описывающая связывание гормона эритропоэтина (Epo) с его мембранным рецептором (EpoR) и его последующий перенос [2]. Второй пример представляет собой модель Epo-индуцированного сигнального пути JAK2 / STAT5, который в основном состоит из цитоплазматической тирозинкиназы JAK2 и латентного транскрипционного фактора STAT5 [7]. Исследованные процессы, которые варьируются от взаимодействий лиганда с рецептором до индукции транскрипции регуляторов отрицательной обратной связи, были изучены с помощью различных экспериментальных подходов.Отдельные примеры экспериментальных данных и моделирования показаны на фиг. 2. Для модели рецептора Epo использовали радиоактивно меченый лиганд для мониторинга концентраций Epo в различных компартментах клетки. Анализы связывания использовали для определения аффинности связывания рецептора Epo. Для модели JAK2 / STAT5 данные были получены (i) с помощью количественного иммуноблоттинга, дающего данные о зависимости от времени для белков и соответствующего фосфорилирования [8], (ii) с помощью qRT-PCR, обеспечивающего измерения экспрессии мРНК с временным разрешением и (iii) методом количественной масс-спектрометрии, который выявил относительную степень фосфорилирования [9].Абсолютные концентрации белка определяли с использованием серийных разведений стандартов белка в подходе иммуноблоттинга. Кроме того, использовались различные экспериментальные условия, такие как увеличение концентрации лиганда и обработка ингибиторами. С помощью этих качественно и количественно различных данных математические модели могут быть созданы, а также откалиброваны более надежно.
Рисунок 1. Количественные динамические модели, описывающие передачу сигналов эритропоэтина, используемые в качестве примеров.
Гормон эритропоэтин (Epo) является ключевым регулятором эритропоэза, производства красных кровяных телец. ( a ) Модель рецептора Epo [2]. Модель описывает взаимодействие и перемещение гормона и его мембранного рецептора (EpoR). Активный комплекс Epo_EpoR может быть интернализован (Epo_EpoR) и либо возвращается обратно в клеточную мембрану, либо разрушается (dEpo, dEpo). ( b ) Модель Epo-индуцированной передачи сигналов JAK2 / STAT5 [7]. В эритроидных клетках-предшественниках (CFU-E) гормон Epo индуцирует активацию тирозинкиназы Janus kinase 2 (JAK2).Впоследствии преобразователь сигнала и активатор белка транскрипции 5 (STAT5) активируется и перемещается в ядро, где вызывает экспрессию целевого гена. Два целевых гена кодируют регуляторы отрицательной обратной связи, супрессор передачи сигналов цитокинов 3 (SOCS3) и цитокин-индуцибельный Sh3-содержащий белок (CIS).
https://doi.org/10.1371/journal.pone.0074335.g001
Рис. 2. Данные, полученные с помощью различных экспериментальных подходов, связанные с ними шум измерения и соответствующее моделирование динамики пути.
Сплошные линии показывают динамику моделируемой модели с оптимальными значениями параметров. Затенение серым цветом указывает на одно стандартное отклонение шума измерения, связанное с соответствующим методом измерения. (a, b) Данные для модели рецептора Epo [2], отображаются 36 из 85 общих точек данных, используемых для оценки параметров. (c, d, e, f) Данные для модели JAK2 / STAT5 [7], отображаются 92 из 541 точек данных, используемых для оценки параметров.
https: // doi.org / 10.1371 / journal.pone.0074335.g002
Количественные измерения для калибровки модели
Часто не все желаемые молекулярные соединения можно измерить напрямую или индивидуально. Иммуноанализы ограничены доступностью и специфичностью антител. Например, фосфорилирование отдельных белков и белков, связанных в комплексы, часто невозможно отличить с помощью измерений иммуноблоттинга, может быть доступна только их сумма. Чтобы сравнить динамику модели, смоделированную для возможных значений параметров, см. Уравнение (1), с этими экспериментальными данными, динамические переменные отображаются в наблюдаемые (2) через функцию.Наблюдаемые — это величины, которые можно измерить в экспериментах в определенные моменты времени. Они могут зависеть от дополнительных параметров, которые включены, например, параметров масштабирования или смещения в случае относительных данных или фона измерений. Обычно количество наблюдаемых меньше, чем количество молекулярных соединений.
Для каждой наблюдаемой соответствующие экспериментальные данные содержат шум измерения. Для измерения концентрации с помощью биохимических анализов разумно предположить, что шум измерения имеет мультипликативное логарифмически нормальное распределение.Для данных, полученных с помощью экспериментов иммуноблоттинга, было явно показано, что шум измерения имеет логнормальное распределение [10]. Кроме того, было показано, что биологическая изменчивость, содержащаяся в данных, также имеет нормальное логарифмическое распределение [11]. Для оценки параметров более удобен аддитивный нормально распределенный измерительный шум. Логарифмическое преобразование как экспериментальных данных, так и наблюдаемых дает аддитивный нормально распределенный шум измерений с. В дальнейшем и уже обозначим log-10 преобразованных значений.Однако компоненты дисперсии шума измерения часто неизвестны априори .
