Что означает моделирование в биологии

Применение моделирования в биологии

Вы будете перенаправлены на Автор24

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.

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:

Готовые работы на аналогичную тему

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.

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.

Источник

Мастер-класс «Приемы моделирования как способ представления результатов на уроках биологии»

Разделы: Биология

«Творчество есть процесс, творчество есть овладение
новыми возможностями».
Н.Рерих

Добрый день, дорогие коллеги! На дворе осень – пора замирания и оцепенения природы, пора ярких красок, пора подготовки к зиме и грядущему скоро празднику встречи Нового года, новых свершений, новых поисков и надежд, новых успехов. И я поздравляю вас с этим, желая вам творческого полета, новых открытий и начинаний, отличного настроения и душевного тепла.

Мы встретились на мастер-классе, мы готовы к поиску нового, творчеству, сотрудничеству. Чтобы подарить друг другу каплю тепла и доброты (мысли материальны)!

1. Итак, попробуем в группах смоделировать наше осеннее настроение (2-3 мин)

(Демонстрируем, озвучиваем и крепим результаты моделирования на доску магнитами)

Итак, успехи первого этапа моделирования мы услышали и увидели, мы подарили друг другу улыбки и хорошее настроение.
С различными моделями люди сталкиваются в своей жизни. В детстве это всевозможные игрушки (машины, куклы, конструкторы). А в последующие годы – учебные модели в школе, модели одежды, чертежи, схемы и др. Электромобиль на стенде выставки, телевизионная красавица, рекламирующая различные товары, макет здания, детская мягкая игрушки, математическая формула, теория развития общества – это все модели.

2. Постановка цели

На сегодняшнем мастер-классе о чем вы хотели бы узнать? (беседа с учителями)

Чему хотим научиться?

Каких результатов планируем достичь?

3. Как же получается назвать такие разные понятия одним словом?

(на листе бумаги посередине слово «МОДЕЛЬ») Что мы знаем о модели? (ассоциации записываем на листочке, используя стрелки и связки)

Анализ нарисованных схем (опрос по группам или по парам)

4. Давайте обратимся к определениям моделей разных авторов и выберем наиболее точные характеристики (словосочетания, выражения). На их основе дадим формулировку слову «модель»

Значение слова Модель по Ефремовой:

Модель

Значение слова Модель по Ожегову:

5.Теперь попробуем сформулировать сами понятие «Модель» (дать время на написание формулировки, затем озвучить)

Модель – это некий новый упрощенный объект, который отражает существенные особенности реального объекта, процесса или явления.

Анализ модели и наблюдение за ней позволяют познать суть реально существующего, более сложного объекта, процесса, явления, называемого прототипом или оригиналом.

6. Для чего применяются модели?(беседа)

Модели в биологии применяются для моделирования биологических структур, функций и процессов на разных уровнях организации живого: молекулярном, субклеточном, клеточном, органно-системном, организменном и популяционно-биоценотическом. Возможно также моделирование различных биологических феноменов, а также условий жизнедеятельности отдельных особей, популяций и экосистем.

Что такое моделирование?

Моделирование – это процесс построения моделей для исследования и изучения объектов, процессов, явлений.

8. Что можно моделировать в биологии? (пробуют сами ответить на данный вопрос)

1. Объекты: Различные уровни организации живой природы: клетки и их части, органы, системы органов, организмы разных царств, сообщества, биосферу, модель солнечной системы и т д.

2. Биологические явления: диффузия газов, осмос и тургор клетки, плазмолиз и деплазмолиз, явление корневого давления, все сезонные явления природы, листопад, прилет птиц, гнездостроение, спячка животных и т.д.

3. Процессы: процесс биосинтеза белка, фотосинтеза, митоза и мейоза, двойное оплодотворение цветковых, все процессы жизнедеятельности (дыхание, выделение, размножение, развитие и т.п.)

9. Может возникнуть вопрос: Может лучше исследовать сам оригинал, а не строить его модель? (Желательно, чтобы примеры приводили учителя)

10. По каким признакам можно классифицировать модели? (беседа)

При классификации объектов по «родственным» группам необходимо правильно выделить определенный признак.

По области использования моделей:

По отрасли знаний:

По фактору учета времени:

По способу реализации: компьютерные, некомпьютерные.

По способу представления (материальные и информационные).

Материальные модель предметная, физическая. Воспроизводит геометрические и физические свойства оригинала и всегда имеет реальное воплощение, реализует материальный подход к изучению объекта, явления или процесса.

Формами представления информационной модели могут быть: словесное описание, таблица, схема, чертеж, формула, алгоритм, компьютерная программа и т.д.

Информационные модели бывают:

Из информационных знаковых моделей по форме представления можно выделить следующие виды:

11. Выделим этапы моделирования: (схема составляется на доске)

12. Приведу примеры моделирования из своей практики на уроках биологии. (показ слайдов с примерами и иллюстрациями)

1. Материальное моделирование объемное – модель из пластилина

3. Наглядно-символическая форма – ментальная карта (подробное пояснение)

Интеллект-карты, ментальные карты, карты ума. Теория интеллект-карт была впервые представлена миру весной 1974 года после публикации книги «Работай головой». Это разработка Тони Бьюзена – англ. писателя, лектора и консультанта по вопросам интеллекта, психологии обучения и проблем мышления.

Интеллект-карты – один из способов визуализации и систематизации информации.

В чем преимущества Интеллект-карт перед традиционными способами переработки информации (конспектирование в виде текста, таблиц, графиков, списков)? Изучение информации через Интеллект-карты объединяет работу левого и правого полушарий в целое, следовательно, более быстрая и качественная фиксация изучаемого материала.

Построение Интеллект-карт.

В основе техники – принцип «радиального мышления». Проектирование всегда начинается из центра – от главного обобщающего понятия, и продолжается в разные стороны.

Центральный образ (символизирующий основную идею) рисуется в центре. От центрального образа отходят ветки первого уровня и пишутся слова, ассоциирующиеся с ключевыми понятиями, раскрывающими центральную идею. От веток первого уровня при необходимости отходят ветки 2 уровня. По возможности используем максимальное количество цветов, для рисования карты. Везде, где возможно, добавляем рисунки, символы, и другую графику, ассоциирующиеся с ключевыми словами. При необходимости рисуем стрелки, соединяющие разные понятия на разных ветках.

Узловая структура, где каждый узел является информационным блоком, связанным с другим.

Древовидная форма, на которой изображены слова, идеи, задачи или другие понятия, связанные ветвями, отходящими от центрального понятия или идеи. Линии разной толщины и символизируют важность, очередность или другую логику взаимоотношения понятий.

7. Игровое моделирование – составление и проигрывание сценария на тему по ролям.

