Г.Ю.Ризниченко.

Лекции по математическим моделям в биологии

 

ЛЕКЦИЯ 1

 

ВВЕДЕНИЕ. МАТЕМАТИЧЕСКИЕ МОДЕЛИ В БИОЛОГИИ

 

Понятие модели. Объекты, цели и методы моделирования. Модели в разных науках. Компьютерные и математические модели. История первых моделей в биологии. Современная классификация моделей биологических процессов. Регрессионные, имитационные, качественные модели. Принципы имитацуионного моделирования и примеры моделей. Специфика моделирования живых систем.


 

 

 

 

Компьютеры в современном мире стали привычными для человеческой деятельности: в финансовой сфере, в бизнесе, промышленности, образовании, сфере досуга. Благодаря компьютерам западной цивилизации удалось существенно продвинуться в следующих направлениях.

3.      Автоматизация трудовой деятельности во всех сферах

4.      Информационная революция. Возможность хранить и структурировать огромные и самые разнообразные массивы информации и производить быстрый и эффективный поиск необходимой информации.

5.      Прогнозирование. Компьютер позволяет строить имитационные модели сложных систем, проигрывать сценарии и делать прогнозы.

6.      Оптимизация. Любая человеческая деятельность, в том числе обыденная жизнь требует постоянной оптимизации действий. В процессе эволюции сформировались биологические системы, которые оказываются оптимальными в том или ином смысле, например, в смысле наиболее экономичного использования энергии. Для того чтобы формализовать целевую функцию, то есть ответить на вопрос, что же является для системы оптимальным, необходимо сформулировать модель оптимизируемого процесса и критерии оптимизации. Компьютер позволяет проектировать и реализовать различные алгоритмы оптимизации.

 

Компьютер работает не с самой системой, а с моделью. Что же такое МОДЕЛЬ?

Наиболее простой и общий ответ на этот вопрос: модель – это копия объекта, в некотором смысле «более удобная», допускающая манипуляции в пространстве и во времени.

При моделировании, выборе и формулировке модели, определяющими обстоятельствами являются объект, цель и  метод (средства) моделирования.

В нашем курсе объектами моделирования будут биологические процессы разного уровня организации.

Методами моделирования служат методы динамической теории систем. Средства – дифференциальные и разностные уравнения, методы качественной теории дифференциальных уравнений, компьютерная симуляция.

Цели моделирования:

3.      Выяснение механизмов взаимодействия элементов системы

4.      Идентификация и верификация параметров модели по экспериментальным данным.

5.      Оценка устойчивости системы (модели). Само понятие устойчивости требует формализации.

6.      Прогноз поведения системы при различных внешних воздействиях, различных способах управления и проч.

7.      Оптимальное управление системой в соответствии с выбранным критерием оптимальности.

 

Примеры моделей.

1. Портрет дамы. Пусть некто заказывает художнику написать портрет любимой женщины. Рассмотрим объект, метод (средства) и цель моделирования.

Объектом моделирования является женщина.

Метод (средства) – краски, кисти, холст. Эмаль, если портрет будет сделан на медальоне, как это было принято в прошлые века. Фотоаппарат и пленка. Рекламный щит, если некто хочет, чтобы его даму видели все, кто проезжает по оживленной магистрали. Обложка журнала, или экран телевизора. Наконец, сам художник, фотограф или рекламное агентство в лице своих дизайнеров.

Цель. При моделировании целью, как правило, является манипуляция с пространством и временем. Сохранить облик дамы во времени. Повесить портрет в гостиной, или  медальон с изображением любимой - на шею, как это делали в старину. Чтобы потомки восхищались красотой дамы и своим пращуром, которому удалось запечатлеть такую красоту.

Другая цель – воспроизведение изображения (модели) объекта с целью сделать модель доступной некоторому кругу людей. Или многократно тиражировать, если некто хочет, чтобы образ дамы увидели миллионы.

 

2. Самолет в аэродинамической трубе. Помещая самолет в аэродинамическую трубу и испытывая его в различных воздушных потоках, мы решаем задачу взаимодействия системы с внешней средой. Это еще одна очень важная цель моделирования. При этом в корпусе самолета не обязательно должны находиться кресла, и тем более, стюардессы. Какие из свойств объекта необходимо учесть, а какие можно опустить, степень подробности воспроизведения моделью объекта, определяется теми вопросами, на которые хотят ответить с помощью модели.

