Рафаэль Лаос-Бельтра - Том 28. Математика жизни. Численные модели в биологии и экологии.
Если вы примете два лекарства или более, их совокупный терапевтический эффект не будет равен сумме эффектов отдельных медикаментов. Как правило, они вступают в реакцию между собой, причем часто во вред организму.
Нелинейные системы: их сложно изучить, так как не существует одного математического метода, описывающего их все, хотя их поведение и похоже. К примеру, если мы подтолкнем маятник, он будет совершать колебания до тех пор, пока не остановится. Похожие ситуации наблюдаются в иммунной системе и в долговременной памяти человека.
Любопытная особенность нелинейных систем состоит в том, что их поведение может быть хаотическим. Хаотические системы — это системы, обладающие сложным поведением, которое непросто спрогнозировать, так как они одновременно стремятся к равновесному состоянию и отдаляются от него. К примеру, атмосфера и климат, тектонические плиты, эпилепсия, популяции и многие другие явления, о которых мы расскажем в этой книге, представляют собой хаотические системы и описываются уравнением Ферхюльста. Изучение хаоса стало популярным в биологии благодаря фракталам — их характерным примером в природе является ветвление растений.
В середине 1980-х ученые объединили нелинейные, хаотические и диссипативные системы в одно целое — сложные системы, изучению которых в биологии уделяется наибольшее внимание. К таким системам относятся, например, муравейники, мозг, иммунная система, клетка, морфогенез или экосистемы. В некоторых случаях сложные системы изучаются с применением стандартных методов математической биологии. Однако некоторые системы настолько сложны, что изучить их можно только альтернативными компьютерными методами, позволяющими найти лишь приближенные решения. Такие методы называются эвристическими. К примеру, в настоящее время метод клеточных автоматов является одной из альтернатив моделированию сложных систем, для которых неизвестны описывающие их дифференциальные уравнения. Классический пример клеточного автомата — колония муравьев. В некоторых случаях, несмотря на то что дифференциальные уравнения, описывающие систему, известны (например, в случае с пятнами на коже позвоночных), поведение системы быстрее и удобнее смоделировать с помощью клеточных автоматов. Кроме того, клеточные автоматы позволяют наглядно изобразить узоры, к примеру полоски зебры, что при использовании дифференциальных уравнений невозможно. Еще одним примером служит клеточный автомат Ва-Top, описывающий модель «хищник — жертва» Лотки — Вольтерры.
В этой главе мы коротко обрисовали основные этапы развития математической биологии. Обратите внимание, что не только зарождение, но и последующее развитие этой дисциплины неизменно находилось под большим влиянием преобладавших на тот момент физических интерпретаций жизни. Более того, математическая биология — это дисциплина, которая способствовала тщательному анализу биологических явлений и экспериментальных данных. Сегодня одним из самых важных достижений математической биологии являются математические модели, позволяющие проводить с помощью компьютера сложные эксперименты.
Математические модели в биологии
Человек всегда испытывал потребность понимать, контролировать и предсказывать поведение всего сущего. Для этого ученые всех времен и народов создавали модели окружающего мира, то есть представления или абстракции некоторой системы или явления.
Модель обладает несколькими полезными свойствами. С одной стороны, она позволяет понять и объяснить то или иное явление — в качестве примера можно привести модель клеточного цикла или метаболизма глюкозы. С другой стороны, что особенно важно, она позволяет предсказать состояние или поведение изучаемой системы в будущем: это может быть прогнозирование климата или описание какой-либо гипотетической ситуации, например воздействия аварии на атомной электростанции на флору и фауну региона.
Также компьютерное моделирование позволяет ученым проверить те или иные гипотезы. К примеру, можно провести эксперимент, опровергающий гипотезу о происхождении жизни или позволяющий рассмотреть механизм эволюции конкретного вида. Модель может использоваться и для того, чтобы вдохновить, например, группу инженеров на поиски решения задачи. В любом случае построение моделей очень важно как в силу их практической ценности, так и из-за того, что моделирование — единственный способ, который позволяет постепенно выстроить картину окружающего мира.
В биологии, как и в других науках, наиболее полезны математические модели: они в абстрактной форме представляют систему или явление с использованием языка и формальных средств математики. К примеру, в модели клетки, сердца или экосистемы составные части объекта и взаимодействие между ними представлены математическими выражениями. Эти выражения связывают множество входных переменных I1, I2, …, In и выходную переменную О. Входные переменные обозначают величины, которые можно наблюдать (и измерить) в ходе эксперимента. Обычно одна из этих переменных — время, t. Она обозначает момент времени, в который были получены входные значения I1(t), I2(t), …, In(t). Как только эти значения определяются экспериментально или любым другим способом (например, на основе каких-либо теоретических предпосылок), они вводятся в модель. Используя математические выражения модели, ученый определяет значение выходной переменной O(t), которое отражает какое-либо свойство системы. Обычно этим свойством является состояние или поведение системы в определенный момент времени t.
В математических выражениях используются параметры. В отличие от входных и выходных переменных, они обозначают величины, которые нельзя наблюдать в ходе эксперимента напрямую, например уровень рождаемости, константа распада, скорость биохимической реакции и т. д. Как следствие, значения параметров устанавливаются в лаборатории или при полевых исследованиях.
Для определения приближенного значения параметра используются сложные статистические методы. Однако иногда это значение уже известно: его можно найти в таблицах, опубликованных другими исследователями. В качестве примера можно привести калорийность продуктов в модели, связанной с диетами. Другие известные параметры — это сезонный уровень заболеваемости гриппом или время роста культуры бактерий. Параметры связывают входные переменные I1(t), I2(t), …, In(t) с выходной переменной O(t) посредством выражений математической модели.
Математическая модель, входные переменные (I) и выходная переменная (О).
Компьютер как пробирка
Моделирование — одно из основных понятий современной науки — заключается в прогнозировании будущего состояния системы, O(t + 1), на основе определенной вычислительной модели. К примеру, прогноз погоды на ближайшие дни основан на вычислительной модели климата, прогнозирование численности волков и зайцев в определенном регионе производится на основе модели «хищник — жертва», а число людей, которые заболеют сезонным гриппом, можно спрогнозировать с помощью вычислительной модели эпидемии гриппа. Таким образом, для составления прогнозов требуется вычислительная модель.
В общем случае такая модель — это компьютерная программа, написанная на одном из языков программирования (Visual Basic, С/C++, Java и т. д.). Моделирование заключается в том, чтобы заставить математическую модель работать на компьютере в поисках ответа на вопросы, касающиеся будущего состояния системы: «что произойдет, если…?». Таким образом, компьютер превращается в пробирку, подлинную лабораторию, где можно исследовать явления, которые нельзя изучить при полевых исследованиях или в лаборатории.
Существует несколько способов компьютерного моделирования. Во-первых, оно может заключаться в определении начальных условий и будущего состояния системы. Начальные условия — это значения входных переменных модели (они известны), на основе которых выполняется прогноз. Ученые называют отправную точку модели нулевым моментом времени, поэтому начальные условия записываются так: I1(0), I2(0)…, In(0). К примеру, если на сегодняшний день свиным гриппом заболели 1247 человек, из которых 1240 выжили, семь — умерли, то начальные условия таковы: I1(0) = 1247, I2(0) = 1240 и I3(0) = 7. Зная эти начальные условия и применив вычислительную модель эпидемии, можно задаться вопросом: сколько человек заболеют гриппом через семь дней?