Результаты
Эффективное численное моделирование количественных динамических моделей
Система нелинейных ОДУ, см. Уравнение (1), которая реализует биологические процессы, должна быть решена численно. Временные масштабы скорости реакции молекулярных процессов могут различаться на порядки. Следовательно, следует применять жесткий решатель ODE. Мы использовали алгоритм CVODES [14], который для эффективности был написан на C в сочетании с mex-интерфейсом MATLAB.Для каждого из экспериментальных условий система ODE должна быть изменена в соответствии с применяемым лечением. Например, для модели JAK2 / STAT5 дополнительная обработка актиномицином D ингибирует транскрипцию регуляторов отрицательной обратной связи SOCS3 и CIS и, следовательно, модифицирует систему ODE. Следовательно, может быть столько же вариантов систем ОДУ, сколько экспериментальных условий, каждый из которых имеет различное численное решение для динамики. Для одного сравнения всей модели с экспериментальными данными, учитывая конкретный набор параметров-кандидатов, необходимо решить все варианты ODE.Во время оценки параметров необходимо множество оценок всей модели. Это может быть трудоемкая задача. Все варианты ODE могут быть решены независимо, поэтому эта задача идеальна для параллельных вычислений. Мы использовали технику многопоточности, которая приводит к значительному ускорению на многоядерных машинах.
Для модели JAK2 / STAT5 необходимо одновременно решать 24 варианта ODE. В этом случае 2-ядерная машина дает ускорение примерно в 2 раза, 4-ядерная машина дает ускорение примерно в 2-3 раза, 8-ядерная машина дает ускорение примерно в 2-6 раз ( Рисунок 3).Для большего количества ядер накладные расходы из-за создания потоков и разного времени выполнения отдельных потоков ограничивают ускорение вычислений.
Рисунок 3. Ускорение численных вычислений для решения систем ODE с помощью многопоточности.
Для каждого столбца на рисунке 24 варианта систем ODE, используемых для модели JAK2 / STAT5, были решены для 1000 случайно выбранных наборов параметров с использованием стратегии выборки латинского гиперкуба. Теоретически возможное ускорение показано красной пунктирной линией.
https://doi.org/10.1371/journal.pone.0074335.g003
Важность оценки шума при измерениях
При количественном динамическом моделировании математическая модель калибруется на основе экспериментальных данных. Экспериментальные данные содержат шум измерения. Для реалистичной калибровки динамической модели важна адекватная оценка шума измерения. Величина шума зависит от метода измерения (рисунок 2).Например, антитела, используемые при иммуноблоттинге, различаются по своей специфичности. Кроме того, на уровень шума влияет биологический контекст эксперимента. Например, в экспериментах с первичными клетками доступный материал ограничен по сравнению с экспериментами с использованием клеточных линий. Кроме того, биохимические анализы, такие как иммуноблоттинг, qRT-PCR или масс-спектрометрия, требуют больших затрат времени и средств. Часто доступно не более трех повторов эксперимента, что затрудняет надежную оценку параметров.
Дисперсия измерительного шума управляет оценками параметров путем ввода правдоподобия, см. Уравнение (3). Следовательно, реалистичный выбор компонентов дисперсии имеет решающее значение для получения надежных оценок параметров модели и неопределенностей, связанных с этим процессом оценки. Были исследованы два подхода к оценке шума измерений:
- Стандартный подход — это оценка дисперсии непосредственно на основе результатов измерений, как предварительная обработка данных.Однако в случае небольшого числа повторов измерений этот подход приводит к сильно различающимся оценкам. В случае единичных повторов это невозможно.
- В качестве альтернативы дисперсия шума измерения может быть оценена одновременно с динамикой модели. С этой целью распределение шума измерения рассматривается как параметризованная функция (4)
Эти дополнительные параметры, которые представляют величину шума, оцениваются одновременно с остальными параметрами модели.Такой подход облегчает объективную и автоматизированную оценку шума измерения и фактических параметров модели. Разумные результаты также могут быть получены при отсутствии повторов измерений. Шум измерения, оцененный с помощью этого подхода, показан на рисунке 2 серой штриховкой.
Для систематического исследования эффективности обоих подходов, т. Е. Анализа систематической ошибки и дисперсии, вызванной оценкой параметров, используется имитационное исследование, в котором известны истинные значения параметров.Исследуется простой тестовый пример с двумя реакциями: A B с константой скорости k и B A с константой скорости k. Также начальные условия A = A и B = B оцениваются по данным. Экспериментальные данные моделируются для и для моментов времени в трех экземплярах и с абсолютным и относительным шумом измерения в зависимости от того, где, и. Для подхода предварительной обработки для каждого момента времени и дисперсия оценивается индивидуально из трех повторений и используется в оценке параметра с помощью. Для одновременной оценки при оценке параметров используется параметризованная функция и.Здесь и входят и оцениваются одновременно с остальными параметрами. Оба подхода дают несмещенные результаты, однако подход предварительной обработки вызывает значительно более высокую дисперсию оцениваемых параметров, чем одновременная оценка (рис. 4a, b). Даже оценка параметров с использованием истинных значений для и ненамного лучше, чем метод одновременной оценки (рис. 4c).
Результаты показывают, что одновременная калибровка динамики модели и шума измерений за один шаг способствует статистически более точной оценке параметров модели, чем использование предварительной обработки экспериментальных данных.
Производительность алгоритмов численной оптимизации
Для калибровки модели все неизвестные параметры, включая параметры, содержащиеся в распределении шума измерения, должны быть оценены на основе экспериментальных данных. Оценка параметров включает процедуру оптимизации, которая изменяет все неизвестные параметры для получения наилучшего представления данных моделью. Оптимальные значения параметров могут быть определены путем оценки максимального правдоподобия. Минимизация отрицательного логарифма правдоподобия математически эквивалентна максимизации правдоподобия, потому что логарифм является монотонно возрастающей функцией.Минимизация логарифма правдоподобия дает те же оценки параметров, но дает значительные преимущества в эффективности. В дальнейшем мы будем называть отрицательную логарифмическую вероятность целевой функцией. Учитывая два набора параметров, тот, который имеет меньшую связанную целевую функцию, является тем, который обеспечивает лучшее согласие между моделью и экспериментальными данными.