 

3. Аквариум является примером физического моделирования. В аквариуме можно моделировать водную экосистему – речную, озерную, морскую, заселить ее некоторыми видами фито- и зоопланктона, рыбами, поддерживать определенный состав воды, температуру, даже течения. И строго контролировать условия эксперимента. Какие компоненты естественной системы будут воспроизведены, и с какой точностью, зависит от цели моделирования.

 

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.

Из приведенных примеров видно, что любая физическая модель обладает конкретными свойствами физического объекта. В этом ее преимущества, но в этом и ее ограничения.

 

Компьютерные модели содержат "знания" об объекте в виде математических формул, таблиц, графиков, баз данных и знаний. Они позволяют изучать поведение системы при изменении внутренних характеристик и внешних условий, проигрывать сценарии, решать задачу оптимизации. Однако каждая компьютерная реализация соответствует конкретным, заданным параметрам системы. Наиболее общими и абстрактными являются математические модели.

 

Математические модели описывают  целый класс процессов или явлений, которые обладают сходными свойствами, или являются изоморфными. Наука конца 20 века – синергетика, показала, что сходными уравнениями описываются процессы самоорганизации самой разной природы: от образования скоплений галактик до образования пятен планктона в океане.

Если удается сформулировать «хорошую» математическую модель, для ее исследования можно применить весь арсенал науки, накопленный за тысячелетия. Недаром многие классики независимо высказывали одну и ту же мудрую мысль:

«Область знания становится наукой, когда она выражает свои законы в виде математических соотношений»

С этой точки зрения самая "научная" наука ‑ физика. Она использует математику в качестве своего естественного языка. Все физические законы выражаются в виде математических формул или уравнений.

В химию математика пришла в тридцатые годы 20 века вместе с химической кинетикой и физической химией. Сейчас книги по химии, в особенности по химической кинетике, физической химии, квантовой химии полны математическими символами и уравнениями.

Чем более сложными являются объекты и процессы, которыми занимается наука, тем труднее найти математические абстракции, подходящие для описания этих объектов и процессов. В биологию, геологию и другие «описательные науки» математика пришла по настоящему только во второй половине 20 века.

Первые попытки математически описать биологические процессы относятся к моделям популяционной динамики. Эта область математической биологии и в дальнейшем служила математическим полигоном, на котором "отрабатывались" математические модели в разных областях биологии. В том числе модели эволюции, микробиологии, иммунологии и других областей, связанных с клеточными популяциями.

Самая первая известная модель, сформулированная в биологической постановке, ‑ знаменитый ряд Фибоначчи, который приводит в своем труде Леонардо из Пизы в 13 веке. Это ряд чисел, описывающий количество пар кроликов, которые рождаются каждый месяц, если кролики начинают размножаться со второго месяца и каждый месяц дают потомство в виде пары кроликов. Ряд представляет последовательность чисел:

 

1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89,....,

 

 

 

            1,

 

            1,

 

            2,

 

 

                        5,

 

            3,

 

                                 8,       13, …

 

 

Риc1.1. Ряд Фибоначчи

 

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.

На этих простейших моделях видно, насколько примитивны математические модели по сравнению с биологическими объектами, каждый из которых, к примеру, популяция, ‑ это совокупность сложно организованных индивидуальных особей ‑ организмов. В свою очередь каждый организм состоит из органов, тканей и клеток, осуществляет процессы метаболизма, двигается, рождается, растет, размножается, стареет и умирает. И каждая живая клетка ‑ сложная гетерогенная система, объем которой разграничен мембранами и содержит субклеточные органеллы, и так далее, вплоть до биомакромолекул, аминокислот и полипептидов. На всех уровнях живой материи мы встречаем сложную пространственно-временную организацию, гетерогенность, индивидуальность, подвижность, потоки массы, энергии и информации.

Ясно, что для таких систем любая математика дает лишь грубое упрощенное описание. Дело существенно продвинулось с использованием компьютеров, которые позволяют имитировать достаточно сложные системы, однако и здесь, как правило, речь идет именно о моделях, т.е. о некоторых идеальных копиях живых систем, отражающих лишь некоторые их свойства, причем схематически.

Сейчас биологические журналы полны математическими формулами и результатами компьютерных симуляций. Имеются специальные журналы, посвященные работам в области математических моделей: Theoretical Biology; Biosystems; Mathematical Ecology, Mathematical biology, Biological systems etc. Работы по математическому моделированию печатаются практически во всех российских биологических  журналах: Общая биология,  Биофизика, Экология, Молекулярная биология, Физиология растений и других.

