Математическое моделирование биологических процессов: Учебное пособие.

22.09.2019 Windows инструкции

Функционирование сложной биологической системы, в том числе сердечно-сосудистой системы, является результатом взаимодействия составляющих ее элементов и протекающих в ней процессов. Следует иметь в виду, что согласно общему принципу восходящей иерархии типов движения (механическое – физическое – химическое – биологическое – социальное), биологическая форма движения не может быть полностью сведена к механической, физической или химической форме движения, а биологические системы не могут быть полностью описаны с позиций какой-либо одной из этих форм движения. Эти формы движения могут служить моделями биологической формы движения, то есть ее упрощенными образами.

Выяснить основные принципы регулирования процессов сложной биологической системы можно с помощью построения сначала механической, физической или химической модели системы, а затем построения их математических моделей, то есть отыскания описывающих эти модели математических функций, в том числе уравнений (создания математических моделей). Чем ниже уровень иерархии – тем проще модель, тем больше факторов реальной системы исключаются из рассмотрения.

Моделирование – это метод, при котором производится замена изучения некоторого сложного объекта (процесса, явления) исследованием его упрощенного аналога - модели. В биофизике, биологии и медицине широко применяются физические, химические, биологические и математические модели. Например, течение крови по сосудам моделируется движением жидкости по трубам (физическая модель). Биологическая модель – это простые биологические объекты, удобные для экспериментального исследования, на которых изучают свойства реальных более сложных биологических систем. Например, закономерности возникновения и распространения потенциала действия по нервному волокну были изучены на биологической модели – гигантском аксоне кальмара.

Математическая модель – это совокупность математических объектов и отношений между ними, отражающая интересующие исследователя свойства и характеристики реального объекта. Адекватную математическую модель можно построить только с привлечением конкретных данных и представлений о механизмах сложных процессов. После построения математическая модель «живет» по своим внутренним законам, познание которых позволяет выявить характерные черты исследуемой системы (см. схему на рис. 1.1.). Результаты моделирования составляют основу управления процессами любой природы.

Биологические системы, по сути, являются чрезвычайно сложными структурно-функциональными единицами.

Чаще всего математические модели биологических процессов задаются в виде дифференциальных или разностных уравнений, но возможны и другие типы представлений модели. После того как модель построена, задача сводится к изучению ее свойств методами математической дедукции или путем машинного моделирования.

При изучении сложного явления обычно предлагают несколько альтернативных моделей. Проверяют качественное соответствие этих моделей объекту. Например, устанавливают наличие устойчивых стационарных состояний в модели, существование колебательных режимов. Модель, наилучшим образом соответствующую исследуемой системе, выбирают в качестве основной. Выбранную модель уточняют применительно к конкретной исследуемой системе. Задают числовые значения параметров по экспериментальным данным.

Процесс поиска математической модели сложного явления можно разделить на этапы, последовательность и взаимосвязь которых отражает схема ни рис. 1.2.

Этап 1 соответствует сбору имеющихся к началу исследования данных об изучаемом объекте.

На этапе 2 осуществляется выбор базовой модели (системы уравнений) из возможных альтернативных моделей по качественным признакам.

На этапе 3 производится идентификация параметров модели по экспериментальным данным.

На этапе 4 осуществляется проверка поведения модели на независимых экспериментальных данных. Для этого часто приходится ставить дополнительные эксперименты.

Если взятые для верификации модели экспериментальные данные «не вписываются» в модель, требуется проанализировать ситуацию и выдвинуть иные модели, исследовать свойства этих новых моделей, а затем поставить эксперименты, позволяющие сделать вывод о предпочтительности одной из них (этап 5).

Этап построения математической модели (этап 2, рис. 1.2) является наиболее важным этапом в математическом моделировании. Представления о механизмах и законах, которые действуют в системе и которые закладываются в математическую модель, определяют рамки результатов моделирования. Так, при моделировании функционирования сердечно-сосудистой системы на основе представлений о работе сердца с позиций механики можем построить механико-математическую модель.

Когда речь идет о математическом моделировании динамики сложной биологической системы, основанном на физических законах, мы вторгаемся в область математической биофизики сложных систем. Именно на стыке трех наук: математики, физики и биологии в последние пять десятилетий произошел качественный скачок в математическом описании поведения любой системы (физической, биологической, экономической).

Обычно принято измерять физиологические величины как функции времени. Для характеристики таких временных зависимостей существуют четыре основных математических понятия: стационарные состояния, колебания, хаос и шум. Стационарное состояние в математике может быть связано с понятием гомеостаза в физиологии, например, среднее артериальное давление поддерживается постоянным у человека. При физической нагрузке давление повышается, а после прекращения физической нагрузки давление в течение нескольких минут возвращается до стационарного уровня. Примерами колебательных процессов в организме человека могут служить: ритмы сердцебиения, дыхания и размножения клеток, циклы сна и бодрствования, секреции инсулина, перистальтические волны в кишечнике и мочеточнике, электрическая активность коры головного мозга и автономной нервной системы и т. п. Известно, что даже тщательное измерение физической или физиологической величины никогда не дает абсолютно стационарной или строго периодической временной зависимости. Всегда будут наблюдаться флуктуации (отклонения) вокруг некоторого фиксированного уровня или периода колебаний. Кроме того, существуют системы настолько нерегулярные, что трудно найти лежащий в их основе стационарный или периодический процесс. Такие процессы рассматриваются в математике либо как шум (относящийся к флуктуациям), либо как хаос («наивысшая степень» порядка, нерегулярность, наблюдаемая в детерминированной системе). Хаос может наблюдаться и при полном отсутствии шума в окружающей среде.