Распространенной проблемой при оценке параметров динамических моделей является наличие нескольких оптимумов, то есть нескольких областей притяжения в целевой функции.В качестве иллюстративного примера [15] целевая функция двумерного пространства параметров, содержащего четыре оптимума, состоящих из одного глобального оптимума (A) и трех локальных оптимумов (B, C, D), отображается на рисунке 5a. В общем, есть три подхода к этой проблеме:
Рисунок 5. Анализ эффективности оценки параметров с использованием методов численной оптимизации.
( a ) Двумерная задача оценки параметров [15], несущая несколько оптимумов (глобальный: A; локальный: B, C, D), отображается в иллюстративных целях.Отображаются кривые в пространстве параметров двух гипотетических методов с высокой (синий) и низкой производительностью (красный). Отображается 50 независимых прогонов с каждым методом; кружки обозначают результаты оценки. ( b ) Визуализация эффективности оптимизации путем возрастающей сортировки значений целевой функции также возможна для задач большой размерности. Он показывает, что эффективность красного метода низкая, т.е. результаты ненадежны, тогда как производительность синего метода высока, т.е.е. результаты воспроизводимы и надежны. ( c, d ) Визуализация производительности с использованием 100 независимых прогонов оптимизации с каждым из рассмотренных алгоритмов для обеих количественных динамических моделей. По наглядным причинам глобальный оптимум был сосредоточен на единице. Для стохастической оптимизации (серый цвет) использовалось 12 различных алгоритмов [18] (подробности см. На Рисунке 11). Для детерминированной оптимизации сравнивались два различных подхода к вычислению производных: (i) аппроксимация конечных разностей (красный цвет) и (ii) аналитически полученные уравнения чувствительности (оранжевый и синий).Первоначальные предположения для параметров были получены с помощью выборки из латинского гиперкуба [17]. Все алгоритмы описаны в таблице 1.
https://doi.org/10.1371/journal.pone.0074335.g005
- Алгоритмы стохастической оптимизации применяют сложные эвристики, которые случайным образом выбирают пространство параметров для оценки целевой функции. Благодаря стохастическому подходу эти методы с меньшей вероятностью застрянут в локальных минимумах. Это особенно выгодно для приложений, которые характеризуются множеством локальных оптимумов.Следовательно, они увеличивают вероятность обнаружения глобального оптимума, несмотря на локальные оптимумы. Обычно эти методы не оценивают производные целевой функции.
- Детерминированные алгоритмы оптимизации предпринимают шаги, которые последовательно уменьшают значение целевой функции, начиная с первоначального предположения для значений параметров [16]. Они оценивают производные целевой функции. Это приводит к более быстрой сходимости к оптимуму по сравнению со стохастическими алгоритмами.Однако в зависимости от изначально предполагаемых значений параметров детерминированный алгоритм оптимизации может сходиться к локальному, а не глобальному оптимуму. Это ограничение детерминированных алгоритмов оптимизации можно преодолеть, выполнив множество независимых прогонов оптимизации на основе случайно выбранных исходных предположений параметров. Такой подход «с несколькими запусками» способствует широкому охвату пространства поиска параметров для нахождения глобального оптимума. Выборка латинского гиперкуба [17] исходных предположений параметров может использоваться, чтобы гарантировать, что каждый прогон оценки параметра начинается в другом регионе в многомерном пространстве параметров.Этот метод запрещает случайную близость выбранных начальных точек друг к другу (Материалы и методы: выборка из латинского гиперкуба).
- Гибридные алгоритмы оптимизации используют комбинацию обеих стратегий. Сначала с помощью стохастической стратегии генерируются многообещающие наборы-кандидаты значений параметров. Затем наборы кандидатов дополнительно улучшаются с помощью детерминированной стратегии.
Мы провели всестороннее сравнение 15 методов оптимизации, выбранных из вышеперечисленных категорий (Таблица 1), используя оба примера.Было исследовано 12 различных алгоритмов стохастической оптимизации [18] (Материалы и методы: алгоритмы стохастической оптимизации). Для сравнения детерминированных методов мы применили алгоритм доверительной области [19] в сочетании с выборкой латинского гиперкуба и двумя разными подходами для вычисления производных целевой функции: конечно-разностная аппроксимация и аналитически выведенные уравнений чувствительности . Кроме того, мы оценили гибридный алгоритм рассеянного поиска [20], [21].Все алгоритмы применялись с настройками по умолчанию, рекомендованными для общих приложений.
Для оценки их надежности каждый метод применялся по 100 раз с различными предположениями начальных параметров. В идеале каждый прогон оптимизации должен достигать оптимума, локального или глобального. Надежные методы характеризуются воспроизводимостью одних и тех же результатов, например глобального оптимума A и локальных оптимумов B, C и D (рис. 5a, b). Эта оценка производительности позволяет охарактеризовать несколько оптимумов и визуализировать результаты для задач большого размера.Число повторений оптимизации следует выбирать достаточно большим, пока лучший метод не даст воспроизводимых результатов в удовлетворительном количестве случаев. В наших примерах 100 повторов было достаточно. С помощью этого метода можно четко и воспроизводимо различить несколько оптимумов для обоих примеров. В модели рецептора Epo мы обнаружили три локальных оптимума. В модели JAK2 / STAT5 было обнаружено пять локальных оптимумов. Для модели рецептора Epo меньшего размера гибридный алгоритм оптимизации работал одинаково хорошо, но метод имел значительно более высокие вычислительные затраты.Для многостартовой детерминированной оптимизации скорость сходимости к глобальному оптимуму связана с размером области притяжения глобального оптимума по сравнению с размером всего пространства поиска параметров. Для модели рецептора Epo доля составляет около 30-40%, для модели JAK2 / STAT5 только около 10%. Наше сравнение показывает, что детерминированная оптимизация с несколькими запусками с использованием уравнений чувствительности для вычислений производных лучше всего работает для обоих примеров (рис. 5c, d) и подходит для этих примеров.