13. Самостоятельная работа групп учителей по созданию выбранного варианта моделирования

Итак, дорогие коллеги. Пришло время и нам попробовать освоить приемы моделирования по разным направлениям. Почувствуйте себя школьниками на уроке биологии и рассуждайте примерно так же. Образуем группы.

Ваша задача – через определенное время представить модели, которые можно получить при изучении данной темы. Придумать варианты работы с моделью.

Распределение по группам:

14. Защита своих экспериментов по моделированию группами учителей.

15. Какие группы УУД формируются у обучающихся благодаря данным приемам моделирования?(беседа)

Регулятивные

Коммуникативные

Познавательные

Установление связи между целью учебной деятельности и ее мотивом.
Готовность к саморазвитию и самообразованию.
Формирование личностных представлений о ценности природы.

Умение самостоятельно определять цель
Умение самостоятельно планировать пути достижения цели
Прогнозирование результата деятельности

Организация и планирование работы в группе.
Умение договариваться, находить общее решение.
Определение функций участников и способов их взаимодействий.
Инициативное сотрудничество.
Контроль, коррекция и оценка действий партнера.

Умение структурировать тексты, включая умение выделять главное и второстепенное, главную идею текста, выстраивать последовательность описываемых событий.
Умение давать определения понятиям.
Умение устанавливать причинно-следственные связи.
Умение создавать и преобразовывать модели и схемы для решения задач.

16. Рефлексия. Выводы (беседа)

Использование метода моделирования позволяет развивать:

Особенность моделирования состоит в том, что наглядность представляет собой не простое демонстрирование натуральных объектов, а стимулирует самостоятельную практическую деятельность детей, в том числе и природоохранительную. Сами обучающиеся под руководством учителя создают различные модели: чертят план местности, строят простейшие графики и диаграммы по результатам наблюдений за погодой, чертят схемы всевозможных связей, изготавливают различные модели из глины, песка, пластилина, картона, бумаги и т.д.

Источник

Использование метода моделирования в биологии

Метод моделирования в биологии — в чем суть

Биология зародилась изначально как описательная наука. Со временем арсенал методов расширялся. В современной биологии используют 5 основных методов.

Биологическая модель — это упрощенное отображение объекта, явления, процесса или системы, которое отражает существенные особенности реального прототипа.

Изучение такой упрощенной системы позволяет получить информацию о другой, более сложной реальной системе. В этом изучении и состоит суть моделирования — процесса построения моделей для исследования.

Осторожно! Если преподаватель обнаружит плагиат в работе, не избежать крупных проблем (вплоть до отчисления). Если нет возможности написать самому, закажите тут.

Для чего и в каких случаях используется

Моделирование применяется для изучения абсолютно разных биологических феноменов. Поскольку системы природного мира зачастую являются сложными структурно-функциональными единицами, изучать их с помощью большинства обычных методов довольно тяжело.

С помощью упрощенных моделей можно изучать:

Значение моделей в том, что они позволяют изучать объекты, процессы и явления на всех уровнях организации живого: молекулярном, субклеточном, клеточном, органно-системном, организменном и популяционно-биоценотическом. Также с их помощью можно изучать явления и объекты неживой природы в любом масштабе.

Моделирование имеет ряд преимуществ перед другими методами, используемыми в биологии как науке. Она дает ряд возможностей:

Основы моделирования биологических процессов и систем

Чтобы модель действительно отображала свойства отображаемого объекта или явления и могла рассматриваться как научный метод, необходимо правильно составить ее. Упрощенно алгоритм можно представить следующим образом.

Какие виды моделей применяются

Модели в целом можно разделить на две большие категории:

Можно также выделить 2 разновидности моделей, в зависимости от фактора времени:

Основных типов моделей в биологии 3:

В биологических моделях используют настоящих животных. На них ученые изучают различные состояния, в т. ч. болезни, встречающиеся как у этого вида животных, так и у человека.

Ученые искусственно вызывают генетические или приобретенные нарушения, чтобы отследить их причины и динамику развития, а также найти способ справиться с ними. Для этого к животным могут подсадить микробов, ввести токсины, изменить работу органов и систем органов, поменять рацион или поместить в искусственную среду обитания.

Такие модели широко распространены в генетике, физиологии и фармакологии.

Сущность физико-химических моделей в том, что они воспроизводят структуру биологических структур или процессов. Это напоминает наблюдение за естественным явлением, но смоделированное. К примеру, немецкий ученый М. Траубе в XIX веке сымитировал рост живой клетки. Современные модели нервной деятельности основаны в основном на принципах электроники и электротехники.

Некоторые растворы (к примеру, растворы Рингера, Тироде, Локка и др.) состоят из органических и неорганических веществ и имитируют внутреннюю среду живого организма.

С развитием IT-технологий большую роль отводят компьютерным моделям. Их возможно применить почти во всех сферах биологии. С помощью компьютерного анализа можно проанализировать исходные данные, в том числе изображения, и получить на выходе необходимые свойства, предсказание явления или поведения объекта.

Компьютерные модели работают как виртуальные эксперименты, в которых исследователь контролирует каждую переменную и фактор воздействия. Это дает виртуальным экспериментам преимущество перед реальными, в которых многие факторы неподконтрольны ученым, а также позволяет рассмотреть тщательно процесс, вне зависимости от времени его протекания в реальной жизни.

Метод моделирования как средство достижения метапредметных результатов

Моделирование в процессе обучения способно не только облегчить понимание биологических процессов, но и развить метапредметные навыки.

Когда обучающийся сам составляет модель, он проходит через все этапы алгоритма. Информация собирается, анализируется и обобщается, прежде чем воплотиться в модель. Такой интерактивный способ способствует лучшему усвоению материала.

Таким образом, применение моделей в обучении позволяет:

Источник

wiki.vspu.ru

портал образовательных ресурсов

«Задачи Биологии решаемые с помощью компьютерного моделирования»

Выполнила Гарькуша Анастасия 10 Б

В биологии применяются в основном три вида моделей: биологические, физико-химические и математические (логико-математические).

В реальном времени нужный для науки оригинал может уже не существовать или же существовать, но в разных частях света ( например вымирание Динозавров ) и чтобы собрать общую картину похожую на оригинал нам будет необходимо компьютерное моделирование.

С помощью компьютерного моделирования мы можем создавать наглядные примеры внутренних органов и всего организма в целом.

Чтобы рассмотреть модель клетки мы можем использовать компьютерное моделирование и узнать строение досконально.

При помощи компьютерного моделирования мы можем создать модель всех внутренних органов и исследовать их не нанося ущерб здоровью организма.

Вывод : Компьютерное моделирование очень важно для будущего науки в Биологии, так как с помощью него мы можем исследовать все аспекты жизнедеятельности организма, изучать строение живых существ даже если их уже не существует.

