Применение математических методов в изучении биологии, экологии, биохимии

Дифференциальные уравнения в биологии

Современная биология - одна из самых широких площадок для применения дифференциальных уравнений. Так как дифференциальные уравнения хорошо показывают протекание эволюционных процессов, естественно, что они широко применяются в науке о функционировании биосистем. 
Первой содержательной математической моделью, описывающей биологические сообщества (если не считать исследований Фибоначчи популяции кроликов, приведших его к знаменитым числам, носящим его имя, а также исследований Мальтуса, приведших впоследствии к известному уравнению x′ = ax (a > 0) мальтузианского роста) была модель Лотки — Вольтерры. Она описывает популяцию, состоящую из двух взаимодействующих видов. Первый из них, именуемый хищниками, при отсутствии второго вымирает по закону x′ = –ax (a > 0), а второй — жертвы — при отсутствии хищников неограниченно размножается в соответствии с законом Мальтуса. Взаимодействие двух этих видов моделируется так. Жертвы вымирают со скоростью, равной числу встреч хищников и жертв, которое в данной модели предполагается пропорциональным численности обеих популяций, т. е. равной dxy (d > 0). Поэтому y′ = by – dxy. Хищники же размножаются со скоростью, пропорциональной числу съеденных жертв: x′ = –ax + cxy (c > 0). Система уравнений 
x′ = –ax + cxy, (1) 
y′ = by – dxy, (2) 
описывающая такую популяцию хищник — жертва и называется системой (или моделью) Лотки — Вольтерры. 
Однако, система Лотки — Вольтерры обладает одним существенным недостатком: она неустойчива по отношению к малым возмущениям самой модели, точнее, не является грубой. 
Поскольку в реальных популяциях присутствует много возмущающих факторов, не учтенных в модели Лотки — Вольтерры, эта модель вряд ли может претендовать на адекватное описание реальности. Этого недостатка лишена модель Холлинга — Тэннера, учитывающая большее число реальных факторов. В этой модели скорость изменения популяции хищников задается выражением ax – bx2/y = x(a – bx/y). Оно выбрано из следующих соображений. Когда пищи (жертв) много (y ≈ +∞), популяция хищников растет по правилу Мальтуса с показателем a. С уменьшением числа жертв скорость роста популяции хищников падает и при y < bx/a становится отрицательной (последнее, грубо говоря, является следствием предположения, что для поддержания жизни одного хищника необходимо k = b/a жертв). 
Скорость изменения популяции жертв состоит из трех компонент. Первый член cy соответствует закону Мальтуса, второй –dy2 описывает внутривидовую конкуренцию и вызван ограниченностью ресурсов экологической ниши, занимаемой популяцией жертв. При отсутствии хищников жертвы подчиняются уравнению y′ = y(c – dy). Наконец, третий компонент скорости изменения популяции жертв в модели Холлинга — Тэннера описывает ее взаимодействие с хищниками и имеет вид –pxy/(q + y) (p, q > 0). Это выражение правдоподобнее описывает межвидовое взаимодействие, нежели соответствующий член –dxyмодели Лотки — Вольтерры. В последней число жертв, убиваемых одним хищником за единицу времени, равно dy и растет пропорционально числу жертв, что неправдоподобно. В модели Холлинга — Тэннера коэффициент хищничества равен py/(q + y). Он не может превышать величины p/q и при неограниченном росте популяции жертв стремится, монотонно возрастая, к числу p/q, выражающему естественную потребность хищников в пище. В результате получается следующая система уравнений (модель Холлинга — Тэннера) 
x′ = (a – bx/y)x, (3) 
y′ = [c – dy – px/(q + y)]y. (4) 
Система (3) – (4) имеет предельный цикл, устойчивый относительно малых возмущений модели, т.е. эта модель более устойчива, чем модель Лотки — Вольтерры. 

 

-Математическое моделирование в экологии

Две основные модели

В экологии существуют две классические модели, модель хищника и жертвы, и модель конкуренции двух видов.

а) Модель хищник-жертва.

б) Модель конкуренции двух видов.