В основном, модели являются инструментом изучения конкретных систем, и работы по моделированию печатают в журналах, посвященных той области биологии, к которой относится объект моделирования. Это означает, что модель должна быть интересна, полезна и понятна специалистам-биологам. В то же время она должна быть, естественно, профессионально сделана с точки зрения математики.

Наиболее успешные модели сделаны в содружестве специалистов математиков, или физиков, и биологов, хорошо знающих объект моделирования. При этом наиболее трудная часть совместной работы ‑ это формализация знаний об объекте (как правило, в виде схемы) на языке, который может затем быть переформулирован в математическую или компьютерную модель.

 

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)

 

(Рисунок - осенние листья)

 

 

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.

Производится объединение разработанных блоков имитационной модели на базе стандартного или специально созданного математического обеспечения. Апробируются и отрабатываются различные схемы взаимодействия блоков. На этом этапе всю “большую модель” удобно рассматривать как комплекс автоматов с памятью или без нее, детерминированных или стохастических. Работа с моделью тогда представляет собой изучение коллективного поведения автоматов в случайной или детерминированной среде.

Производятся верификация имитационной модели в целом и проверка ее адекватности. Этот процесс еще менее может быть формализован, чем верификация отдельных блоков. Здесь решающими оказываются знания экспертов – специалистов, хорошо знающих реальную систему.

Планируются эксперименты с моделью. При анализе их результатов используются статистическая обработка информации, графические формы выдачи данных и пр. Результаты экспериментов пополняют информационный фонд (банк данных) и используются при дальнейшей работе с моделью.

На каждом из этапов могут возникнуть трудности, для преодоления которых необходимо перестраивать модель, расширять список фазовых переменных, уточнять вид их взаимодействий. По существу, создание имитационной модели включает путь последовательных приближений, в процессе которых получается новая информация об объекте моделирования, усовершенствуется система наблюдений, проверяются гипотезы о механизмах тех или иных процессов в рамках общей имитационной системы.

Таким образом, основные задачи имитационного моделирования:

3.        проверка гипотез о взаимодействии отдельных элементов и подсистем;

4.        прогноз поведения при изменении внутренних характеристик и внешних условий;

5.        оптимизация управления.

Ясно, что разработка имитационной модели сложной системы и работа с этой моделью требуют усилий целого коллектива специалистов, как в области машинной математики, так и в предметной области.

К настоящему времени в литературе имеются тысячи имитационных моделей биологических систем самого разного уровня, многие модели представлены в ИНТЕРНЕТ.

 

ПРИМЕРЫ

Молекулярная динамика.

Основные принципы построения моделей и результаты молекулярной динамики представлены на сайте www.biophys.ru/ Информационная система Российская биофизика. Биофизическое образование.

На протяжении всей истории западной науки стоял вопрос о том, можно ли, зная координаты всех атомов и законы их взаимодействия, описать все процессы, происходящие во Вселенной. Вопрос не нашел своего однозначного ответа. Квантовая механика утвердила понятие неопределенности на микроуровне. В лекциях 10-12 мы увидим, что существование квазистохастических типов поведения в детерминированных системах делает практически невозможным предсказание поведения некоторых детерминированных систем и на макроуровне.

Следствием первого вопроса является второй: вопрос «сводимости». Можно ли, зная законы физики, т.е. законы движения всех атомов, входящих в состав биологических систем, и законы их взаимодействия, описать поведение живых систем. В принципе, на этот вопрос можно ответить с помощью имитационной модели, в которую заложены координаты и скорости движения всех атомов какой-либо живой системы и законы их взаимодействия. Для любой живой системы такая модель должна содержать огромное количество переменных и параметров и практически неосуществима, но попытки моделировать с помощью такого подхода функционирование элементов живых систем ‑ биомакромолекул делаются, начиная с 70-х годов.

 «Молекулярная динамика» - весьма быстро и активно развивающееся направление науки. Функциональные свойства белков, в том числе их ферментативная активность, определяются их способностью к конформационным перестройкам. Внутренние движения атомов и атомных групп глобулярных белков происходят с характерными временами порядка 10-13 ‑ 10-15с амплитудой порядка 0,02 нм. Существенные изменения конформации, например, открытие «кармана» реакционного центра для образования фермент-субстратного комплекса, требует коллективных согласованных движений, характерные времена которых на много порядков больше, а амплитуды составляют десятки ангстрем. Проследить, каким образом физические взаимодействия отдельных атомов реализуются в виде макроскопических конформационных движений стало возможным благодаря методам молекулярной динамики.