Источник

Пространственно-временное моделирование в биологии

Пространственно-временное моделирование в биологии

Адекватное представление свойств системы на разных масштабах — ключевой момент в пространственно-временном моделировании

Авторы

Редакторы

Долгое время биология была описательной и феноменологической наукой, мало приспособленной для прогнозирования и рационализации наблюдаемых явлений. С появлением компьютерной техники математика, наконец, стала осваиваться на такой, на первый взгляд, от нее далекой территории. Изначально, наиболее востребованными в биологии были методы математической статистики, которые позволяют корректно обработать данные экспериментов и оценить статистическую значимость делаемых выводов. Однако со временем, с подачи химии и физики (или биохимии и биофизики) в биологии стали использоваться сложные математические модели, позволяющие не только обрабатывать данные реальных экспериментов, но и способные предсказывать протекание биологических процессов в ходе виртуальных (in silico) экспериментов. Вниманию читателей предлагается перевод статьи Иво Сбальцарини, переработанной специально для «Биомолекулы» и рассказывающей о современных подходах в компьютерном пространственно-временнóм моделировании биологических систем.

1. Введение

Пространственно-временное моделирование — это описание развития процессов одновременно в пространстве и во времени. В более простом случае динамику системы «как она есть» можно описывать только во времени: и такой подход обычно используется в химической кинетике или моделировании метаболических процессов. В настоящее время задача пространственно-временного моделирования биологических процессов решается с применением современных суперкомпьютеров. Существующие высокопроизводительные методики, способные корректно обрабатывать большие объемы данных, также позволяют проводить такие виртуальные (in silico) эксперименты, какие в реальности проделать невозможно. Использование компьютера значительно расширяет пределы, в которых можно изменять параметры и проводить наблюдения. Вычислительные эксперименты помогают узнать больше о системах, слишком сложных для анализа вручную, а также позволяют оперировать временными отрезками и расстояниями, которые не доступны в лабораториях.

В качестве примера можно привести изучение молекулярной динамики (МД; см. также «Молекулярная динамика биомолекул. Часть I. История полувековой давности» [122]) в структурной биологии, а также экологические или эволюционно-биологические исследования. В виртуальных экспериментах можно контролировать и измерять все переменные. Поэтому мы можем померить всё, что нужно, и очень точно оценить все ключевые факторы и взаимодействия. В результате мы можем отдельно рассматривать сопряжённые процессы, которые в реальных экспериментах разделить невозможно. Также резко уменьшается или совсем исчезает необходимость непрямых контрольных экспериментов, и легче становится интерпретировать полученные данные. И, наконец, в вычислительных моделях не задействованы живые существа, поэтому можно проводить виртуальные эксперименты, которые в жизни недопустимы по этическим соображениям. В этой статье речь пойдет о применении пространственно-временных компьютерных моделей в области биологии, хотя применяемые методы и концепции используются более широко.

Чтобы разрешить динамический процесс в пространстве, необходимо значительно увеличить число степеней свободы (переменных), которые нужно отслеживать. Возьмём, к примеру, биохимическую реакцию гетеродимеризации. Для химическо-кинетической модели будет достаточно только трех переменных: концентрации димеров и каждого из двух мономеров. Допустим, что мономеры синтезируются в определённых точках в пространстве и свободно диффундируют оттуда в окружающую среду. Следовательно, их концентрация в пространстве изменяется от высокой (рядом с источником) до низкой (вдали от него). Очевидно, что такая детализация значительно увеличивают количество переменных, которое нужно отслеживать в модели. Если при этом нас интересуют локальные концентрации в тысяче точек, то нам придётся отслеживать три тысячи переменных. Более того, реакции, протекающие в разных точках пространства, зависят друг от друга. Каждая локальная реакция может влиять на остальные, так как мономеры и димеры распространяются в пространстве посредством диффузии. Это приводит к тому, что сложность пространственно-временных моделей быстро возрастает. На самом деле, в теории не существует максимального числа точек в пространстве, которые мы можем использовать для разрешения пространственных структур в концентрационных полях. Если мы возьмём бесконечно много точек, тогда система будет смоделирована как непрерывное множество (континуум). На данный момент создан мощный математический инструментарий, который эффективно работает с пространственно-временными моделями и воспроизводит их. В данной работе мы не ставили цель подробно описать каждый из этих методов, поэтому предлагаем читателю общий обзор со ссылками на специализированную литературу. Но сначала мы вспомним некоторые особенности и предпосылки использования пространственно-временного моделирования в сфере биологии и медицины.

Пространственно-временное моделирование позволяет нам описывать природу в четырёх измерениях — в трёх пространственных измерениях и во времени. Для динамического развития системы необходимо время и резервуары (накопители); кроме того во многих биологических процессах существенную роль играют трёхмерные (3D) пространственные характеристики. Представьте, к примеру, как хищники рыщут по лесу в поисках добычи, как кровь течёт по нашим артериях, как электромагнитные поля возникают в мозге, или такой неприятный феномен, как распространение заболевания и превращение его в эпидемию. Для всех приведенных примеров необходимо учитывать пространственное распределение многих параметров. При определении местонахождения в мозге участка, ответственного за эпилепсию, информация об общей плотности электрического тока во всём мозге практически бесполезна, так как нам нужно знать, где находится этот участок. Подобные примеры в изобилии встречаются в биологических системах любых масштабов: от вышеупомянутых взаимоотношений типа «хищник—жертва» в экосистемах до морфогенеза [34], [40], [48], [68], [118] и внутриклеточных процессов, а от них — до уровня отдельных молекул (например, конформационных изменений в белках).

На внутриклеточном уровне примерами могут служить проникновение вирусного материала в клетку [19], [109] и его перенос [20], [36], [69], передача сигнала внутри клетки [60], [70] и диффузия белков в различных клеточных компартментах [17], [61], [99], [120], [100]. Пространственная организация очень важна, так как один и тот же белок может действовать по-разному в зависимости от того, в каком внутриклеточном компартменте он находится. Самый известный пример такого белка это, наверное, цитохром c, который, находясь в митохондрии, играет важную роль в клеточном дыхании, а, попав в цитоплазму, запускает процесс запрограммированной гибели клетки (апоптоз) [1]. Другим примером может служить роль трансмембранной передачи сигнала при морфогенезе. Константы белковой диффузии различаются недостаточно, чтобы сформировались структуры Тьюринга [118], поэтому очень важен медленный транспорт через мембраны между компартментами [86]. Вот ещё несколько примеров пространственно-временных процессов, теперь уже на уровне множества клеток: рост опухоли [13], [46], [64], распространение вируса в ткани и система передачи сигнала между клетками [41], в том числе феномен, известный как бактериальный «кворум-сенсинг», микро-процесс, определяющий, например, макро-эффект биолюминесценции в теле кальмаре [75]. Если принять во внимание, что пространственно-временные процессы широко распространены и очень важны, то нет ничего удивительного в том, что на сегодняшний день существует несколько масштабных проектов по разработке программного обеспечения для моделирования пространственно-временных процессов в биологии. В качестве примеров таких программ для вычислительной клеточной биологии [24], [107] можно назвать E-Cell, MCell и Virtual Cell (см. также: «Биологи создали самую сложную виртуальную клетку»).

