К вашему сведению: я значительно отредактировал это с момента своего первого издания.Это моделирование было сокращено с 14 часов до 14 минут.
Я новичок в программировании, но я провел моделирование, которое пытается отслеживать бесполую репликацию в организме и количественно определять различия в количестве хромосом междуродительские и дочерние организмы.Симуляция работает очень медленно.Это займет около 6 часов.Я хотел знать, как лучше всего ускорить симуляцию.
У этих цифровых организмов х число хромосом.В отличие от большинства организмов, хромосомы все независимы друг от друга, поэтому они имеют равные шансы на передачу в любой дочерний организм.
В этом случае распределение хромосом в дочернюю клетку следует биномиальному распределению с вероятностью 0,5.
Функция sim_repo берет матрицу цифровых организмов с известным количеством хромосом и проводит их через 12 поколений репликации.Он дублирует эти хромосомы, а затем использует функцию rbinom для случайного генерирования числа.Этот номер затем присваивается дочерней ячейке.Поскольку никакие хромосомы не потеряны во время бесполого размножения, другая дочерняя клетка получает оставшиеся хромосомы.Затем это повторяется для G количества поколений.Затем из каждой строки в матрице отбирается одно значение.
sim_repo = function( x1, G=12, k=1, t=25, h=1000 ) {
# x1 is the list of copy numbers for a somatic chromosome
# G is the number of generations, default is 12
# k is the transfer size, default is 1
# t is the number of transfers, default is 25
# h is the number of times to replicate, default is 1000
dup <- x1 * 2 # duplicate the initial somatic chromosome copy number for replication
pop <- 1 # set generation time
set.seed(11)
z <- matrix(rbinom(n=rep(1,length(dup)),size = as.vector(dup),prob = 0.5),nrow = nrow(dup)) # amount of somatic chromosome is distributed to one of the daughter cells
z1 <- dup - z # as no somatic chromosomes are lost, the other daughter cells receives the remainder somatic chromosomes
x1 <- cbind(z, z1) # put both in a matrix
for ( pop in 1:G ) { # this loop does the replication for each cell in each generation
pop <- 1 + pop # number of generations. This is a count for the for loop
dup <- x1 * 2 # double the somatic chromosomes for replication
set.seed(11)
z <- matrix(rbinom(n=rep(1,length(dup)),size = as.vector(dup),prob = 0.5),nrow = nrow(dup)) # amount of somatic c hromosomes distributed to one of the daughter cells
z1 <- dup - z # as no somatic chromosomes are lost, the other daughter cells receives the remainder somatic chromosomes
x1 <- cbind(z, z1) # put both in a matrix
}
# the following for loop randomly selects one cell in the population that was created
# the output is a matrix of 1 column
x1 <- matrix(apply(x1, 1, sample, size=k), ncol=1)
x1
}
В моем исследовании меня интересует изменение дисперсии в хромосомах исходных исконных организмов и конечной временной точки в этом моделировании.Следующая функция представляет собой перенос клетки в новую среду обитания.Он берет вывод из функции sim_re p и использует его для генерации большего количества поколений.Затем он находит дисперсию между строками в первом и последнем столбцах матрицы и находит разницу между ними.
# The following function is mostly the same as I talked about in the description.
# The only difference is I changed some aspects to take into account I am using
# matrices and not lists.
# The function outputs the difference between the intial variance component between
# 'cell lines' with the final variance after t number of transfers
sim_exp = function( x1, G=12, k=1, t=25, h=1000 ) {
xn <- matrix(NA, nrow(x1), t)
x <- x1
xn[,1] <- x1
for ( l in 2:t ) {
x <- sim_repo( x, G, k, t, h )
xn[, l] <- x
}
colvar <- matrix(apply(xn,2,var),ncol=ncol(xn))
ivar <- colvar[,1]
fvar <- colvar[,ncol(xn)]
deltavar <- fvar - ivar
deltavar
}
Мне нужно повторить эту симуляцию ч количество раз.Таким образом, я сделал следующую функцию, которая будет вызывать функцию sim_exp ч несколько раз.
sim_1000 = function( x1, G=12, k=1, t=25, h=1000 ) {
xn <- vector(length=h)
for ( l in 2:h ) {
x <- sim_exp( x1, G, k, t, h )
xn[l] <- x
}
xn
}
Когда я вызываю функцию sim_exp со значением наподобие 6, требуется около 52секунд до завершения.
x1 <- matrix(data=c(100,100,100,100,100,100),ncol=1)
system.time(sim_1000(x1,h=1))
user system elapsed
1.280 0.105 1.369
Если я смогу получить его быстрее, то смогу завершить больше этих симуляций и применить модель выбора к симуляции.
Мой ввод будет выглядеть следующим образом x1, aматрица с каждым исконным организмом в отдельном ряду:
x1 <- matrix(data=c(100,100,100,100,100,100),ncol=1) # a matrix of 6 organisms
Когда я бегу:
a <- sim_repo(x1, G=12, k=1)
Мой ожидаемый результат будет:
a
[,1]
[1,] 137
[2,] 82
[3,] 89
[4,] 135
[5,] 89
[6,] 109
system.time(sim_repo(x1))
user system elapsed
1.969 0.059 2.010
Когда я позвонюфункция sim_exp,
b <- sim_exp (x1, G = 12, k = 1, t = 25) </p>
вызывает функцию sim_repo G раз и выдает:
b
[1] 18805.47
Когда я вызываю функцию sim_1000, я обычно устанавливаю h на 1000, но здесь я установлю его на 2. Так что здесь sim_1000 будет вызывать sim_exp и дублировать его 2 раза.
c <- sim_1000(x1, G=12, k=1, t=25, h=2)
c
[1] 18805.47 18805.47