Все алгоритмы оптимизации также сравнивались по скорости вычислений. Это показало, что детерминированная оптимизация с несколькими запусками с использованием уравнений чувствительности также является наиболее эффективным с вычислительной точки зрения подходом (рис. 6).
Производные, используемые в алгоритмах детерминированной оптимизации
Детерминированные алгоритмы оптимизации, такие как LSQNONLIN (MATLAB, R2011a, The Mathworks Inc., Натик, Массачусетс), которые применяются здесь, требуют производных целевой функции, см. Уравнение (3), относительно параметров.Важно использовать надежные и эффективные числовые значения для расчета производных, поскольку они приведут метод оптимизации к оптимальному. Для этого расчета требуются внутренние производные, также называемые чувствительностью . Были исследованы два подхода к расчету чувствительности:
- Конечно-разностное приближение — это стандартный подход, в котором траектории модели вычисляются для возмущенных параметров (5), здесь — единичный вектор и его следует выбирать достаточно малым.Для моделей ODE этот подход приводит к значительной численной нестабильности, поскольку решатель ODE может только численно аппроксимировать его. Здесь использовалась абсолютная и относительная терпимость. Как и должно быть, числовая ошибка разности двух зашумленных решений может преобладать (рисунок 7). Обратите внимание, что не существует универсального способа выбора, который приводил бы к наименьшему количеству ошибок.
- Уравнения чувствительности представляют собой дополнительные ОДУ (6) для производных [22], которые решаются одновременно с исходной системой ОДУ, см. Уравнение (1).Эффективным алгоритмом решения расширенной системы ОДУ является решатель CVODES [14]. Есть некоторые числовые свойства, которые позволяют повысить производительность решения расширенной системы ОДУ. Например, уравнения чувствительности наследуют жесткость исходной системы ODE, поэтому адаптивное управление размером шага для расширенной системы ODE может быть выбрано таким же, как и в исходной системе. Более того, матрица Якоби правой части уравнений чувствительности строится блок за блоком из матрицы Якоби исходной системы ОДУ.В нашем моделировании вычисление производных по уравнениям чувствительности происходит в десять раз быстрее, чем с помощью конечно-разностного приближения.
Наши результаты показывают, что использование конечно-разностной аппроксимации производных при оптимизации приводит к ненадежным результатам (рис. 5c, d). Численные неточности в производных (рис. 7) ответственны за неточность в направлении поиска алгоритма и, следовательно, приводят к преждевременному завершению процедуры оптимизации [23].Расчет производных с использованием уравнений чувствительности не только надежнее, но и значительно быстрее. Для модели JAK2 / STAT5 расчет примерно в десять раз быстрее по сравнению с приближением конечных разностей.
Разделение параметров с помощью масштабных инвариантов
Каждая модель ODE, соответствующая реакционной сети, реализована в виде уравнений, описывающих величины, несущие физические единицы. Такая модель ODE имеет внутреннюю масштабирующую инвариантность, происходящую из свободного выбора единиц.Эта инвариантность может быть использована для разделения параметров, которые несут единицы времени, такие как константы скорости и единицы концентрации, такие как начальные концентрации, константы диссоциации или параметры масштабирования. Соответствующая репараметризация не ограничивает динамику модели и также известна как обезразмеривание [24].
Давайте рассмотрим простой тестовый пример с двумя реакциями, A + B C с константой скорости k и C A + B с константой скорости k для наглядности. Начальные условия A = A и B = B рассматриваются как свободный параметр, тогда как предполагается, что C.Повторные параметризации, которые реализуют инвариантность, могут быть получены путем анализа размеров параметров. Параметр выражается как концентрация / время, как 1 / время, в то время как A и B выражаются как концентрация. Не умаляя общности, мы выбираем A для представления шкалы концентрации и используем повторные параметризации B = B A и k = kA. Новые параметры B и k больше не содержат единиц концентрации, B безразмерен, а единица k равна 1 / раз. Точно так же и без ограничения общности мы выбираем k для представления шкалы времени и используем повторную параметризацию k = kk, где новый параметр k теперь безразмерен.В результате репараметризации концентрационные и временные масштабы динамики распутываются (7), т.е. шкала концентрации контролируется исключительно A, а шкала времени — исключительно k (рис. 8 и 9). Преобразования параметров, а также обыкновенные дифференциальные уравнения для модели рецептора Epo и для модели JAK2 / STAT5 приведены в материалах и методах.
Рис. 8. Разделение параметров с использованием масштабной инвариантности концентрации.
На рисунке показана зависимость динамики исходной системы и повторно параметризованной системы от параметра A.В случае исходной системы (верхний ряд) параметр контролирует масштаб вида A, а также время, когда достигается устойчивое состояние. В случае репараметризованной системы (нижняя строка) параметр контролирует только и исключительно масштаб концентрации всей системы, не влияя на форму динамики.
https://doi.org/10.1371/journal.pone.0074335.g008
Рисунок 9. Разделение параметров с использованием инвариантности шкалы времени.