2. Свойства биологических систем

Математик, решивший смоделировать пространственно-разрешённые процессы в биологических системах, например в географически структурированных популяциях, многоклеточных организмах или клеточных органеллах, столкнётся с рядом уникальных проблем. Обычно в таких случаях мы слышим: «Да это потому, что биологические системы сложны». Биохимические сети, экосистемы, биологические волны, синхронизация клеток сердца, да и сама жизнь — всё это находится в многомерной нелинейной области конфигурационного пространства динамических систем [113], и там же располагается квантовая теория поля, нелинейная оптика и турбулентные потоки. Все эти темы изучены недостаточно. Сейчас наши познания в этих областях близки к пределу, и в течение многих лет нам предстоит находить ответы на поставленные ими вопросы. Почему всё происходит именно так, и что мы понимаем под термином «сложный»? У биологических систем есть несколько свойств, которые затрудняют работу с такими системами:

Именно благодаря этим свойствам биологические системы — крепкий орешек для существующих технологий моделирования и вычислительных экспериментов. Поэтому такие системы прекрасно стимулируют разработку новых методик и теоретической базы для них. Проблемы, появляющиеся при анализе пространственно-временных биологических систем, следут решать одновременно несколькими способами: с помощью методов численного моделирования, вычислительных алгоритмов и разработки программного обеспечения [115]. Что касается численных методов для анализа биологических систем, они доллжны быть пригодны для работы с многомасштабными системами [3], [14], [52], [53], [71] и учитывать топологические изменения в системах со сложной геометрией. Также тут необходимы компьютерные алгоритмы, достаточно совершенные, чтобы работать с большим количеством степеней свободы, и программы, способные надёжно и эффективно использовать эти алгоритмы на многопроцессорных машинах [97].

2.1. Степень многомерности и степени свободы

В биологических системах большое количество измерений (степеней свободы) обусловлено тем, что у них, как правило, больше частей, компонентов и типов взаимодействий, чем у классических технических средств, использующих электричество или гидромеханику [115]. При использовании прямого численного моделирования необходимо чётко отслеживать все степени свободы. В непрерывных системах каждая точка в пространстве прибавляет дополнительные степени свободы, что в итоге приводит к беконечному числу измерений. Такие системы нужно дискретизировать, иными словами, следует уменьшить число степеней свободы до допустимого в компьютерном моделировании с помощью направленного отбора характеристических измерений. В расчетах будут использованы только выбранные измерения, что позволит экстраполировать полученные результаты на исходную бесконечномерную систему. Дискретизация должна быть самосогласована: при бесконечном увеличении числа измерений дискретизированная система приближается к исходной системе.

В дискретных биологических системах число степеней свободы уже ограничено, поэтому их иногда можно моделировать напрямую. В случае, когда степеней свободы слишком много, как, например, при отслеживании перемещений всех атомов в белке, нам часто снова приходится уменьшить их число, чтобы повысить эффективность моделирования. В этом случае можно объединить несколько степеней свободы в одну и отслеживать поведение всей группы. Такая технология, называемая «увеличение зернистости», значительно уменьшает вычислительные затраты и позволяет моделировать очень большие многомерные системы — например, участки липидных бислоев с белковыми включениями [80], [88], действие на них многих молекул антимикробных пептидов [82] или филаменты актина [15]. «Увеличение зернистости» расширяет возможности молекулярного моделирования во временном и линейном масштабе для биологических задач.

2.2. Регуляция

В биологических системах роль случая невелика, и это удивительно, так как мы знаем, что молекулярные процессы, факторы природной среды и фенотипическая вариабельность по своей природе стохастичны. Однако исходные колебания в этих процессах в большинстве случаев предваряют переход к регулируемому детерминированному поведению, как было показано, например, для генных регуляторных сетей [49]. В биологических системах в дополнение к непрямой регуляции посредством бистабильности и стохастических колебаний широко распространены регуляция с использованием обратной связи и цепи упреждения. Механизмы регуляции крайне важны как для передачи сигнала (сигнальной трансдукции) в отдельных клетках, так и для всей эволюции, как её понимал Дарвин. Данные теории регуляции показывают, что упомянутые цепи могут корректировать динамические свойства системы, изменять её стабильность или устойчивость, либо инициировать мультиустойчивое состояние, которое позволяет системе адаптироваться к изменениям и возмущениям, идущим извне [49]. Необходимость учитывать все факторы представляет собой огромную проблему для моделирования, так как многие из возможных механизмов регуляции до сих пор неизвестны или недостаточно изучены.

Рисунок 1. Эндоплазматический ретикулум. а — Изображение трёхмерной компьютерной модели структуры эндоплазматического ретикулума (ЭР) живой клетки [100]. б — Крупный план модели ЭР демонстрирует сложность структуры этого внутриклеточного органоида.

2.3. Сложность форм

Для биологических систем зачастую характерны неправильные, подвижные или изменяющие свою форму очертания. Процессы, происходящие на нелинейных поверхностях, могут объединяться с процессами, присходящими в замкнутых пространствах, и сами поверхности часто изменяют топологию при, например, слиянии или разделении внутриклеточных компартментов. Сложные топологии встречаются в системах любых размеров, к ним также относятся таксономические и филогенетические деревья с пре-фрактальной структурой [12], участки стабильного роста популяции в экосистемах [77], лёгочные и артериальные деревья [35], формы нейронов [111], цитоплазматическое пространство [4], скопления внутриклеточных везикул [54], электрический ток, текущий через ионные каналы в клеточных мембранах [59], конформации белковых цепей [57], и структуры белков [56]. Мало того, что сложные топологические формы сложно смоделировать с помощью компьютера, они ещё и накладывают граничные условия на пространственно-временные процессы, и эти условия могут качественно изменять динамику макропроцессов. Диффузия в прихотливой формы компартментах (например, в эндоплазматическом ретикулуме (ЭР, рисунок 1) может быть нестандартной, несмотря на то, что на уровне отдельных молекул она вполне описывается классическими закономерностями [94–96], [100].