Основу математической модели составляет система математических уравнений (формула 1.1). Динамическая математическая модель характеризует поведение системы во времени, которое можно описать с помощью таких физических понятий, как скорость и ускорение. Динамические модели описываются системами дифференциальных уравнений, на которые накладываются ограничения, вытекающие из физического или физиологического смыслов принятых величин:

где f 1 ,…, f n - некоторые функции, x 1 , …, х п – независимые переменные, п - размерность фазового пространства, a,…, e и т. д. - параметры дифференциальных уравнений.

Стационарные устойчивые состояния соответствуют постоянным решениям уравнений системы 1.1 (рис. 1. 3, А). Стационарным колебаниям биологических или физических величин соответствуют периодические решения системы уравнений (рис. 1.3, Б). Нерегулярные (апериодические) временные решения уравнений соответствуют шуму или хаосу (рис 1.3, В).

При некоторых значениях параметров возможно получение нескольких решений, то есть система может находиться в нескольких стационарных состояниях (например, в двух состояниях). Переход системы, в результате которого она может оказаться в одном из возможных состояний, называется бифуркацией. Обычно одни состояния являются устойчивыми, другие – неустойчивыми. Если возможны два устойчивых состояния, то система может перескакивать из одного состояния в другое при незначительном внешнем воздействии, в том числе при флуктуации. Это явление называется бистабильностью.

В качестве примера построения модели периодического биологического процесса рассмотрим математическую модель «хищник - жертва» Вольтерра.

Модель Вольтера

Пусть в некотором замкнутом районе живут зайцы и рыси. Зайцы питаются растительной пищей, имеющейся всегда в достаточном количестве. Рыси (хищники) питаются только зайцами (жертвами). Обозначим число зайцев в этом районе через N 1 , а число рысей через N 2 . N 1 и N 2 являются функциями времени.

Так как количество пищи для зайцев не ограничено, мы можем считать, что при отсутствии хищников, их число возрастало бы с течением времени t прямо пропорционально числу имеющихся особей:

где a i – коэффициент пропорциональности.

Если бы в данном районе жили только рыси, то они бы вымерли из-за отсутствия пищи.

На протяжении длительного периода времени биология была описательной наукой, мало приспособленной для прогнозирования наблюдаемых явлений. С развитием компьютерных технологий ситуация изменилась. Сначала наиболее используемыми в биологии были методы математической статистики, которые позволяли выполнять корректную обработку данных экспериментов и оценивать определенную значимость для принятия определенных решений и получения выводов. Со временем, когда методы химии и физики вошли в биологию, начали использовать сложные математические модели, которые позволяли обрабатывать данные реальных экспериментов и предсказывать протекание биологических процессов в ходе виртуальных экспериментов.

Модели в биологии

Моделирование биологических систем представляет собой процесс создания моделей биологических систем с характерными для них свойствами. Объектом моделирования может быть любая из биологических систем.

В биологии применяется моделирование биологических структур, функций и процессов на молекулярном, субклеточном, клеточном, органно-системном, организменном и популяционно-биоценотическом уровнях организации живых организмов. Применяется моделирование также к разным биологическим феноменам, условиям жизнедеятельности отдельных особей, популяций, экосистем.

Определение 1

Биологические системы – это очень сложные структурно-функциональные единицы.

Используется компьютерное и наглядное моделирование биологических компонентов. Примеров таких биологических моделей огромное количество. Приведем некоторые примеры биологических моделей:

Наблюдается быстро возрастающее значение моделей компьютерного моделирования почти во всех областях биологии. Компьютерное моделирование используется для анализа расчетных данных, к которому относится и обработка изображений, для анализа нуклеотидных последовательностей, кодирующих ген и отдельных белков, для компьютерного обучения современной биологии и т.д. При помощи проведения «виртуальных» экспериментов на персональных компьютерах можно контролировать все переменные и факторы воздействия, что позволяет выполнять анализ биологических систем, разработку физических моделей для компонентов этих систем, которые нельзя провести в реальных экспериментах.

Основные виды моделей в биологии

Биологические модели на лабораторных животных воспроизводят определенные состояния или заболевания, которые встречаются у животных или человека. Их использование позволяет изучать при проведении экспериментов механизмы возникновения данного состояния или заболевания, его протекание и исход, воздействовать на его протекание. Примерами биологических моделей являются искусственно вызванные генетические нарушения, инфекционный процесс, интоксикация, воспроизведение гипертонических и гипоксических состояний, злокачественных новообразований, гиперфункция или гипофункция некоторых органов, неврозы и эмоциональные состояния.

Для создания биологических моделей воздействуют на генетический аппарат, применяется заражение микробами, вводят токсины, удаляют отдельные органы и т.д. Физико-химические модели воспроизводят с помощью химических или физических средств биологические структуры, функции или процессы и, обычно, они представляют собой далекое подобие биологического явления, которое моделируется.

Значительные успехи были достигнуты в создании моделей физико-химических условий существования живых организмов, их органов и клеток. Например, подобраны растворы неорганических и органических веществ (растворы Рингера, Локка, Тироде и др.), которые имитируют внутреннюю среду организма и поддерживают существование изолированных органов или культивируемых клеток внутри организма.