Считается, что имеется некоторая конкретная емкость среды К, равная максимально возможной численности данного вида в определенных условиях, получается следующее уравнение:

 

dN/dt=kN(1-N/K)=kN[(K-n)/K]. 1.3

 

Иными словами, вводится представление о том, что логарифмическая скорость роста N-1(dN/dt) Линейно снижается с возрастанием N. Уравнение 1.3 с начальным условием N (0) = n без труда решается явно. Качественная картина состоит в том, что небольшая в начале опыта численность вида монотонно возрастает по гладкой кривой. Это так называемый логистический рост. Логистическая кривая асимптотически приближается к максимально возможному значению К. Предположим, что имеются два вида, способные жить в какой-то определенной среде, причем каждый из них в отсутствии другого размножается по логистическому уравнению (1.3). Имеются, следовательно, два уравнения

 

dNi/dt=kiNi(1-Ni/Ki)= kiNi[(Ki-Ni)/Ki],i=1,2 (1.4)

 

Предположим, что при совместном выращивании двух видов в данной среде действие их друг на друга сводится к тому, что один вид потребляет часть ресурсов другого вида. Это означает, что в соответствующей модели следует вместо множителя 1-Ni/Ki, входящего в в уравнения в (1.4) в качестве фактора исчерпания ресурсов среды, подставить множитель 1-(Ni+αijNj)/Ki.

dN1/dt=k1N1(1- (N1+α12N2)/K1),

dN2/dt=k2N2(1- (N2+α21N1)/K2). (1.5)

Система (1.5) мыслится как общее описание взаимодействия двух видов, живущих в одной среде обитания. Остается вопрос, действует ли в каких-то конкретных условиях система (1.5) с какими-нибудь значениями коэффициентов.

Другие примеры моделей

 

4. Выделенные из листьев хлоропласты. На выделенных системах часто изучают процессы, происходящие в живой системе, в этом смысле фрагмент является моделью целой живой системы. Выделение более простой системы позволяет исследовать механизмы процессов на молекулярном уровне. При этом исключается регуляция со стороны более высоких уровней организации, в данном случае, со стороны растительной клетки, листа, наконец, целого растения. В большинстве случаев наблюдать процессы на молекулярном уровне в нативной (ненарушенной) системе не представляется возможным. Говорят, что изученные на выделенном хлоропласте первичные процессы фотосинтеза являются моделью первичных процессов фотосинтеза в живом листе. К сожалению, этот метод фрагментирования приводит к тому, что «…живой ковер жизни распускается по ниточкам, каждая ниточка досконально изучается, но волшебный рисунок жизни оказывается утрачен» (лауреат Нобелевской премии по биохимии Л. Поллинг).

5. Бислойная липидная мембрана. Еще «более модельным» примером является изучение процессов ионного трансмембранного переноса на искусственной бислойной липидной мембране. Понятно, что в реальных биологических объектах мембраны чаще всего не бислойные, а многослойные, содержат встроенные белки и другие компоненты, поверхность их не является плоской и обладает множеством других индивидуальных особенностей. Однако, чтобы изучить законы образования поры, через которую ион проходит сквозь мембрану внутрь клетки или органеллы, необходимо создать «чистую», «модельную» систему, которую можно изучать экспериментально, и для которой можно использовать хорошо разработанное наукой физическое описание.

6. Популяция дрозофилы, является классическим  объектом моделирования микроэволюционного  процесса и примером исключительно  удачно найденной модели. Еще  более удобной моделью являются  вирусы, которые можно размножать  в пробирке. Хотя не вполне  ясно, справедливы ли эволюционные  закономерности, установленные на  вирусах, для законов эволюции  высших животных. В лекции 11 мы  увидим, что хорошей моделью микроэволюционных  процессов являются также микробные  популяции в проточном культиваторе. 

Следующая известная истории модель — модель Мальтуса (1798), описывающая размножение популяции со скоростью, пропорциональной ее численности. В дискретном виде этот закон представляет собой геометрическую прогрессию:

; или

Этот закон, записанный в виде дифференциального уравнения, представляет собой модель экспоненциального роста популяции и хорошо описывает рост клеточных популяций в отсутствии какого-либо лимитирования:

Здесь r — коэффициент, аналогичный коэффициенту q в дискретной модели — константа собственной скорости роста популяции, отражающая ее генетический потенциал.

Классификация моделей

Условно все математические модели биологических систем можно разделить на регрессионные, качественные и имитационные. 
Регрессионные зависимости ? это формулы, описывающие связь различных характеристик системы, не претендуя на физический или биологический смысл этих зависимостей. Для построения регрессионной модели достаточно статистически достоверных наблюденных корреляций между переменными или параметрами системы.

ПРИМЕРЫ 
1. Зависимость между количеством производителей хамсы S и количеством молоди от каждого нерестившегося производителя в Азовском море (используется в большой имитационной модели динамики рыбного стада Азовского моря, Горстко, 1985):

S — количество сеголеток (штуки) на каждого нерестившегося производителя. 
x — количество зашедших весной из Черного моря в Азовское производителей хамсы (млрд штук). 
s — среднеквадратичное отклонение.