На рисунке показана зависимость динамики исходной системы и повторно параметризованной системы от параметра k и k соответственно.В случае исходной системы (верхний ряд) параметр контролирует уровень установившегося состояния, а также время достижения установившегося состояния. В случае повторно параметризованной системы (нижняя строка) параметр контролирует только и исключительно временной масштаб всей системы, оставляя неизменной форму динамики, особенно уровень устойчивого состояния.
https://doi.org/10.1371/journal.pone.0074335.g009
Для большинства методов измерения наблюдаемые связаны с динамическими переменными масштабными коэффициентами (8)
Часто можно получить только относительные данные, например.грамм. концентрации мРНК с помощью qRT-PCR или концентрации белка с помощью иммуноблоттинга. В этом случае соответствующий параметр неизвестен и не может быть определен из этих экспериментальных данных. Масштабная инвариантность концентрации, проиллюстрированная в уравнении (7) и уравнении (8), прямо означает, что продукт также не может быть определен. Оба и в этом случае структурно не идентифицируются [25]. Эта структурная неидентифицируемость может быть обнаружена непосредственно из повторной параметризации. Как следствие, модельные прогнозы для величин, в которых отсутствует экспериментальная информация об абсолютной концентрации, могут быть сделаны только в относительном масштабе, например.грамм. Предсказание количества молекул мРНК в случае модели JAK2 / STAT5 невозможно. По крайней мере, одно измерение по шкале абсолютной концентрации необходимо, чтобы сделать прогнозы по абсолютной шкале. При использовании репараметризованной модели параметр, который соответствует, в этом случае может быть надежно зафиксирован на произвольном значении, не ограничивая динамику модели.
Все результаты, показанные ранее, были основаны на моделях с измененными параметрами с разобранными параметрами. Чтобы оценить положительный эффект разделения параметров на эффективность оценки параметров, было выполнено 100 независимых прогонов с использованием лучшего метода без повторной параметризации (рис. 5c, d).Для модели JAK2 / STAT5 оптимумы достигаются более эффективно и надежно за счет подгонки повторно параметризованной модели. Поскольку модель рецептора Epo меньше, производительность за счет репараметризации в этом случае существенно не улучшилась.
Учет неопределенностей в прогнозах модели
Как обсуждалось выше, важно, чтобы оценка параметров могла выполняться надежно и эффективно. Однако, если требуются прогнозы конкретной модели, поиск набора оптимальных значений параметров является только отправной точкой.Неопределенности измерения экспериментальных данных необходимо распространить на оцененные параметры и, в свою очередь, на прогнозы модели. В общем, есть два подхода к решению неопределенностей:
- Неопределенности можно исследовать в терминах анализа идентифицируемости параметров модели [26], наблюдаемости прогнозируемой динамики [27] и расчета доверительных интервалов [28]. Крайне важно, чтобы экспериментальные данные были достаточно информативными.В противном случае может возникнуть проблема неидентифицируемости параметра [26]. Неидентифицируемость параметра указывает на то, что его значение не может быть определено с учетом имеющихся данных, т.е. доверительные интервалы бесконечны. Как следствие, динамика модели и прогнозы, на которые влияет этот параметр, могут не быть определены, т.е. ненаблюдаемых [27], и последующий анализ может быть ненадежным. Чтобы преодолеть эту проблему, можно применить итерационный цикл анализа идентифицируемости, экспериментального плана и выполнения предложенных измерений.Для исследования доверительных интервалов и идентифицируемости параметров может использоваться подход профильного правдоподобия [26]. Для каждого параметра можно рассчитать профиль (9) индивидуально. Профили разбивают неопределенность, содержащуюся в высокой размерной вероятности следа в одном измерении. Совершенно плоский профиль указывает на структурный неидентифицируемый параметр. Используя желаемый уровень достоверности, по профилям можно различить практически неидентифицируемые и идентифицируемые параметры.В последнем случае доверительные интервалы оценки конечны и могут быть получены непосредственно из профиля. Поскольку рассчитываются только одномерные профили, этот подход к анализу идентифицируемости вычислительно применим для больших моделей, а его результаты легко визуализировать и интерпретировать. Похожая концепция, вероятность профиля прогноза, может быть использована для изучения наблюдаемости прогнозов модели [27].
- В качестве альтернативы, неопределенности в оценках параметров и в прогнозах модели могут быть оценены путем применения подходов Монте-Карло с цепью Маркова [29], которые облегчают выборку из апостериорного распределения параметров и прогнозов модели.Хотя выборочный подход может дать поучительные результаты, он может потребовать больших вычислительных затрат, особенно если рассматриваемое пространство параметров является многомерным.
Оба подхода были недавно описаны и сравнены в контексте количественных динамических моделей [30] — [32]. Эффективность выборки MCMC для 115-мерного пространства параметров модели JAK2 / STAT5 выигрывает от эффективной параметризации модели и численной реализации решателя ODE.В этом случае надежные результаты могут быть получены за приемлемое время вычислений. Было продемонстрировано, что они дают аналогичные результаты, однако (1) имеет лучшие характеристики на практике. Если точность желаемых прогнозов недостаточна, план эксперимента можно использовать для получения дополнительных экспериментальных данных, которые увеличивают предсказательную силу модели. Итерационный цикл между калибровкой модели, анализом неопределенности и планом эксперимента недавно был подробно продемонстрирован для модели рецептора Epo [25].
Выводы
Мы представили всестороннее обсуждение и сравнение методов, используемых для количественного динамического моделирования, используя два недавних примера соответствующих размеров и воздействия. Реализация примеров моделирования и исходный код методов находятся в свободном доступе и могут использоваться в качестве справочника для будущих приложений (Материалы и методы: реализация программного обеспечения).