Замечание 1

Моделирование биологических мембран позволяет выполнять исследование физико-химических основ процессов транспортировки ионов и влияния на него разных факторов. С помощью химических реакций, которые протекают в растворах в автоколебательном режиме, моделируются характерные для многих биологических феноменов колебательные процессы.

Математические модели (описание структуры, связей и закономерностей функционирования живых систем) построены на основе данных эксперимента или представляют собой формализованное описание гипотезы, теории или открытой закономерности какого-либо биологического феномена и для них необходима дальнейшая опытная проверка. Разные варианты таких экспериментов определяют границы использования математических моделей и представляют материал для ее дальнейшего корректирования. Испытание математической модели биологического явления на персональном компьютере дает возможность предвидеть характер изменения исследуемого биологического процесса в условиях, которые трудно воспроизвести с помощью эксперимента.

Математические модели дают возможность предсказать в отдельных случаях некоторые явления, которые были ранее неизвестны исследователю. Например, модель сердечной деятельности, которую предложили голландские ученые ван дер Пол и ван дер Марк, основанная на теории релаксационных колебаний, показала возможность особого нарушения сердечного ритма, которое впоследствии обнаружили у человека. Математической моделью физиологических явлений является также модель возбуждения нервного волокна, которая была разработана английскими учеными А. Ходжкином и А. Хаксли. Существуют логико-математические модели взаимодействия нейронов, построенные на основе теории нервных сетей, которые были разработаны американскими учеными У. Мак-Каллоком и У. Питсом.

Современная биология широко применяет математические и компьютерные методы. Без использования математических методов было бы невозможным выполнение таких глобальных проектов, как геном человека, расшифровка пространственной структуры сложных биомакромолекул, дистанционная диагностика, компьютерное моделирование новых эффективных лекарств («драг- дизайн»), планирование мероприятий по предотвращению распространения эпидемий, анализ экологических последствий работы промышленных объектов, биотехнологические производства и многое другое.

Бурное внедрение математических методов в биологию в последние десятилетия связано в первую очередь с развитием экспериментальных физико-химических методов биологических исследований. Рентгеноструктурный и спектроскопические (ЯМР, ЭПР) методы, анализ последовательности ДНК невозможны без математической обработки результатов эксперимента.

С другой стороны, применение математических методов способствовало пониманию законов, лежащих в основе многих биологических процессов. Многочисленные примеры приведены в рекомендованной литературе. Среди них - свойства циклических колебаний численностей популяций, принцип конкурентного исключения Гаузе для конкурирующих видов, пороговая теорема в математической эпидемиологии, условия распространения нервного импульса, условия возникновения разного типа автоволновых процессов в активных тканях, в частности в сердечной мышце и многие другие.

Биологические задачи инициировали создание новых математических теорий, которые обогатили саму математику. Первая известная математическая модель численности популяции кроликов Леонардо из Пизы (13 век) представляет собой ряд Фибоначчи. Более поздние примеры новых математических постановок дают задачи рождения и гибели, диффузионные процессы, системы с кросс-диффузией в уравнениях с частными производными, новые типы краевых задач для уравнений переноса, эволюционная теория игр, системы репликаторных уравнений. Основы современной статистики были заложены Р. Фишером, который также изучал биологические проблемы.

Математические модели в биологии

Первые систематические исследования, посвященные математическим моделям в биологии, принадлежат А.Д. Лотке (1910-1920 гг). Его модели и сейчас не утратили значения. Основателем современной математической теории биологических популяций справедливо считается итальянский математик Вито Вольтерра , разработавший математическую теорию биологических сообществ, аппаратом которой служат дифференциальные и интегро- дифференциальные уравнения. (Vito Volterra. Lecons sur la Theorie Mathematique de la Lutte pour la Vie. Paris, 1931). В последующие десятилетия популяционная динамика развивалась, в основном, в русле высказанных в этой книге идей. В.Вольтерра принадлежит самая знаменитая «биологическая модель» сосуществования видов типа (1928 г.), которая входит во все учебники по теории колебаний. Русский перевод книги Вольтерра вышел в 1976 г. под названием: «Математическая теория борьбы за существование» под редакцией и с послесловием Ю.М.Свирежева, где рассматривается история развития математической экологии в период 1931‑1976 гг. Начиная с сороковых годов 20 века, математические модели заняли прочное место в : работы Моно (1942), Новика и Сцилларда (1950) позволили описать закономерности роста популяций одноклеточных организмов.

Основополагающей для развития математических моделей пространственно-временного поведения биологических систем стала работа Алана Тьюринга, “ Химические основы морфогенеза” (Turing, 1952) заложившая основу динамического подхода к моделированию распределенных биологических систем. В ней впервые показана возможность существования в активной кинетической среде стационарных и неоднородных структур. Полученные в этой работе фундаментальные результаты легли в основу большого числа моделей морфогенеза, описывающих раскраску шкур животных (Murray 1993; Мюррей, 2009), образование раковин (Meinhardt 1995), морских звезд и других живых организмов.