Начальные координаты и скорости частиц задаются с учетом данных рентгеновской спектроскопии и ядерного магнитного резонанса. Значения параметров атом‑атомных взаимодействий определяются эмпирически из условия максимального соответствия рассчитанных по потенциалу и экспериментально измеренных спектральных, термодинамических, и структурных характеристик низкомолекулярных компонент биологических макромолекул.

На экране компьютера можно наблюдать траектории отдельных атомов и внутреннюю подвижность макромолекулы.

Первые вычислительные эксперименты для белковой молекулы ‑ ингибитора трипсина панкреатической железы ‑ были проведены по методу молекулярной динамики в 1977 г. Дж.А.Мак-Кэмоном с сотрудниками. Молекула состоит из 58 аминокислотных остатков и содержит 454 тяжелых атома, в структуру также включали четыре внутренних молекулы воды, локализованные согласно кристаллографическим данным. Удалось воспроизвести основной элемент вторичной структуры белка ‑ антипараллельную скрученную b‑структуру, а также короткий a‑спиральный сегмент.

В последние годы выполнены расчеты молекулярной динамики сотен белков, среди них миоглобина, лизоцима, ретиналь связывающего белка, моделировали также перенос электрона в белковых комплексах. В расчетах наблюдалась значительная подвижность области белок‑белкового контакта, в том числе перемещение ароматической группы белка в область контакта за времена 100 пс. Результаты молекулярной динамики подтверждают роль флуктуаций в электронно-конформационных взаимодействиях, сопровождающих процессы транспорта электронов, миграции и трансформации энергии, ферментативного катализа.

 

2. Модели систем организма. В настоящее время имеются имитационные модели многих систем организма – сердца, желудочно-кишечного тракта, почек, печени, мозга, и других.

 

3. Модели продукционного процесса растений.

Имитационные модели продукционного процесса растений (агробиоценозов) для разных культур являются одними из первых имитационных моделей. Практическая задача моделирования ‑ выбор оптимальной стратегии проведения сельскохозяйственных мероприятий: орошения, полива, внесения удобрений с целью получения максимального урожая. Существует большое число моделей разных культур, как упрощенных, предназначенных для решения конкретных вопросов управления, так и очень подробных, используемых в основном для исследовательских целей. Подробные модели имеют иерархическую блочную структуру. Среди биотических процессов выделяют блок фотосинтеза, блок корневого питания, блок роста и развития, блок почвенной микрофлоры, блок развития болезней сельскохозяйственной культуры и другие. Рассматриваются также геофизические процессы: формирование теплового и водного режима, концентрации и передвижения биогенных и токсических солей, концентрации СО2 в посеве и других. Методику работы с такими сложными моделями мы рассмотрели выше. Более подробное описание моделей продукционного процесса растений можно найти в книгах:

1.Бондаренко Н.Ф. «Моделирование продуктивности агроэкосистем». Л., 1982;

2.Заславский Б.Г., Полуэктов Р.А. Управление экологическими системами. М..1988

3.Торнли Дж. Математические модели в физиологии растений. Киев, 1982

4.Франс Дж., Торнли Дж. «Математические модели в сельском хозяйстве», М., 1987;

5.Vries de P. Simulation of plant growth and crop production/ Wageningen, 1982.

6. Wit C.T. Simulation of assimilation, respiration, and transpiration of crops, Wageningen, 1978

Kниги 3-6 имели несколько более поздних переизданий на Западе.

 

4. Модели водных экосистем. Водная среда гораздо более однородна, чем сухопутные биогеоценозы, и имитационные модели водных систем успешно создаются начиная с 70-х годов 20 века. Описание обменных процессов в водной среде включает описание усвоения азота, фосфора и других биогенных элементов, рост фито- и зоопланктона и детрита. При этом важно учитывать гидробиологические процессы в рассматриваемых водоемах, которые, как правило, являются неоднородными и при моделировании разбиваются на ряд компартментов.

С помощью имитационного моделирования решались вопросы выработки стратегии борьбы с эфтрификацией закрытых водоемов, в частности, одного из Великих Американских озер – Озера Эри. Много имитационных моделей посвящено разработке оптимальной стратегии вылова рыбы.