2.4. Нелинейность

Обычные в биологии явления — взаимодействие, сотрудничество или конкуренция — заставляют систему вести себя нелинейно. Теория линейных систем, в том виде, в каком она преимущественно используется и преподается в физике и инженерном деле, не может верно описать множество процессов, начиная от взаимодействия репрессоров в генных сетях и регулирующих отношений хищник—жертва в экосистемах, и заканчивая волнообразными изменениями концентрации кальция в клетках. Нелинейные системы зависят от числа степеней свободы и обнаруживают эффекты, которые не наблюдаются в линейных системах. Среди таких эффектов могут быть бифуркации, нелинейные колебания, а также неупорядоченность и фракталы. Нелинейные модели трудно решаются по определению. Большинство нелинейных моделей вообще невозможно решить аналитически, а обычные вычислительные методики, например, анализ нормальных колебаний, преобразования Фурье или принцип суперпозиции, не работают в нелинейных системах, так как сумма частей такой системы не идентична всей системе целиком [113].

2.5. Сопряжённость процессов на разных масштабах

Сопряжённость процессов на разных масштабах приводит к тому, что некоторые явления, происходящие на микроуровне, например, изменения конформации молекул, могут существенно влиять на поведение системы на глобальном, макроуровне. Именно так обстоит дело со многими биологическими системами — например, биолюминесценция происходит засчёт бактериального кворум-сенсинга [75], или поведение организма меняется, потому что определенные гормоны связываются с рецепторами. У многомасштабных систем есть одно общее свойство — нельзя разделять индивидуальные масштабы и рассматривать их независимо друг от друга. Существует непрерывный диапазон масштабов, в котором взаимодействия сопряжены, что жёстко ограничивает применение компьютерного моделирования. Если мы решим построить прямую численную модель всей системы, нам нужно разрешить её во всех возможных деталях. Если мы захотим смоделировать живую клетку, нам придётся разрешить динамику всех атомов в этой клетке. Отдельная клетка состоит из примерно 10 15 атомов, и процессы, имеющие отношение к биологии (такие как сворачивание белка и ферментативные реакции), происходят за тысячные доли секунды. Самые крупные из существующих на сегодня модельных систем, доступных для методов расчета МД, состоят из 10 10 атомов [27], при этом временные диапазоны, в которых возможно изучение таких систем с помощью суперкомпьютеров, ограничены наносекундами. Чтобы смоделировать клетку целиком, нам нужна модель в 100 000 раз больше, и которая будет работать с временами в 1 000 000 раз дольше. Нужная компьютерная модель будет как минимум в 10 11 раз масштабнее, чем те, что у нас есть на сегодняшний день. Пока такая модель в реальности не существует и не появится ещё много лет. Если представить, что кому-то удалось смоделировать систему целиком с высоким разрешением, ценность таких результатов довольно сомнительна. Такая модель даст большой объём данных, и интересные эффекты на макроуровне, которые мы ищем, будут скрыты за шумом с микроуровней. Чтобы работать сопряженными системами, нам необходимо применять многомасштабные модели [3], [14], [53], [71] и правильно выбирать их уровень детализации.

2.6. Пластичность во времени

Помимо того, что анализ многомерных нелинейных систем не прост сам по себе, эти системы в биологии обычно изменяются во времени. В математической модели такое поведение системы отражается в скачках динамических уравнений или в коэффициентах и функциях, которые меняются во времени. Динамически изменяясь, система может начать вести себя по-другому или перейти в другой режим. Динамика многих процессов в клетке, например, зависит от клеточного цикла; в организме происходят физиологические процессы и изменяют динамику организма в зависимости от возраста и состояния здоровья; а динамическое поведение экосистем зависит от изменений природной среды. Такие системы называются пластичными или изменяющимися во времени. Вопрос, как применять численное моделирование к изменяющимся во времени системам или к уравнениям, которые изменяют свою структуру с течением времени, пока не решен. Чтобы выбранная модель оставалась стабильной, нужно обеспечить согласованность решений в точках перехода.

2.7. Неравновесность

Второй закон термодинамики гласит — энтропия замкнутой системы не может уменьшаться. Живые существа научились избегать распада на составные части за счёт отрицательной энтропии [103]. Учёные давно недоумевают по поводу несоответствий между живым миром и фундаментальными законами термодинамики. Объяснить эти несоответствия можно лишь предположив, что живые системы не находятся в равновесии. Большинство методов статистической физики и термодинамики было разработано для равновесных состояний и поэтому не во всех случаях может применяться для описания живых систем. Некоторые явления, такие как установление полярности клетки или организация клеточной мембраны можно объяснить, только приняв во внимание неравновесные процессы, например, везикулярную рециркуляцию [67]. Мы знаем слишком мало о теоретических основах неравновесных процессов, и от этого понять их становится ещё труднее. Зачастую компьютерное моделирование переходных процессов — единственный доступный метод для изучения неравновесных процессов.

3. Методы пространственно-временного моделирования

Описывать динамические пространственно-временные процессы можно разными способами — всё зависит от нужного уровня детализации и достоверности. В данной статье для характеризации математической модели мы выбрали следующую систему координат: феноменологическая—физическая, дискретная—непрерывная и детерминистская—стохастическая. Все три оси независимы, и возможны любые комбинации. В зависимости от описания выбранной системы можно использовать разные методики. На рисунке 2 представлен обзор наиболее часто используемых методик и примеры динамических систем, описания которых можно подготовить с помощью этих методик.

Рисунок 2. Наиболее часто используемые методы моделирования для всех возможных комбинаций непрерывных/дискретных и детерминистских/стохастических моделей. Те же методы применяются и для физических/феноменологических моделей, но в первом случае все модели основываются на принципах физики. В выделенных ячейках даны распространённые примеры применения этих методов.

3.1. Феноменология против физики

Феноменологические модели воспроизводят или приближённо выражают поведение системы в целом, но не объясняют механизмы, лежащие в основе такого поведения. Такие модели могут быть полезными при анализе реакции системы на какое-то известное возмущение, но они не позволят понять, что именно вызвало реакцию. Напротив, физические модели точно воспроизводят механику работы системы. Таким образом, физические модели позволяют предсказать поведение системы в новых непредвиденных ситуациях, они информируют нас о том, как всё работает. Физические модели опираются на основные принципы или законы физики.

3.2. Дискретные модели против непрерывных

Дуализм дискретность-непрерывность связан с пространственным разрешением модели. В дискретной модели каждый элемент системы однозначно определяется как отдельный объект. Как пример можно привести модели МД, в которых чётко отслеживается положение и скорость каждого атома, и атомы рассматриваются как отдельные дискретные объекты. В непрерывной модели во времени и пространстве отслеживается среднее значение среднего поля. Примерами величин поля могут быть концентрация, температура или плотность заряда.