Важную роль сыграли математические модели в изучении механизмов генерации нервного импульса . А. Ходжкин и Э. Хаксли наряду с экспериментальным исследованием предложили модель, описывающую процессы ионного транспорта через мембрану и прохождение импульса потенциала вдоль мембраны. Работа британских ученых была удостоена Нобелевской премии 1963 г. (вместе с сэром Джоном Эклсом, Австралия).

Объяснению механизма сердечных аритмий при помощи аксиоматических моделей возбудимой среды была посвящена первая в этой области работа Н. Винера и А. Розенблюта (Wiener and Rosenblueth 1946). Русский перевод опубликован в книге: Кибернетический сборник. Вып.3. М. ИЛ, 1961. В более общей форме сходные идеи были развиты советскими учеными Гельфандом и Цетлиным (Гельфанд и др., 1963; Гельфанд и др., 1966), а затем и другими авторами на моделях клеточных автоматов. При построении моделей учитывали, что процесс возникновения и распространения возбуждения в биологических объектах, в частности, в нервных тканях обладает рядом четко выраженных свойств, отправляясь от которых можно построить формальную модель этого явления.

Российские научные школы

Российские научные школы внесли большой вклад в развитие математической биологии. А.Н. Колмогоров , И.Г. Петровский , Н.С. Пискунов в 1937 г. в работе “Исследование уравнения диффузии, соединенной с возрастанием вещества, и его применение к одной биологической проблеме” решили задачу о предельной скорости перемещения фронта волны и определили предельную форму фронта. Эта работа стала классической и положила начало развитию теоретического и экспериментального изучения автоволновых явлений в системах разной природы.

Российским биофизикам В.И. Кринскому , Г.Р. Иваницкому и др. принадлежит серия блестящих работ, положивших начало экспериментальному изучению и теоретическому описанию возбудимых тканей (Иваницкий, Кринский, Сельков. «Математическая биофизика клетки». 1978). В настоящее время направление по изучению и компьютерному моделированию процессов нервного проведения и распространения волн в сердечной мышце интенсивно развивается. Последние достижения в этой области представлены в книге «Динамические модели процессов в клетках и субклеточных наноструктурах», 2010. Наиболее продвинутые модели учитывают сопряжение электрических и механо-химических процессов, структурную и геометрическую неоднородность сердца.

Российским ученым Б.П. Белоусовым (Белоусов 1959, 1981) был открыт класс химических реакций, позволяющих наблюдать на опыте практически все известные в настоящее время типы поведения распределенных систем. А.М. Жаботинский с сотрудниками подробно исследовали свойства этих реакций и условия их протекания, им также была предложена первая математическая модель наблюдаемого явления (Жаботинский, 1975). В дальнейшем реакцию Белоусова-Жаботинского (BZ-реакцию), как модель распределенной системы, демонстрирующей различные типы пространственно-временной организации, исследовали в сотнях лабораторий мира (Field. and Burger 1985; Филд and Бургер 1988; Ванаг, 2008). Был разработан ряд моделей для описания протекающих процессов, наиболее известными являются модель «Орегонатор», предложенная исследователями из университета Орегоны, США (Field., Koros et al. 1972; Field. and Noyes 1974), и модель «пущинатор», предложенная исследователями из Научного центра биологических исследований г. Пущино (Rovinsky and Zhabotinsky 1984).

Российские ученые внесли большой вклад в развитие математической теории . Это, в первую очередь, работы коллективов Института Математических проблем биологии РАН (до 1992 г. - Научный Вычислительный центр РАН) под руководством А.М.Молчанова (А.Д.Бызыкин, Ф.С.Березовская, А.И.Хибник) и коллектива сотрудников Вычислительного центра РАН под руководством Ю.М.Свирежева (Д.О. , А. Тарко, В. Разжевайкин, Д. Саранча, Н. В. Белотелов, В. Пасечник, В.В. Шакин и др.). В ВЦ РАН под руководством академика Н.Н.Моисеева в 70-80 годы 20 века проводились работы по глобальному и региональному моделированию. Здесь была создана знаменитая модель «ядерной зимы».

Значительный вклад в развитие методов моделирования процессов в энергопреобразующих мембранах внесли ученые МГУ. Кинетические модели первичных процессов фотосинтеза разработаны учеными Биологического (А.Б. Рубин , Г.Ю. Ризниченко , Н.Е. Беляева) и физического (А.К.Кукушкин, А.Н. Тихонов , В.А.Караваев, С.А. Кузнецова). В последние годы на кафедре биофизики Биологического факультета МГУ активно ведутся работы по разработке нового метода прямого многочастичного компьютерного моделирования процессов в субклеточных системах (А.Б.Рубин, Г.Ю.Ризниченко, И.Б. Коваленко. Д.М.Устинин)

Большую роль в становлении математической биологии России сыграли научные разработки и книги коллектива авторов Ю.М. Романовского , Н.В. Степановой (Физический факультет МГУ) и Д.С. Чернавского (ФИАН): « Математические модели в биофизике» М., 1976; « Математическая биофизика» М., 1984; « Математическое моделирование в биофизике. Введение в теоретическую биофизику » М-Ижевск, 2004. В них рассматриваются основы биологической кинетики, модели эволюции и развития в биологии, модели роста клеточных популяций, автоволны в распределенных кинетических системах, статистические аспекты биологической кинетики. Это направление продолжает развиваться в ФИАНе (А А. Полежаев, В.И. Волков и др.)