Пионерскими в этой области были книги:

Меншуткин В.В. Математическое моделирование популяций и сообществ водных животных, Л., 1971

Jorgensen S.E. Lake management. Oxford, 1980

Экологические системы. Адаптивная оценка и управление. (под ред Э.Холлинга), М., 1981

Горстко А.Б., Домбровский Ю.А., Сурков Ф.А. Методы управления эколого-эконоическими. М., 1985

Основные идеи и результаты по моделированию водных систем, так же как и по моделированию продукционного процесса растений изложены в учебном пособии Г.Ю.Ризниченко, А.Б.Рубин «Математические модели биологических продукционных процессов». М., 1993. Готовится к печати дополненное и переработанное издание

 

Модели глобальной динамики сыграли особую роль в становлении имитационного моделирования. Именно для этих моделей был разработан формализм представления системы в виде узлов и потоков между ними, который затем в разных видах использовался практически во всех моделях сложных систем. Первая глобальная модель была создана Д. Форрестером и Д. Медоузом с соавторами по заказу Римского клуба в 60 годы 20 века. [J.W.Forrester. World dynamics. Cambridge:Wright-Allen Press, 1972]

Полученные с ее помощью результаты были опубликованы в знаменитой переведенной на 35 языков книге «Пределы роста», и впервые послужили предостережением человечеству в том, что Земля – ограниченная система, безудержный прогресс ведет к истощению ее ресурсов, и человечество ждет глобальный экологический кризис. [Donella H.Meadows et.al. The Limits of the Growth. N.-Y. Universe Books. 1972, перевод на русский язык 1991 г.]. Современное состояние проблемы описано в книге  Д.Х.Медоуз, Д.Л.Медоуз, Й.Рандерс «За пределами роста» М., Прогресс. 1994. (Donella H.Meadows et.al Beyond the Limits, (Confronting global collapse. Envisioning a sustainable future.1992)

Вторая знаменитая глобальная модель – модель ядерной зимы, была создана под руководством Н.Н. Моисеева в России. Ее результаты наглядно показали, что глобальная ядерная война приведет к уничтожению как побежденных, так и победителей, так как после нее небо над всей Землей закроется тучами и настанет ядерная зима на период в несколько десятков лет. Поэтому победа в такой войне будет быссмысленной.

В настоящее время активно разрабатываются глобальные модели, позволяющие рассчитать «парниковый эффект» и другие процессы, протекающие в глобальном масштабе.

Ясно, что разработка имитационной модели сложной системы и работа с этой моделью требуют усилий целого коллектива специалистов как в области машинной математики, так и в предметной области. Подробное изучение методологии имитационного моделирования не входит в задачу нашего курса, мы будем заниматься более общими вопросами.

 

Всякая сложная система при своем функционировании подчиняется физическим, химическим и биологическим законам. Однако нам известны не все законы. Одна из целей математического моделирования и заключается в установлении этих законов путем проверки альтернативных гипотез физических (или биологических) механизмов того или иного явления.

Другой, более практической, является уже упоминаемая нами цель оптимального управления продукционным процессом.

Таким образом, приступая к построению математической модели системы, необходимо взглянуть на эту систему под определенным углом зрения, который в значительной мере определяет вид модели. Необходимо сформулировать основные вопросы о поведении системы, ответы на которые мы хотим получить с помощью модели. Это позволяет из множества законов, управляющих поведением системы, отобрать те, влияние которых существенно при поиске ответов на поставленные вопросы. В дополнение к этим законам, если необходимо, для системы в целом или ее частей формулируются определенные гипотезы о функционировании. Гипотезы, как и законы, формулируются в виде определенных математических соотношений.

Дальнейшая работа состоит в исследовании полученных соотношений с применением аналитических или вычислительных методов, приводящих к ответу на поставленные перед моделью вопросы. Если модель хороша, полученные на модели ответы могут быть отнесены к самой моделируемой системе. Более того, с помощью такой модели можно расширить круг представлений о системе, например, выбрав одну из альтернативных гипотез о механизмах ее функционирования и отбросив остальные, неправдоподобные. Если же модель плохая, т.е. недостаточно адекватно описывает систему с точки зрения поставленных перед ней вопросов, ее следует усовершенствовать. Критерием адекватности служит практика, эксперимент, и критерий этот не может быть полностью формализован.

 

Специфика моделей живых систем

Несмотря на разнообразие живых систем, все они обладают следующими специфическими чертами, которые необходимо учитывать при построении моделей.