Для успешной калибровки модели и оценки неизвестных параметров модели очень важно иметь реалистичную оценку шума измерения экспериментальных данных.Рекомендуем оценивать параметры, характеризующие шум измерений экспериментальных данных, одновременно с параметрами, определяющими динамику модели. Такой подход позволяет объективно и автоматически определять качество экспериментальных данных. Избегание предварительной обработки экспериментальных данных представляет собой значительный прогресс в направлении статистически более надежной процедуры, особенно в случае низкого числа повторов, что типично для приложений в биологии.Кроме того, возможна оценка шума измерений в случае однократных повторных экспериментов. Дополнительные вычислительные затраты, связанные с дополнительными параметрами, определяющими параметры шума измерения, сравнительно невелики.
Численная оптимизация, используемая для оценки неизвестных параметров модели, является сложной задачей. Мы сравнили производительность 15 стохастических, детерминированных и гибридных алгоритмов оптимизации. Результаты показывают, что детерминированная оптимизация с несколькими запусками с использованием уравнений чувствительности для вычисления производных значительно превосходит все другие протестированные алгоритмы.В нашей оценке производительность алгоритмов стохастической оптимизации была на удивление низкой по сравнению с гибридными и полностью детерминированными алгоритмами оптимизации. Рассмотренные здесь алгоритмы стохастической оптимизации не используют производную информацию, тогда как гибридные и полностью детерминированные алгоритмы оптимизации используют. В [33] задокументировано, что отказ от производной информации имеет значительные недостатки. Таким образом, нельзя ожидать, что эффективность методов, не связанных с производными инструментами, будет сопоставима с характеристиками методов, основанных на производных инструментах.
Каждый из стохастических алгоритмов имеет несколько параметров настройки, которые могут улучшить их производительность для конкретного приложения. Важно отметить, что все алгоритмы (стохастические, детерминированные, а также гибридные) применялись с настройками по умолчанию, которые рекомендуются для общих приложений, чтобы избежать манипулирования результатами. Основываясь на представленных здесь примерах моделей, наша цель состояла в том, чтобы сообщить о производительности этих методов неконтролируемым и, следовательно, непредвзятым образом.Это отражает ситуацию в реальном приложении, для которого отсутствуют предварительные знания о проблеме оптимизации, и дает, на наш взгляд, наиболее объективную оценку производительности.
Детерминированные алгоритмы оптимизации используют информацию о производных, обычно через конечно-разностные аппроксимации. К сожалению, эти приближения имеют тенденцию давать численно нестабильные результаты для динамических моделей [23]. Для двух использованных здесь примеров количественного динамического моделирования мы явно продемонстрировали, что это приводит к ненадежным результатам.Следовательно, наш предпочтительный метод расчета производных для динамических моделей — одновременное решение уравнений чувствительности. Мы показали, что эта стратегия более надежна и эффективна.
Мы сообщаем о дополнительном преимуществе нашей оценки производительности процедур оптимизации путем систематического сравнения повторных оценок параметров. Раньше было очень трудно решить, вызван ли неудовлетворительный прогон оценки параметров локальным оптимумом или преждевременным завершением работы оптимизаторов.Причины этого преждевременного прекращения включают численные неточности при расчете производных. В нашем определении истинные (локальные) оптимумы обозначаются тем фактом, что несколько прогонов оценки параметров приводят к одним и тем же (локальным) оптимумам с точки зрения целевой функции. Однако значения параметров могут быть разными, если параметры не идентифицируются. Удивительно, но исходя из этого определения оптимумов, количество локальных оптимумов было довольно ограниченным в примерах, которые мы тестировали до сих пор.
Алгоритмы стохастической оптимизации часто применяются на основе аргумента, что целевая функция содержит множество локальных оптимумов.Мы показали, что детерминированные алгоритмы оптимизации с неточными приближениями производных могут вызывать ложные локальные оптимумы. Вместо использования алгоритмов стохастической оптимизации для решения этой искусственной проблемы мы предлагаем использовать уравнения чувствительности для надежного вычисления производных. Истинные локальные оптимумы могут возникнуть из-за недостаточного количества и качества экспериментальных данных в сочетании с нелинейностью моделей. Предлагаемая нами оценка эффективности оценки параметров облегчает обнаружение этих локальных оптимумов.В заключение, наши результаты показывают, что лучший и наиболее точный метод выявления истинных локальных оптимумов и глобального оптимума — это детерминированная оптимизация на основе производной с использованием уравнений чувствительности для вычисления производных в сочетании со стратегией с несколькими запусками, основанной на выборке латинского гиперкуба из первоначальные предположения о параметрах. Кроме того, мы показываем, что альтернативная параметризация динамической модели обеспечивает превосходную производительность для более крупных приложений.
Наконец, мы обсудили важность анализа неопределенности оцененных параметров модели и прогнозов модели.В примерах, обсуждаемых здесь, преодолены проблемы количественного динамического моделирования, что позволяет получить полезные сведения о лежащей в основе биологии [2], [7].
Материалы и методы
Выборка латинского гиперкуба
Чтобы сделать алгоритмы детерминированной оптимизации более устойчивыми к локальным оптимумам, можно использовать подход «с несколькими запусками». Здесь выполняется множество независимых прогонов оптимизации на основе разных начальных предположений.
Для генерации предположений начальных параметров можно использовать чисто случайную выборку или выборку из латинского гиперкуба [17] (рис. 10а, б).Рисование образцов латинского гиперкуба в 2D можно проиллюстрировать, разделив пространство на прямоугольники. Для первого образца выбирается одно поле в первой строке, которое затем случайным образом извлекается из этого поля. Для второго примера выбирается одно поле во второй строке, за исключением столбцов, которые ранее уже были извлечены, а затем извлечены из этого поля случайным образом.
Рис. 10. Сравнение случайной выборки и выборки из латинского гиперкуба (LHS) для генерации предположений начальных параметров.