Учреждения, где проводятся работы по математическому моделированию в биологии

В современной России работы по математическому моделированию в биологии проводятся в ряде научно-исследовательских институтов и ВУЗов. Одно из ведущих мест принадлежит научному центру в г. Пущино, где в 1972 г. был организован научный вычислительный центр РАН (Директор - А.М. Молчанов), который в 1992 г. получил статус Института математических проблем биологии РАН. Нынешний директор ИМПБ - В.Д.Лахно, который также является председателем Научного Совета РАН по математической биологии и биоинформатике. ИМПБ РАН является ведущим научным учреждением по данной проблеме и издает электронный журнал «Математическая биология и биоинформатика»

Работы по математическому моделированию биологических процессов ведутся также в других учреждениях Пущинского научного центра РАН: Институте биофизики клетки РАН. директор - чл.-корр. РАН Е.Е.Фесенко (в основном по молекулярно-динамическому и квантово-механическому моделированию процессов в биомакромолекулах) и Институте теоретической и экспериментальной биофизики РАН, директор - чл.-корр. РАН Г.Р.Иваницкий (моделирование процессов самоорганизации в активных средах, автоволновны в живых клетках и биополимерах).

В научной школе академика Г. И Марчука активно развиваются методы моделирования применительно к медицине, в частности, разрабатываются модели иммунитета и распространения эпидемий.

Исследования биологических систем с использованием математических моделей проводятся в Институте биофизики СО РАН (Красноярск, Институте генетики СО РАН (Новосибирск), в университетах Нижнего Новгорода, Саратова, Ростова-на-Дону, Ярославля, в Государственном университете «Московский физико-технический институт», в Национальном исследовательском ядерном университете «МИФИ» и др.

Работы по математическому моделированию в биологии в МГУ активно ведутся на Биологическом факультете (модели первичных процессов фотосинтеза и других процессов в субклеточных и клеточных системах, молекулярная динамика белков и биомембран), Физическом факультете МГУ (модели молекулярных машин) , факультете Вычислительной математики и кибернетики (популяционная динамика, математическая экология, эволюционные модели, модели управления), Механико-математическом факультете (модели вестибулярного аппарата, модели растительных сообществ).

Периодические издания

Статьи по математическим моделям в биологии регулярно публикуются в журналах:

«Биофизика» (М., 1956 —),
«Bulletin of Mathematical Biophysics» (1939 —1972); «Bulletin of Mathematical Biology» (1972-); Jurnal of Theoretical biology (1961 —),
Journal of Mathematical biology (1974-);
Ecological modeling (1975—),
Компьютерные исследования и моделирование (2009 —).

Отдельные статьи по математическому моделированию также печатаются в журналах:

Успехи физических наук (1918 -)
Вестник Московского университета
BioSystems (1967)
Journal of Biological Systems (1993)
Computational and Mathematical Methods in Medicine (1997)
Mathematical Biosciences (1967)
Mathematical Biosciences and Engineering
PNAS (1915)
Science Magazine (1880)
Journal Nature (1869)
Acta Biotheoretica (1935)
Comments on Theoretical Biology
Rivista de Biologia / Biology Forum (1996)
Systema Naturae / Annali di Biologia Teorica (1998)
Theoretical and Applied Genetics (1929)
Theoretical Medicine and Bioethics (1980)
Theoretical Population Biology ()
Theory in Biosciences / Theorie in den Biowissenschaften
Mathematical Modeling of Natural Phenomena (2006)

Издания

Книги по математическому моделированию в биологии публикуются издательством РХД-ИКИ в серии «Биофизика. Математическая биология», Наука, URSS и другими издательствами научной и образовательной литературы.

Иваницкий Г.Р., Кринской В.И., Сельков Е.Е. Математическая биофизика клетки. Наука, 1978

Мюррей Д. Математическая биология. Том 1. Введение. Изд. ИКИ-РХД, М-Ижевск, 2009

Мятлев В.Д., Панченко Л.А., Ризниченко Г.Ю., Терехин А.Т. Высшая математика и ее приложения к биологии. Теория вероятностей и математическая статистика. Математические модели. Академия. М., 2009

Ризниченко Г.Ю. Лекции по математическим моделям в биологии. Изд. РХД, М-Ижевск, 2003 .

Ризниченко Г.Ю., Рубин А.Б. Биофизическая динамика продукционных процессов. Изд. ИКИ-РХД, М-Ижевск, 2004

Романовский Ю.М., Степанова Н.В., Чернавский Д.С. Математическое моделирование в биофизике. Изд. ИКИ-РХД, 2004

Рубин А.Б. Биофизика. Т. I. М., 2004. Т. 2. М., 2004 (изд. 3-е)

Свирежев Ю.М., Логофет Д.О. Устойчивость биологических сообществ. М., Наука. 1978

Свирежев Ю.М. Нелинейные волны. Диссипативные структуры и катастрофы в экологии. М., Наука, 1987

Смирнова О.А. радиация и организм млекопитающих: модельный подход. Изд. РХД, М-Ижевск, 2006

Мы будем рассматривать в данном разделе аналитические модели. В аналитических моделях вход. и выход. Параметры связаны явными выражениями: уравнениями, неравенствами и т.д. Если мы решаем системы уравнений Колмогорова-Эрланга, это аналитическое моделирование, если же мы останавливаемся на графовой модели и проводим статистический эксперимент, определяем как обслуживает система поток заявок, то это имитационное моделирование. Для решения аналитической модели обычно приходится применять численные методы решения задач, но некоторые модели дают и аналитическое решение, т.к. для решения разных математических задач используются разные методы, иногда аналитические модели делят по методам (интегральные, дифференциальные, линейные и т.д.), но обычно по сферам применения (физические, химические, биологические, педагогические, технические). Рассмотрим некоторые примеры аналитической мат. моделей, которые являются наиболее простыми и в то же время классическими.