1.      Сложные системы. Все биологические системы являются сложными многокомпонентными, пространственно структурированными, элементы которых обладают индивидуальностью. При моделировании таких систем возможно два подхода. Первый - агрегированный, феноменологический. В соответствии с этим подходом выделяются определяющие характеристики системы (например, общая численность видов) и рассматриваются качественные свойства поведения этих величин во времени (устойчивость стационарного состояния, наличие колебаний, существование пространственной неоднородности). Такой подход является исторически наиболее древним и свойственен динамической теории популяций.

Другой подход ‑ подробное рассмотрение элементов системы и их взаимодействий, рассмотренное выше имитационное моделирование,. Имитационная модель не допускает аналитического исследования, но ее параметры имеют ясный физический и биологический смысл, при хорошей экспериментальной изученности фрагментов системы она может дать количественный прогноз ее поведения при различных внешних воздействиях.

2.   Размножающиеся системы (способные к авторепродукции).  Это важнейшее свойство живых систем определяет их способность перерабатывать неорганическое и органическое вещество для биосинтеза  биологических макромолекул, клеток, организмов. В феноменологических моделях это свойство выражается в наличии в уравнениях автокаталитических членов, определяющих возможность роста (в нелимитированных условиях ‑ экспоненциального), возможность неустойчивости стационарного состояния в локальных системах (необходимое условие возникновения колебательных и квазистохастических режимов) и неустойчивости гомогенного стационарного состояния в пространственно распределенных системах (условие неоднородных в пространстве распределений и автоволновых режимов).

Важную роль в развитии сложных пространственно-временных режимов играют процессы взаимодействия компонентов (биохимические реакции) и процессы переноса, как хаотического (диффузия), так и связанного с направлением внешних сил (гравитация, электромагнитные поля) или с адаптивными функциями живых организмов (например, движение цитоплазмы в клетках под действием микрофиламентов).

3.   Открытые системы,  постоянно пропускающие через себя потоки вещества и энергии. Биологические системы далеки от термодинамического равновесия, и потому описываются нелинейными уравнениями. Линейные соотношения Онзагера, связывающие силы и потоки, справедливы только вблизи термодинамического равновесия.

4.   Биологические объекты имеют сложную многоуровневую систему регуляции. В биохимической кинетике это выражается в наличии в схемах петель обратной связи, как положительной, так и отрицательной. В уравнениях локальных взаимодействий обратные связи описываются нелинейными функциями, характер которых определяет возможность возникновения и свойства сложных кинетических режимов, в том числе колебательных и квазистохастических.

Такие нелинейности при учете пространственного распределения и процессов переноса обусловливают паттерны стационарных структур (пятна различной формы, периодические диссипативные структуры) и различные типы автоволнового поведения (движущиеся фронты, бегущие волны, ведущие центры, спиральные волны и др.)

На уровне органа, организма, популяции живая система также является гетерогенной, и это ее основополагающее свойство необходимо учитывать при создании математической модели. Само возникновение пространственной структуры и законы ее формирования представляет одну из задач теоретической биологии. Один из подходов решения такой задачи ‑ математическая теория морфогенеза.

 

В заключение этой вводной лекции отметим, что компьютерные грамматики позволяют получить изображения, очень напоминающие те, которые мы видим в природе и на картинах великих мастеров. Вероятно, компьютерная логика, человеческий мозг и вся природа следуют единым законам.

 

 

Литература

Бондаренко Н.Ф. «Моделирование продуктивности агроэкосистем». Л., 1982;

Горстко А.Б., Домбровский Ю.А., Сурков Ф.А. Модели управления эколого-экономическими системами. М., 1984.

Джефферс Д."Введение в системный анализ: применение в экологии", М., 1981

Заславский Б.Г., Полуэктов Р.А. Управление экологическими системами. М..1988

Медоуз Д.Х,.Медоуз Д.Л, Рандерс Й. «За пределами роста» М., Прогресс. 1994.

Ризниченко Г.Ю., Рубин А.Б. Математические модели биологических продукционных процессов. М., Изд. МГУ, 1988

Рубин А.Б. Биофизика. Часть 1., М., 1999

Торнли Дж. Математические модели в физиологии растений. Киев, 1982

Франс Дж., Торнли Дж. «Математические модели в сельском хозяйстве», М., 1987;

 

Meadows Donella H. et.al. The Limits of the Growth. N.-Y. Universe Books. 1972, перевод на русский язык 1991 г

Meadows Donella H et.al Beyond the Limits, (Confronting global collapse. Envisioning a sustainable future.1992)

Vries de P. Simulation of plant growth and crop production/ Wageningen, 1982.

Wit C.T. Simulation of assimilation, respiration, and transpiration of crops, Wageningen, 1978