В непрерывных моделях выделяют два типа величин. Величины, чьи значения в гомогенной системе не зависят от усредняющего объёма, называются интенсивными. Например, температура или концентрация. Если литр воды температурой 20 °C разлить в два поллитровых стакана, вода в каждом стакане будет иметь ту же температуру, несмотря на то, что объём её уменьшится вдвое. Температура воды не зависит от её объёма, поэтому температура здесь проявляет интенсивные свойства. Величины, чьи значения в гомогенной системе зависят от объёма, называются экстенсивными. К таким величиным относятся масса, теплота или заряд. Масса каждых 500 миллилитров воды не равна массе исходного литра.

Интенсивные и экстенсивные величины существуют парами: масса—концентрация, температура—теплота, заряд—плотность заряда и так далее. В непрерывных моделях величины поля всегда считаются интенсивными, а величины в дискретных моделях — экстенсивными. Соответствующие интенсивные и экстенсивные величины взаимодействуют посредством усреднения. Концентрацию молекул можно определить, измерив общую массу всех молекул в пределах заданного объёма и разделив её на объём. Такой усредняющий объём можно представить вокруг любой точки пространства, и таким образом мы получим пространственно-разрешённое поле концентрации. Если задать слишком маленький усредняющий объём, отдельные молекулы, входя и выходя из него, создадут резкие скачки значений среднего. С увеличением усредняющего объёма концентрация будет стремиться к какому-то устойчивому значению. Если продолжать увеличивать объём, концентрация снова, скорее всего, начнёт меняться из-за пространственных градиентов в макромасштабе. Рисунок 3 иллюстрирует вышеописанное поведение. Когда объём превышает континуальный предел λ, среднее значение сходится, и влиянием отдельных частиц в микромасштабе становится можно пренебречь. Величина континуального предела подчиняется отношением количества частиц к усреднённому объёму. Если эти частицы — молекулы (например, белки), то параметр λ зависит от их среднего свободного пробега. В области, где вариации поля превышают параметр L, проявляются макроскопические градиенты усреднённого поля в том случае, если поле неоднородно, то есть если его значение изменяется в пространстве. Безразмерный коэффициент K_n=λ/L назывется числом Кнудсена. Непрерывные модели правильно использовать только, когда эффекты на микро- и макроуровнях хорошо разделены, то есть если K_n n >> 1 следует использовать дискретные модели, так как важна каждая частица, и не существует единого континуума. Посередине между этими значениями K_n находится царство мезоскопических моделей [33].

Рисунок 3. Значение параметра u, описывающего объёмно-усреднённую интенсивную величину поля, зависит от величины усредняющего объёма V. В объёмах, меньших, чем континуальный предел λ, среднее значение варьирует из-за воздействия отдельных частиц. В объёмах, больших λ, средняя величина объёма может либо оставаться постоянной, либо постепенно изменяться, если будет превышена величина L (шкала вариаций поля), благодаря влиянию макроскопических градиентов поля.

В непрерывных детерминистических моделях величины поля, чьё развитие в пространстве и времени зависит от некоторых производных от тех же или других величин поля, изменяются плавно (в масштабах, больших L). С помощью полей можно моделировать, например, концентрации, температуры или скорости. Такие модели естественным образом определяются нестационарными дифференциальными уравнениями в частных производных [25], [112], так как производные связаны с существованием интеграторов, а значит резервуаров, в системе. Среди самых ярких примеров непрерывных детерминистических моделей в биологических системах можно назвать модели диффузии, адвекцию, перенос и волны. В дискретных детерминистических моделях присутствуют дискретные объекты, которые взаимодействуют между собой в пространстве и во времени согласно детерминированным правилам. Объекты, взаимодействуя, могут моделировать клетки в ткани [34], отдельные организмы в экосистеме или атомы в молекуле [27]. Такие модели в основном трактуются как системы взаимодействующих частиц или автоматы. Применение для дискретных детерминистических моделей в области биологии можно найти в экологии или структурной биологии.

3.3. Стохастические модели против детерминистических

В биологических системах часто присутствует некая степень случайности, например непредсказуемые изменения окружающей среды, изменения количества молекул при делении клетки или шумы на уровне экспрессии гена. Все эти эффекты можно объяснить с помощью стохастических моделей, в которых выходные данные не полностью определяются текущим состоянием модели и входными данными, а зависят также от колебаний случайного характера. Такие колебания обычно воспроизводятся как случайные числа в заданном статистическом распределении. Непрерывные стохастические модели характеризуются плавными изменениями полей, развитие которых в пространстве и времени зависит от плотностей вероятности — функций некоторых производных полей. В простейшем случае всё сводится к моделированию единственной шумовой состявляющей, например, Гауссовым или постоянным колебаниям в динамике. Чаще всего модели такого типа формально известны как стохастические дифференциальные уравнения (СДУ) [79]. СДУ — это дифференциальные уравнения в частных производных со стохастическими условиями, которые используются для моделирования вероятностных процессов, например распространения эпидемии, сигнальной трансдукции в нейронах [66], [92] или теории эволюции. В дискретных стохастических моделях вероятностные явления связаны, в основном, с дискретными случайными событиями. Характеризуются такие события функциями плотности вероятности. Примером может служить динамика популяции — у отдельных особей есть определённые шансы родиться, умереть, пообедать или стать обедом для кого-то ещё, — а также случайное блуждание диффундирующих молекул или стохастическое возникновение химических реакций. Существуют методики для объединения стохастических и детерминистических моделей в гибридные стохастически-детерминистические модели [2], [93].

4. Методики пространственно-временного моделирования

В зависимости от методики моделирования, выбранной для конкретной системы, возможно использовать разные численные методы для обсчета окончательной модели на компьютере (рис. 2). Перечислить все доступные методики не представляется возможным, но мы хотим обратить внимание читателя на модели, важнейшие в каждой из обсуждаемых выше категорий. Одни и те же численные методы можно ипользовать как в физических, так и в феноменологических моделях.

4.1. Методы, используемые в дискретных стохастических моделях

Дискретные стохастические модели, которые определяются событиями, происходящими в соответствии с неким случайным распределением, можно описывать с помощью алгоритмов вероятностного моделирования (АВМ), например, алгоритма Гиллеспи [31], [32] или какими-нибудь более вычислительно эффективными его вариантами [29], [83–85], [108]. Изначально большинство таких алгоритмов было разработано только для динамики во времени, а обобщены для таких пространственно-временных моделей, как реакционно-диффузионные процессы, они были позже [6], [26], [45], [90], [114]. Большая часть подобных алгоритмов основана на методах Монте-Карло [63], [91] (см. также «Молекулярная динамика биомолекул. Часть I. История полувековой давности»). Таким образом, моделирование вероятностных траекторий превращается в выбор из случайных распределений модели. Чтобы оценить среднюю траекторию или стандартное отклонение, нужно посчитать среднее по множеству для большого количества прогонов модели. В этом кроется фундаментальное ограничение для сходимости методик: O(1/√N), где N — число воспроизведений модели [72]. Для работы с дискретными стохастическими моделями часто используются агентные методики, в которых задействованы случайные агенты. Хорошей иллюстрацией могут служить Броуновские агенты [105].