Математические модели в физике и технике

В физике моделирование в основном используется для описания процессов в производстве, связанных с решением дифференциальных уравнений и частных производных. Все другие модели, это обычно упрощенный вариант этих процессов. Основой для построения моделей являются следующими законами и уравнениями :

Часть уравнений записывается в одномерном виде или с помощью радиус-вектора

;

2. Модель колебательной системы

Рассмотрим ее от простого к сложному. В качестве примера могут служить очень многие окружающие на предметы, где важна вибрация (двигатели). Колебания свойственны и электрическим системам. Будем считать, что у нас одномерные колебания (вдоль одной оси).

Положение предмета определяется одной координатой х, уравнение будет
.

Решение этого диф. уравнения хорошо известно, оно представляет из себя

Колебания Гармонические со сдвигом фазы, незатухающие.

Усложняем модель - вводим затухание

(К- коэффициент затухания)

Если К мало (К<<1), то решение не будет сильно отличаться. Решение системы приводит к возникновению
.

К=0,1- затухание хорошо видно (переодич.). При увеличении К (
)- апериодическое затухание, когда нет ни одного периода.

Собственная частота
, частота внутри силы р . Когда частоты равны, получаем резкое увеличение амплитуды колебаний - резонанс, . Если резонанс производить при колебании, собственные колебания затухнут, останутся вынужденные с частотой вынужденной силы.

К<<1, W>>p.

Модуляция . Внутри собственные колебания, их амплитуда моделируется с частотой собственных колебаний (биения)

Если К<0, м.б. (т.к. она только мешает) – параметрический резонанс.

Пример : рессоры автомобиля (обычно полезны для раскачки колебаний).

Резонанс может быть отрицательным и положительным по значению. Излучение электромагнитных волн основано на резонансах, как обычных, так и параметрических. Излучение и прием электромагнитных волн резонансные. Параметрический резонанс выгоден тем, что гораздо мощнее обычного. Это удобное средство для генерации, например, СВЧ-колебаний (магнитофон). Для параметрического резонанса собственная частота не нужна, поэтому можно вкачивать энергию до самого разрушения этого резонатора. Но может быть и вред, разрушение, что неприятно.

Модуляция – основа радиосвязи. Есть несущая частота, которую модулируют, а потом де модулируют. Звук низкочастотен (36 КГц), а радиоволна распространяется на высокой частоте, значит, нужны мегагерцы. Есть амплитудная, фазовая и частотная модуляция. Эффект биений обычно вредный, мешающий – это источник шума. Иногда с помощью биений делают специальные шумовые генераторы.

Модель теплопроводности тонкого слоя

стекло (тонкое, длинное),
- температура будет равномерна, следовательно
.
гранич.
Обычно это уравнение не решается в явном виде, а с помощью клеточной аппроксимации. Решая эту систему уравнений, мы находим значения в узлах сетки. Подобным же способом моделируются другие задачи теплопроводности, электростатики и электродинамики. Основная проблема – сложность вычисления, поэтому требуются мощные ЭВМ.

Еще одна модель – движение тела, брошенного под углом к горизонту. Для ее решения используют так называемый метод стрельбы, он уже близок к имитационному моделированию.

Еще – модель движения ракеты:

- уравнение Циолковского.

Кинетические и структурные модели в химии

В химии в основном распространены модели химических реакций и строение модели хим. соединений. Для хим. реакций самое важное –кинетика, т.е. изменение течение реакций со временем, т.е. чем быстрее идет реакция, тем меньше остается реагирующего вещества, и наоборот. В начале ХХ века Адольф Лотка сформулировал модель кинетических реакций, которая была названа модель Вольтерра-Лотки. Цепочка превращений веществ:

Получена система диф. уравнений. Эти уравнения по смыслу похожи на уравнения Колмогорова- Эрланга. Это показывает, что то были тоже кинетические уравнения и все кинетические процессы похожи друг на друга.

В химии кинетические уравнения усложняются тем, что величины не являются постоянными, а зависят от таких величин как ,

химический состав веществ (температура подчиняется закону теплоемкости, р зависит от диффузии, которая определяется уравнением
- закон диффузии Фика. Похожее соотношение имеет и закон фильтрационного переноса Дарси). В результате приходится решать одновременно с кинетической еще и эти сложные уравнения.

В химии большое значение имеют структурные модели молекул: Н-О-Н, особенно удобна для органических веществ (у них очень сложная структура).

При изучении нового хим. вещества делают новый хим. анализ - определяют пропорции содержащие тех или иных веществ. Тогда можно определить из каких атомов состоит молекула, но и от того, как они соединены. Вводится валентная связь. Одни атомы имеют 1-ю валентную связь, другие 2-ю и т.д. Были обнаружены изомеры вещества с одинаковым количеством молекул, но с разными свойствами.

2 задачи:

Определить внутреннюю структуру молекулы и связать ее структуру и хим. свойства, т.е. изучение изомеров.