(a) Показана одна реализация двадцати выборок, выбранных случайным образом в двумерном пространстве параметров. (b) Двадцать образцов, отобранных LHS. (c, d) Евклидово расстояние до значений параметра ближайшего соседа для тысячи повторяющихся генераций двадцати выборок в двухмерном пространстве параметров.
https://doi.org/10.1371/journal.pone.0074335.g010
Выборка из латинского гиперкуба предпочтительна по сравнению с чисто случайной генерацией, поскольку выборка из латинского гиперкуба запрещает случайное расположение двух случайно выбранных начальных точек друг к другу (рисунок 10c, г).Напротив, для случайного поколения выборки иногда очень близки друг к другу. Таким образом, выборка латинского гиперкуба обеспечивает лучший охват пространства.
Алгоритмы стохастической оптимизации
Была исследована производительность двенадцати различных алгоритмов стохастической оптимизации [18] (Таблица 1). Сюда входят стандартный эволюционный оптимизатор, эволюционная стратегия с адаптацией ковариационной матрицы, стандартный генетический алгоритм, оптимизация роя частиц и адаптивного роя частиц, алгоритм дифференциальной эволюции, стратегия восхождения на холм, а также случайный поиск Монте-Карло.Кроме того, доступны подходы к оптимизации на основе кластеризации, такие как эволюционная стратегия на основе кластеров, стратегия восхождения на холмы с кластеризацией, эволюционная стратегия с увеличением размера популяции, генетический алгоритм на основе кластеров, а также алгоритм инкрементного обучения на основе популяции.
Сотня независимых прогонов оценки параметров выполняется с помощью каждого из двенадцати алгоритмов (рисунок 11). Результаты показывают, что алгоритм оптимизации роя частиц лучше всего работает для модели рецептора Epo и второй — для модели JAK2 / STAT5.Эволюционный алгоритм с увеличением размера популяции работает лучше всего для модели рецептора Epo, но не показывает хорошей производительности для более крупной модели JAK2 / STAT5. В идеале алгоритмы должны воспроизводимо находить глобальный оптимум, т.е. возвращать одно и то же значение целевой функции несколько раз (рис. 5a, b). Однако ни один из алгоритмов не может этого сделать ни для одного из примеров.
Рисунок 11. Сравнение эффективности оптимизации для алгоритмов стохастической оптимизации.
На рисунке показано 100 независимых прогонов каждого из рассмотренных алгоритмов (таблица 1) по оси x, отсортированных по соответствующему значению целевой функции. Для наглядности ось Y была сдвинута на постоянную величину (рис. 5b).
https://doi.org/10.1371/journal.pone.0074335.g011
Программная реализация
Уравнения модели и экспериментальные данные для рецептора Epo и моделей JAK2 / STAT5 доступны из оригинальных публикаций [2], [7].Здесь мы дополнительно предоставляем готовые для пользователя реализации в новом вычислительном формате для количественного динамического моделирования, которое мы здесь представляем. Новый формат соответствует стандарту SBML [34], т.е. модели можно импортировать и экспортировать. Он специально разработан для приложений количественного динамического моделирования, представленных здесь. Программное обеспечение основано на MATLAB (R2011a, The Mathworks Inc., Натик, Массачусетс), его исходный код находится в свободном доступе на хостинг-сайте Bitbucket: https: // bitbucket.org / d2d-development / d2d-software / wiki / Домашняя страница. Он включает параллельную реализацию решателя ODE CVODES [14], которая также позволяет решать уравнения чувствительности для детерминированной оптимизации и реализации всех представленных здесь концепций и алгоритмов моделирования. Примеры моделирования [2], [7] легко доступны с помощью предоставленной программной реализации и позволяют тестировать новые методы и характеризовать их производительность. Их также можно использовать в качестве справочника для дальнейших приложений.
Благодарности
Мы благодарим Аннет Шнайдер за критическое прочтение рукописи.
Вклад авторов
Задумал и спроектировал эксперименты: AR Марсель Шиллинг BH FJT UK JT. Выполнял эксперименты: AR Марсель Шиллинг JB AM Макс Шелкер DK SH CK. Проанализированы данные: AR Марсель Шиллинг AM. Написал статью: AR Марсель Шиллинг JB AM Макс Шелкер DK SH CK BH FJT UK JT.
Список литературы
- 1. Swameye I, Müller T, Timmer J, Sandra O, Klingmüller U (2003) Идентификация нуклеоцитоплазматического цикла как удаленного сенсора в клеточной передаче сигналов путем моделирования на основе данных.Труды Национальной академии наук 100: 1028–1033.
- 2. Беккер В., Шиллинг М., Бахманн Дж., Бауманн Ю., Рауэ А. и др. (2010) Охват широкого динамического диапазона: обработка информации рецептором эритропоэтина. Science 328: 1404–1408.
- 3. Wolkenhauer O (2008) Системная биология. Лондон, Великобритания: Portland Press.
- 4. Генрих Р., Шустер С. (1996) Регулирование клеточных систем. Лондон, Великобритания: Chapman & Hall.
- 5.Spencer S, Gaudet S, Albeck J, Burke J, Sorger P (2009) Негенетическое происхождение межклеточной изменчивости при TRAIL-индуцированном апоптозе. Природа 459: 428–432.
- 6. Zechner C, Ruess J, Krenn P, Pelet S, Peter M, et al. (2012) Моментальный вывод предсказывает бимодальность временной экспрессии генов. Слушания Национальной академии наук 109: 8340–8345.