4.2. Методы, используемые в дискретных детерминистических моделях

Довольно часто для работы с дискретными детерминистическими моделями используются методики, относящиеся к классу конечных автоматов. Самые яркие примеры — это клеточные автоматы [28], [44], [101] и агентные модели [116] (слово «клеточный» в данном случае обозначает клетки (ячейки), используемые в компьютерном алгоритме, и не имеет отношение к биологическим клеткам). В теории конечных автоматов вычислительные ячейки (или агенты) с заданными свойствами распределены в пространстве и взаимодействуют между собой в соответствии с наборами детерминированных правил. Правила взаимодействия привязывают состояние (значение заданных свойств) взаимодействующих ячеек к определённым действиям, которые, в свою очередь, изменяют состояние ячеек. Конечные автоматы — очень мощные и интересные инструменты, с помощью которых небольшое количество простых правил может инициировать очень сложное нелинейное поведение модели. Использовать конечные автоматы можно с разными целями, например, для изучения аспектов поведения индивидуумов при взаимодействии в экосистемах, в области искусственной жизни, для имитации нейронных взаимодействий [44], социальных взаимодействий [74] или механизмов формирования облика при морфогенезе [34].

В МД существует ещё один класс очень важных дискретных детерминистических моделей [27]. В них атомистическое поведение молекул моделируют, чётко отслеживая динамику и расположение всех атомов. В классической МД атомы моделируют как дискретные частицы, которые взаимодействуют между собой в соответствии с детерминированными механизмами, такими как межатомные связи, силы Ван-дер-Ваальса или электростатические взаимодействия.

4.3. Методы, используемые в непрерывных стохастических моделях

Непрерывные стохастические модели определяются стохастическими дифференциальными уравнениями, в этом случае для моделирования можно использовать несколько методов стохастического интегрирования [43], [51], самые примечательные из которых — это метод Эйлера-Маруямы и метод высшего порядка Мильштейна [43]. При этом важно помнить, что каждый прогон модели — это только одна из возможных реализаций определённого стохастического процесса. Для оценки средних значений и отклонений нужно проводить множество независимых прогонов и считать среднее по набору [43]. Многие учёные, работающие в области вычислительной биологии, считают стохастические дифференциальные уравнения нетрадиционным подходом, но этот метод используется намного чаще, чем кажется. Например, моделирование реакционно-диффузионного процесса с помощью стохастических реакций сводится кчисленному решению стохастического дифференциального уравнения [26], [45], [90], [114].

4.4. Методы, используемые в непрерывных детерминистических моделях

Непрерывные детерминистические модели определяются дифференциальными уравнениями в частных производных; такие модели решаются любым методом дискретизации из численного анализа [23], [38]. Наиболее популярные методики — это конечные разности (КР) [110], конечные элементы (КЭ) [87], [121] и конечные объёмы (КО) для законов сохранения [7], [55]. Методы КР основываются на разложениях с помощью рядов Тейлора [50] для пространственных функций поля и аппроксимации дифференциальных операторов с помощью разностных операторов с сохранением первых нескольких членов из ряда Тейлора. Методы КЭ выражают неизвестную функцию поля в заданном функциональном пространстве. Базисные функции этого пространства основываются на многоугольниках, покрывающих расчётную область. Таким образом, для определения неизвестной функции поля нужно решить линейную систему уравнений и определить нагрузку базисных функций на все элементы. В методах КО используются физические законы сохранения, например, сохранения массы или момента. Расчётная область делится на непересекающиеся объёмы, для которых составляются уравнения баланса (изменение объёма равняется тому, что пришло, за вычетом того, что ушло), и для них находится численное решение. У всех этих методов есть одно общее свойство — для их использования требуется расчётная сетка — регулярная или нет — которая дискретизует расчётную область на простые геометрические фигуры — линии (КР), плоскости (КЭ) или объёмы (КО) с нужным уровнем взаимосвязи. Поиск сетки с соблюдением граничных условий и достаточно регулярной, чтобы сохранялись точность и эффективность численных методов, подходящей для областей сложной топологии, которые часто встречаются в биологических системах (рис. 1) может стать серьёзной проблемой. Избежать проблем помогут бессеточные методы частиц [16], [58], [62], [102], в которых дискретизация построена на объектах-точках, не требующих никакой информации о связности. В дискретных моделях очень часто работают с комбинациями частиц, и их преимущества можно использовать при работе с непрерывной областью с помощью методов непрерывных частиц (континуум-частица). Такие методы аппроксимируют функции гладкого поля непрерывной модели посредством интегралов, дискретизируемых на вычислительных элементах, называемых частицами. В дискретных моделях частицы обозначают реальные объекты — молекулы, атомы, животные или клетки. В непрерывных моделях частицы представляют собой материальные точки (точки маркёров Лагранжа) системы, которые возникают в соостветствии с парными взамодействиями, которые описывают физику системы.

Непрерывные процессы пространственной диффузии представляют особый интерес с точки зрения биологии. В физическом смысле, макро-явление диффузии порождается коллективным поведением большого (в теории бесконечно большого) количества микрочастиц, например, молекул, находящихся в броуновском движении [8], [11], [21]. Теория континуума [76] определяет поле концентрации как среднюю массу частиц на единицу объёма для каждой точки пространства (сравните с разделом 3.2). При работе с большим количеством диффундирующих частиц такое определение позволяет создать непрерывную детерминистическую модель для пространственно-временной эволюции поля концентрации в виде дифференциальных уравнений в частных производных. Моделирование диффузионных процессов с помощью частиц хорошо работает как для описания процесса диффузии в пространстве, так и для диффузии в мембранах [98].

При необходимости смоделировать диффузию нескольких видов молекул, между которыми происходит химическая реакция, модель можно распространить на реакционно-диффузионные системы. В таких моделях существование в биологии пространственно распределённых (био)химических реакционных сетей описывается кинетикой реакции при помощи двух подходов: детерминистического или стохастического. У сопряжённых реакционно-диффузионных систем наблюдают необычные параметры стабильности, согласно которым концентрация либо стабильна и формирует структуры Тьюринга [118], либо изменяется как бегущая волна, называемая волной Фишера [89]. Двадцать лет спустя после выхода основополагающей работы Алана Тьюринга [118], Рирер и Мейнхардт сформулировали теорию формирования структур в биологии [30], опираясь на реакционно-диффузионные системы. Они разработали модель Гирера-Мейнхардта, одну из наиболее часто используемых в биологии моделей формирования структур, которая также нашла применение в компьютерной графике [119].