Проектирование изомеров - научиться создавать устойчивые структуры для молекул различных видов и давать их предположит. свойства.

Обе эти задачи стали настолько популярны в органической химии, что даже были созданы специальные системы моделирования молекул.

Математические модели в биологии

Биология чрезвычайно связана с химией и биохимией => структурное моделирование из химии перешло и в биологию. Биологические структуры – очень сложные химические структуры => появилась наука биохимия, которая изучает химию биологических структур. Здесь методы структурного моделирования оказались очень полезны. Наиболее известные задачи, связанные с моделированием генов.

Гены – молекулы, из которых формируется так называемые информационные компоненты живых существ-ДНК, РНК. В основном гены уже изучены и известны, но остались вопросы какие гены входят в ту или иную ДНК и как они связаны между собой. Т.к. даже в простейшем ДНК генов десятки тысяч, возник мировой проект «модель ДНК» , сначала у простейших существ, теперь человека (завершение) . Структурное моделирование- ведущее в биохимии.

Модели внутривидовой борьбы

Особи одного вида конкурируют между собой. В начале, когда особей мало, а условия благоприятные идет быстрый рост популяции, ограничения наступают из-за борьбы между особями одного вида. Самой первой простой моделью стала модель роста – модель безудержного роста. В этой модели отсутствует внутривидовая конкуренция, она будет модернизироваться.

Чем больше a , тем меньше рост, однако, и эта модель не могла описать некоторые явления, которые возникали в реальных экосистемах. В некоторых системах возникали колебания численности из года в год. Ввели еще один параметр, усложнили модель

Коэффициент b определяет нелинейную зависимость скорости роста R от численности. Численное изучение этой модели позволило обнаружить 4 характерные ситуации:

Монотонный рост

Ситуация затухающих колебаний

Ситуация незатухающих колебаний

Ситуация флуктуаций (случайных изменений)

Данные модели дискретные, но можно построить и непрерывную, кинетическую, ее уравнение:

. при этом r – некий аналог скорости. Эта двухпараметричная модель называется логистической кинетической моделью (модель Вольтера - Лоттки).

Модели межвидовой конкуренции

Если сосуществуют 2 вида, которые активно воздействуют друг на друга, то возникают процессы межвидовой конкуренции и борьбы. Наиболее известна модель (кинетическая) Вольтера - Лотки конкуренция двух видов:

Коэффициенты определяют связь между 2 видами. Если, то увеличение особей второго вида идет к уменьшению особей первого вида. Второй вид подавляет первый. Если, то особи второго вида не влияют. Очевидно, чем больше волков, тем меньше зайцев. В модели 6 параметров – ее изучение очень сложно, поэтому обычно фиксируют часть параметров. В общем случае изучение этой параметрической модели показало, что популяции хищников и жертв испытывают циклические изменения. В биологии очень часто используют так же имитационное моделирование.

Имитационное моделирование в биологии

Модель «жизнь»

В ней имитируется размножение простейших существ, задаются некоторые ограничения на размножение, гибель и т.д., а затем запускается эксперимент и прослеживается динамика со временем. Простейший вариант (школьный). Берем таблицу клеток пустых и заполненных (живых). Задаются правила, например если живая клетка окружена 4 и более живыми, то она погибает от перенаселения, если возле нее один или нет, погибает от одиночества. Если к мертвой примыкает 3 живые, она оживает. Эксперимент:

Задается начальная случайная конфигурация живых клеток

Задается количество моментов времени, которое будет прослежено

В цикле по моментам времени производят обновление таблицы по заданным правилам, и наблюдают за изменением картинки. Подобные системы изучались, и оказалось, что в такой таблице могут существовать устойчивые конфигурации, которые не разрушаются.

Модели в экономике

Экономические науки – одна из наиболее важных сфер применения моделирования, именно здесь модели дают наибольшую эффективность, например если оптимизировать в одной модели траты всего государства, эффект будет выражаться в миллиардах долларов. Можно выделить следующие типы моделей:

Модель ЛП (линейные) – модель ресурсов, запасов и т.д.

Модели, построенные на транспортной задаче (распространение и перевозка грузов)

Модели целочисленного программирования (результат принадлежит области целых чисел, количество человек, число заводов и т.д.) – модели первого типа с целочисленными параметрами.

Модели динамического программирования – в основном связанные с развитием какого-либо производства, фирмы и т.д.

Игровые модели, связанные с противоборством, конкуренцией.

Прогностические модели, связанные с прогнозом ситуации при недостатке информации или случайных событиях.

Модели автоматического управления (сделать систему управления оптимальной)

нелинейные модели решаются только в отдельных случаях.

34. Стохастическое моделирование. Метод Монте-Карло в моделировании. Генерирование случайных и псевдослучайных чисел. Методы и алгоритмы генерации. Генерирование случайных чисел распределенных по экспоненциальному, нормальному и произвольно заданному закону распределения.

Стохастическое программирование – раздел математического программирования, совокупность методов решения оптимизационных задач вероятностного характера. Это означает, что либо параметры ограничений (условий) задачи, либо параметры целевой функции, либо и те и другие являются случайными величинами (содержат случайные компоненты).