2. Скорость поглощения кислорода  опадом листьев 
(Из книги: Д.Джефферс «Введение в системный анализ: применение в экологии», М., 1981)

Y поглощение кислорода, измеренное  в мкл(0,25 г)-1ч-1. 
D — число дней, в течение которых выдерживались образцы, 
B — процентное содержание влаги в образцах, 
Т — температура, измеренная в град.С.

Эта формула дает несмещенные оценки для скорости поглощения кислорода во всем диапазоне дней, температур и влажностей, которые наблюдались в эксперименте, со средним квадратичным отклонением в поглощении кислорода, равном s =0.319±0.321.

Коэффициенты в регрессионных моделях обычно определяются с помощью процедур идентификации параметров моделей по экспериментальным данным. При этом чаще всего минимизируется сумма квадратов отклонений теоретической кривой от экспериментальной для всех точек измерений. Т.е. коэффициенты модели подбираются таким образом, чтобы минимизировать функционал:

Здесь i ? номер точки измерения, 
xe ? ‘экспериментальные значения переменных, 
хt ? теоретические значения переменных, 
a1, a2… ? параметры, подлежащие оценке, 
wi ? «вес» i-го измерения, 
N ? число точек измерения.

Имитационные модели (simulation) 
По меткому выражению Р. Шеннона (1978) имитационное моделирование ? это нечто промежуточное между искусством и наукой, направление, появление которого целиком обязано бурному росту возможностей вычислительной техники.

Суть имитационного моделирования заключается в исследовании сложной математической модели с помощью вычислительных экспериментов и обработки результатов этих экспериментов. При этом, как правило, создатели имитационной модели пытаются максимально использовать всю имеющуюся информацию об объекте моделирования, как количественную, так и качественную.

Грубо говоря, процесс построения имитационной модели можно представить следующим образом. Мы записываем в любом доступном для компьютера формализованном виде (в виде уравнений, графиков, логических соотношений, вероятностных законов) все, что знаем о системе, а потом проигрываем на компьютере варианты того, что может дать совокупность этих знаний при тех или иных значениях внешних и внутренних параметров системы. 
Если вопросы, задаваемые нами модели, относятся не к выяснению фундаментальных законов и причин, определяющих динамику реальной системы, а к бихевиористскому (поведенческому) анализу системы, как правило, выполняемому в практических целях, имитационная модель оказывается исключительно полезной.

Особенно привлекательным оказалось применение имитационных моделей для описания экологических систем — необычайно сложных образований, включающих множество биологических, геологических, метеорологических и прочих факторов. Благодаря возможности проигрывать различные «сценарии» поведения и управления имитационная модель может быть успешно использована для выбора оптимальной стратегии эксплуатации природной экосистемы или оптимального способа создания искусственной экосистемы.

При создании имитационной модели можно позволить себе высокую степень подробности при выборе переменных и параметров модели. При этом модель может получиться разной у различных авторов, поскольку точные формальные правила ее построения отсутствуют. Результаты машинных экспериментов зависят не только от заложенных в модели соотношений, но и от организации комплекса реализующих в модель программ, и от механизма проведения машинных экспериментов. Поэтому воплощением идеи имитационного моделирования следует считать систему человек — машина, обеспечивающую проведение имитационных экспериментов в режиме диалога между лицом, проводящим эксперимент, и «машиной», т.е. комплексом программ. 
Основные этапы построения имитационной модели следующие.

Формулируются основные вопросы о поведении сложной системы, ответы на которые мы хотели бы получить. В соответствии с задачами моделирования задается вектор состояния системы. Вводится системное время, моделирующее ход времени в реальной системе. Временной шаг модели также определяется целями моделирования.

Производится декомпозиция системы на отдельные блоки, связанные друг с другом, но обладающие относительной независимостью. Для каждого блока определяют, какие компоненты вектора состояния должны преобразовываться в процессе его функционирования.

Формулируют законы и гипотезы, определяющие поведение отдельных блоков и связь этих блоков друг с другом. Для каждого блока множество законов функционирования дополняется множеством логических операторов, формализующих опыт наблюдения за динамикой процессов в. системе. При необходимости вводится «внутреннее системное время» данного блока модели, позволяющее моделировать более быстрые или более медленные процессы. Если в блоке используются случайные параметры, задаются правила отыскания на каждом шаге некоторых их реализаций. Разрабатываются программы, соответствующие отдельным блокам. 
Каждый блок верифицируется по фактическим данным, и при этом его информационные связи с другими блоками «замораживаются». Обычно последовательность действий при верификации блоков такова: часть имеющейся информации используется для оценки параметров модели, а затем по оставшейся части информации сравнением расчетных данных с фактическими проверяется адекватность модели.\