- 7. Бахманн Дж., Рауэ А., Шиллинг М., Бём М., Кройц С. и др. (2011) Разделение труда с помощью регуляторов двойной обратной связи контролирует передачу сигналов JAK2 / STAT5 в широком диапазоне лигандов.Молекулярная системная биология 7: 516.
- 8. Шиллинг М., Майвальд Т., Боль С., Коллманн М., Кройц С. и др. (2005) Вычислительная обработка и стратегии уменьшения ошибок для стандартизированных количественных данных в биологических сетях. Журнал FEBS 272: 6400–6411.
- 9. Хан Б., Бём М., Райя В., Зинн Н., Мёллер П. и др. (2011) Стандарты пептидов / фосфопептидов из одного источника для точного определения степени фосфорилирования. Протеомика 11: 490–494.
- 10. Kreutz C, Bartolome-Rodriguez MM, Maiwald T., Seidl M, Blum HE, et al.(2007) Модель ошибок для количественного определения белка. Биоинформатика 23: 2747–2753.
- 11. Furusawa C, Suzuki T, Kashiwagi A, Yomo T, Kaneko K (2005) Повсеместность логнормальных распределений в динамике внутриклеточных реакций. Биофизика 1: 25–31.
- 12. Фишер Р. (1922) О математических основах теоретической статистики. Фил Транс Рой Soc A 222: 309–368.
- 13. Себер Дж., Уайлд С. (2003) Нелинейная регрессия. Вайнхайм, Германия: Wiley.
- 14. Хиндмарш А., Браун П., Грант К., Ли С., Сербан Р. и др. (2005) SUNDIALS: Набор средств решения нелинейных и дифференциальных / алгебраических уравнений. Программное обеспечение ACM T Math 31: 363–396.
- 15. Химмельблау Д., Кларк Б., Эйхберг М. (1972) Прикладное нелинейное программирование. Нью-Йорк, США: Макгроу-Хилл.
- 16. Press W, Teukolsky S, Flannery B, Vetterling W (1990) Числовые рецепты: FORTRAN. Кембридж, Великобритания: Издательство Кембриджского университета.
- 17.Оуэн А. (1992) Центральная предельная теорема для выборки из латинского гиперкуба. Журнал Королевского статистического общества: Series B 54: 541–551.
- 18. Kronfeld M, Planatscher H, Zell A (2010) Среда оптимизации EvA2. Обучение и интеллектуальная оптимизация 6073: 247–250.
- 19. Coleman T, Li Y (1996) Подход внутренней доверительной области для нелинейной минимизации с учетом ограничений. Журнал SIAM по оптимизации 6: 418–445.
- 20. Родригес-Фернандес М., Эгеа Дж., Банга Дж. (2006) Новая метаэвристика для оценки параметров в нелинейных динамических биологических системах.BMC Bioinformatics 7: 483.
- 21. Эгеа Дж., Родригес-Фернандес М., Банга Дж., Марти Р. (2007) Точечный поиск для оптимизации химических и биотехнологических процессов. Журнал глобальной оптимизации 37: 481–503.
- 22. Leis J, Kramer M (1988) Совместное решение и анализ чувствительности систем, описываемых обыкновенными дифференциальными уравнениями. Программное обеспечение ACM T Math 14: 45–60.
- 23. Рамачандран Р., Бартон П. (2010) Оценка эффективных параметров в рамках многомерной модели баланса населения.Химическая инженерия 65: 4884–4893.
- 24. Блюман Г., Анко С. (2010) Методы симметрии и интегрирования для дифференциальных уравнений. Прикладные математические науки. Гейдельберг, Германия: Springer.
- 25. Рауэ А., Беккер В., Клингмюллер Ю., Тиммер Дж. (2010) Анализ идентифицируемости и наблюдаемости для экспериментального дизайна в нелинейных динамических моделях. Хаос 20: 045105.
- 26. Рауэ А., Кройц С., Майвальд Т., Бахманн Дж., Шиллинг М. и др.(2009) Структурный и практический анализ идентифицируемости частично наблюдаемых динамических моделей с использованием вероятности профиля. Биоинформатика 25: 1923–1929.
- 27. Kreutz C, Raue A, Timmer J (2012) Анализ наблюдаемости на основе правдоподобия и доверительные интервалы для прогнозов динамических моделей. BMC Systems Biology 6: 120
- 28. Микер В., Эскобар Л. (1995) Обучение приблизительным доверительным областям, основанным на оценке максимального правдоподобия. Американский статистик 49: 48–53.
- 29. Роберт С., Каселла Дж. (2004) Статистические методы Монте-Карло. Гейдельберг, Германия: Springer.
- 30. Ванлиер Дж, Тиманн С., Хильберс П., ван Риель Н. (2012) Интегрированная стратегия анализа неопределенности прогнозирования. Биоинформатика 28: 1130–1135.
- 31. Raue A, Kreutz C, Theis F, Timmer J (2013) Объединение сил байесовской и частотной методологии: исследование для вывода в присутствии неидентифицируемости. Фил Транс Рой Соц А 371: 20110544.
- 32. Hug S, Raue A, Hasenauer J, Bachmann J, Klingmüller U, et al .. (2013) Оценка многомерного байесовского параметра: тематическое исследование для модели передачи сигналов JAK2 / STAT5. Математические биологические науки: в печати.
- 33. Конн А., Шейнберг К., Висенте Л. (2009) Введение в оптимизацию без производных. Филадельфия, США: SIAM.
- 34. Bornstein B, Keating S, Jouraku A, Hucka M (2008) LibSBML: библиотека API для SBML. Биоинформатика 24: 880–881.
- 35. Макдональд Н. (1976) Задержка по времени в простых моделях хемостата. Биотехнология и биоинженерия 18: 805–812.