Оптимизационная задача - экономико-математическая задача, цель которой состоит в нахождении наилучшего распределения наличных ресурсов. Решается с помощью оптимальной модели методами математического программирования, т. е. путем поиска максимума или минимума некоторых функций при заданных ограничениях (условная оптимизация) и без ограничений (безусловная оптимизация). Решение оптимизационной задачи называется оптимальным решением, оптимальным планом, оптимальной точкой.

Случайные величины характеризуются средними значениями, дисперсией, корреляцией, регрессией, функция распределения и т.д.

Статистическое моделирование – моделирование с использованием случайных процессов и явлений.

Существует 2 варианта использования статистического моделирования:

– в стохастических моделях может существовать случайные параметры или взаимодействия. Связь между параметрами носит случайный или очень сложный характер.

– даже для детерминированных моделей могут использоваться статистические методы. Практически всегда используются статическое моделирование в имитационных моделях

Модели , где между параметрами существует однозначная связь и нет случайных параметров называются детерминированными .

Детерминированные процессы – определенные процессы, в которых всякие процессы определены законами.

Человек считает все процессы детерминированными, однако со временем обнаружены случайные процессы. Случайный процесс – это такой процесс, течение которого может быть различным в зависимости от случая, причем вероятность того или иного течения определена.

Исследование процессов показало, что они бывают 2-х типов:

а) Случайные по своей природе процессы;

б) Очень сложные детерминированные процессы;

Доказана центральная теорема, в соответствии с которой сложение различных процессов увеличивает случайный характер. Так, если сложить совершенно разные последовательности, не связанные между собой, то результат в пределе стремится к нормальному распределению. Но известно, что нормальное распределение – независимые события, следовательно, объединение детерминированных событий в пределе ведет к их случайности.

Т.о. в природе не существует совершенно чисто детерминированных процессов, всегда есть смесь детерминированных и случайных процессов. Действие случайного фактора называется “шумом”. Источники шума – сложные детерминированные процессы (броуновское движение молекул).

В имитационном моделировании часто сложные процессы заменяют случайными, следовательно, для того чтобы сделать имитационную модель, нужно научиться моделировать случайные процессы методами статического моделирования. Представляют случайные процессы в КМ последовательностью случайных чисел, величина которых случайно меняется.

В статистическом моделировании очень часто используется метод статистических испытаний Монте-Карло. Метод Монте-Карло – это численный метод решения математических задач при помощи моделирования случайных величин.

Суть метода : для того, чтобы определить постоянную или детерминированную характеристику процесса можно использовать статический эксперимент, параметры которого в пределе связаны с определяемой величиной. Сущность метода Монте-Карло состоит в следующем: требуется найти значение а некоторой изучаемой величины. Для этого выбирают такую случайную величину
, математическое ожидание которой равно :
. Практически же поступают так: производят испытаний, в результате которых получают возможных значений
; вычисляют их среднее арифметическое
и принимают в качестве оценки (приближенного значения) искомого числа:
.

Рассмотрим суть метода на примерах его использования.

Гомель, 2003 г.

УДК 57.082.14.002.2

Разработали: Стародубцева М. Н., Кузнецов Б. К.

Учебное пособие по теме «Математическое моделирование биологических процессов»

Пособие содержит две лабораторные работы, знакомящие студентов-медиков с основами математического моделирования биологических процессов, одна из них (два занятия) реализована в системе компьютерной алгебры Mathcad. В первой работе «Моделирование функционирования сердечно-сосудистой системы» рассматривается математическое моделирование биологических процессов, в том числе модели функционирования сердечно-сосудистой системы. Рассматривается системный подход в моделировании функционирования сложных объектов, принципы составления систем дифференциальных уравнений, описывающих поведение биологического объекта, а также такие понятия, как устойчивые и неустойчивые состояния, бифуркации, осцилляторы, синхронизация процессов. В практической части работы содержится алгоритм вычисления параметров кровообращения в покое и после нагрузки по опытным данным и методы их статистического анализа. В второй работе, связанной с компьютерным моделированием, содержится описание пользовательского интерфейса, входного языка системы Mathcad, основных методов вычислений (вычисление арифметических выражений, нахождение производных функций, интегралов, решение дифференциальных уравнений и систем дифференциальных уравнений), основ построения графиков, некоторых функций статистики (вычисление среднего значения, стандартного отклонения, нахождение уравнения линейной регрессии и коэффициента корреляции).

Для студентов 1-го курса медицинских высших учебных заведений всех факультетов.

Рецензенты:

Черенкевич С. Н.,

профессор, д.б.н, заведующий кафедрой биофизики Физического факультета Белгосуниверситета,

Асенчик О. Д.,

к.ф.-м.н., заведующий кафедрой информационных технологий Гомельского государственного технического университета им. П. О. Сухого.

Утверждено Научно-методическим советом института в качестве учебного пособия _____________ 2003 г., протокол № ____ по теме: «Математическое моделирование биологических процессов»

Ó Гомельский государственный медицинский институт, 2003 г.

Тема: Математическое моделирование биологических

процессов

Лабораторная работа 1

Математическое моделирование биологических процессов.

Моделирование функционирования сердечно-сосудистой

системы

Время занятия – 135 минут.

Цель: Изучить современные модели сердечно-сосудистой системы и показать на их примере эффективность применения метода моделирования для оценки состояния и выявления характерных особенностей поведения сложных биологических объектов.

1.1. Вопросы теории

1.1.1. Математическое моделирование биологических процессов. Биофизика сложных систем.