В биологии реакционно-диффузионные модели были впервые использованы для описания морфогенеза [118], развивая идею о том, что реакционно-диффузионное поведение факторов роста объясняет формы и топологии природных объектов. Компьютерные модели, в которых образование структур связывалось с ростом и морфогенезом, работали при помощи, например, гибридных моделей клеточных автоматов и дифференциальных уравнений в частных производных, описывающих формирование нитей и дифференциацию клеток у слизевиков (миксомицетов) [68]. Что касается моделей реакционно-диффузионных структур на поверхностях, то впервые их применили для шарообразных объектов, таких как сферические новообразования [13]. Морфогенез более сложных поверхностей моделировали с помощью метода КЭ, которым решали реакционно-диффузионное уравнение для триангулированных поверхностей [40]. Таким методом можно описывать весьма сложные формы, как, например, ветвящиеся одноклеточные водоросли. Методы КЭ с подвижной сеткой позже стали использовать для прямой связи смещения границы и реакционно-диффузионных структур в непрерывно меняющихся двухмерных областях [65]. Существует и другой подход — в нём образование формы у поверхности описывается с помощью решения внутренней задачи Пуассона [64]. Помимо морфогенеза реакционно-диффузионные модели важны для описания подвижности клеток [37], моделирования клеток [81] и формирования структур в клеточных культурах [73]. Возникают и новые возможности применения этих методов, например, для моделирования путей передачи сигнала в клетке в пространстве и во времени [9]. С 1993 года, когда была опубликована работа Брэя с соавторами [10], предложившими первую модель для описания путей хемотаксиса в кишечной палочке (Escherichia coli) на основе обыкновенных дифференциальных уравнений, компьютерные модели продвинулись в области разрешения пространственных явлений очень далеко. Одна из недавно опубликованных моделей прямо учитывает диффузию ключевой молекулы процесса сигнальной трансдукции в цитоплазматическое пространство [60]. Среди других примеров моделей реакционно-диффузионной передачи сигнала следует упомянуть сетевую модель управления спорообразованием [70] и моделирование меристемы побегов растений [47].

4.5. Компьютерное моделирование объектов со сложной топологией

Объекты со сложными топологиями и поверхностями можно описать с помощью компьютера посредством нескольких методик [18], которые можно сгруппировать в соответствии с характером информации о связности, необходимой для работы. Как пример представлений, основанных на связности, можно привести триангулированные поверхности [104], каждый треугольник в которых должен иметь информацию обо всех остальных треугольниках, которые с ним связаны. В случае поверхностей со сложными формами выяснение информации о связности требует много вычислительного времени, так что такие модели лучше использовать в связке с численными методами, работающими на том же уровне связности. Именно в этом случае для моделирования с триангулированными поверхностями [5], [40] стоит использовать методы КЭ с треугольными элементами, или методы КР в сочетании с представлением мозаичных поверхностей [78]. На рисунке 1а представлен пример сложной триангулированной поверхности. Поверхности без информации о связности можно представить с помощью облаков точек рассеяния [39] и неявных представлений поверхности, например функции множеств уровня (level sets function) [106]. Методы с использованием множеств уровня представляют топологию объекта как изоповерхность функции большей размерности. Эти методы хорошо приспособлены для работы вместе с методами частиц, потому что функцию уровня можно напрямую представить в том же наборе вычислительных частиц [22], [42], [99]. Поэтому мы можем обрабатывать системы с произвольно сложной топологией при постоянных вычислительных затратах и моделировать объекты с подвижными и деформирующимися топологиями без ограничения линейной стабильности. На рисунке 1б изображен эндоплазматический ретикулум, который представлен на компьютере в виде функции множеств уровня для того, чтобы смоделировать процессы диффузии на поверхности этого органоида с помощью методов частиц [99].

5. Выводы

Значение пространственно-временных моделей и численного компьютерного моделирования почти во всех областях биологии быстро растёт. Помимо анализа расчётных данных, в который входит обработка изображений, анализ нуклеотидных последовательностей, кодирующих гены и отдельные белки, кластеризация и компьютерное обучение, в современной биологии также используется мощный инструмент — компьютерное моделирование. В «виртуальных экспериментах» (in silico) на компьютере возможно контролировать все переменные и факторы воздействия, что позволяет нам критически анализировать биологические системы, разрабатывать физические модели для компонентов этих систем и разделять сопряжённые процессы, которые нельзя разделить в реальных экспериментах. Более того, пространственно-временное моделирование позволяет работать в масштабах времени и расстояний, недостижимых в экспериментах. Поэтому мы можем изучать системы крошечные, как атомы в молекуле белка, или огромные, как экосистемы целиком.

Особенности биологических систем часто затрудняют разработку и собственно функционирование пространственно-временных моделей. Механизмы регуляции, сложность геометрических форм, нелинейность и взаимодействие на разных уровнях и масштабах — всё это усложняет модели и требует применения мощных и универсальных численных методов, а также эффективных высокопроизводительных программ для суперкомпьютеров [97], [115].

В нашем обзоре мы рассмотрели несколько самых распространённых методов моделирования и классифицировали их согласно следующим параметрам: феноменологичекие—физические, дискретные—непрерывные и детерминистические—стохастические, а также вкратце обсудили возможность применения некоторых численных методов моделирования для каждого класса моделей и дали ссылки на специализированную литературу. Также мы обосновали необходимость использовать для моделирования точечные методы частиц, для которых не требуется никакая основанная на связности дискретизация, и которые пригодны для моделирования как дискретных, так и непрерывных систем. Хотя эти методы стандартно используются для описания дискретных систем, для непрерывных систем они применяютя нечасто. Несмотря на то, что биологические системы изначально сложны, существует большое количество методик и инструментов для создания достоверных пространственно-временных моделей с высокой точностью предсказания. В то же время биология уверенно стимулирует развитие технологий — новых методов и достижений в области численного анализа, науки о вычислениях и высокопроизводительных вычислений.

На передовой вычислительной математики находятся численные методы, эффективно описывающие многомасштабные системы [3], [14], [52], [53], [71] и изменения в сложной топологии объектов. Параллельно с ними должны существовать компьютерные алгоритмы, достаточно эффективные, чтобы работать с большим количеством степеней свободы. Нужны надёжные и эффективные программные продукты для выполнения этих алгоритмов на многопроцессорных суперкомпьютерах [97]. Изучение динамики жидкостей, а именно поиск решений для нелинейной и многомасштабной проблемы описания турбулентности, когда-то запустил развитие численных методов, и такой же скачок может произойти в будущем как результат наших попыток смоделировать клетку целиком [117].

Перевод обзора Иво Сбальцарини [123].

Источник

• ← Что означает модальный глагол
• Что означает модель а1586 →