Существует несколько способов компьютерного моделирования. Во-первых, оно может заключаться в определении начальных условий и будущего состояния системы. Начальные условия — это значения входных переменных модели (они известны), на основе которых выполняется прогноз. Ученые называют отправную точку модели нулевым моментом времени, поэтому начальные условия записываются так: I1(0), I2(0)…, In(0). К примеру, если на сегодняшний день свиным гриппом заболели 1247 человек, из которых 1240 выжили, семь — умерли, то начальные условия таковы: I1(0) = 1247, I2(0) = 1240 и I3(0) = 7. Зная эти начальные условия и применив вычислительную модель эпидемии, можно задаться вопросом: сколько человек заболеют гриппом через семь дней?
Во-вторых, моделирование может заключаться в изменении параметров и оценке воздействия новых значений на будущее состояние системы. Что произойдет в примере со свиным гриппом, если вместо уровня смертности в 0,78 % использовать значение в 2,96 %? Каким в этом случае будет уровень смертности через месяц?
В-третьих, моделирование может заключаться в определении будущего состояния системы при заданных начальных условиях и некоторых значениях определенных параметров.
* * *
СРАВНЕНИЕ МОДЕЛЕЙ
В некоторых ситуациях моделирование может состоять в прогнозировании явления путем сравнения прогнозов, полученных с помощью различных вычислительных моделей. Такая ситуация может сложиться, когда одно явление описывается несколькими математическими моделями. К примеру, можно сравнить различные математические модели климата для одной и той же ситуации, смоделировать поведение колонии муравьев с помощью разных вычислительных моделей или определить число хищников и жертв, сравнив данные, полученные с использованием клеточных автоматов, с данными, полученными по уравнениям Лотки — Вольтерры.
Увеличение объема метана в земной коре и стратосфере согласно вычислительной модели в сравнении с другими моделями, описывающими это же явление.
* * *
Программы для символьных вычислений
Программы для символьных вычислений позволяют обрабатывать математические выражения в символьном виде. Подобные программы появились в 1960-е и стали первым коммерческим продуктом, в котором использовался искусственный интеллект. Первыми пользователями этих программ стали физики, со временем к ним присоединились и другие ученые. На заре эпохи символьных вычислений родились такие программы, как Schoonschip и MathLab, однако лишь с развитием muMath, Reduce, Macsyma и Derive программы для символьных вычислений обрели популярность в научных кругах. Сегодня эти приложения используются в университетах, учебных центрах, а также при реализации научных и инженерных проектов. Самыми популярными коммерческими программами для символьных вычислений являются Maple и Mathematica, а также бесплатные SciLab и Octave.
SciLab — бесплатная программа для научных расчетов и символьных вычислений.
Эти приложения незаменимы в математической биологии — при изучении динамических систем в экологии, эпидемиологии, фармакологии и т. д. Программы для символьных вычислений не только позволяют редактировать и исправлять выражения, но и содержат много других возможностей: с их помощью можно строить графики в двух и трех измерениях, использовать внешние программы или библиотеки процедур, имеющих различное применение в вычислительной химии и т. д. В них используются методы эволюционных вычислений, методы биоинформатики, статистические методы, дифференциальные уравнения и многое другое. Среди задач, решаемых с помощью программ символьных вычислений, выделяется упрощение выражений, разложение в ряд Тейлора, разложение многочленов на множители, вычисление пределов, производных и интегралов, выполнение операций с матрицами и векторами.
С помощью языков программирования пользователи могут создавать приложения с собственными «рецептами» вычислений. Использование программ символьных вычислений для решения определенного класса задач биологии привело к тому, что в математической биологии появился новый раздел — алгебраическая биология.
Эта дисциплина возникла в 2005 году, ее цель — создание моделей, объясняющих биологические явления, при этом большую важность имеет биологическая задача, а не математические преобразования символьных выражений. В настоящее время алгебраическая биология считается частью биологии систем и используется для анализа и моделирования биологических систем при создании моделей биохимических реакций, регулировании экспрессии генов, а также для решения различных задач клеточной и молекулярной биологии.
Также алгебраическая биология применяется в эпидемиологии, при изучении популяций организмов и решения таких задач, как построение филогенетических деревьев, показывающих эволюционные взаимосвязи между различными видами. Не вдаваясь в детали, отметим, что с помощью этой дисциплины удалось создать модель одного из известнейших механизмов молекулярной биологии — лактозного оперона бактерии Escherichia coli, который был открыт Франсуа Жакобом и Жаком Моно (Нобелевская премия по медицине 1965 года). Чем может быть полезна вычислительная модель чего-то, открытого еще в 1960-е? Дело в том, что вычислительная алгебра — это относительно новый и очень мощный инструмент, позволяющий создавать биологические модели и системно анализировать их. И в этом случае речь идет не об открытиях, а о методе, позволяющем исследователям яснее понять все составляющие сложного механизма лактозного оперона и даже поиграть с ними.
Некоторые примеры использования математики в биологии
Последний раздел этой главы посвящен четырем важным примерам использования математики в биологии. Мы поговорим о матрице Лесли, клеточных автоматах, модели «хищник — жертва» и клеточных автоматах, а также о применении теории множеств в математической модели иммунной системы. Изучение популяций оленей, белок и других животных.
Матрица Лесли
Патрик Лесли родился в 1900 году. Он был экологом и работал в Оксфорде, в организации, занимавшейся подсчетом численности животных. В 1945 году Лесли опубликовал модель структуры популяции, которая нашла широкое применение в экологии популяций и демографии. Эта модель позволяет определить рост популяции с учетом ее возрастной структуры. Сведя воедино две функции (первая описывала рождаемость, вторая — уровень смертности), ученый определил матрицу популяции, известную под названием матрицы Лесли. Эта матрица является квадратной, то есть имеет одинаковое число строк и столбцов, совпадающее с числом составляющих некоторого вектора. Также в этой модели предполагается, что популяция является изолированной и не пополняется в результате миграции. Поскольку модель применяется для животных, которые размножаются половым путем, в ней учитываются только самки: число самцов на рост популяции не влияет. Составляющие вектора, о котором мы упоминали выше, обозначают число особей определенного возраста.
Объясним модель Лесли на следующем примере. Предположим, что в природной среде, например в национальном парке или заповеднике, была зафиксирована следующая численность самок оленей, которые в момент времени t (связанный, к примеру, с датой выборки) принадлежали к возрастным группам под номерами 0, 1, 2, 3 и 4: N0t, N1t, N2t, N3t и N4t. Обратите внимание, что 0, 1, 2, 3 и 4 — всего лишь обозначения, указывающие возрастные интервалы, к примеру в годах, от меньшего возраста к большему. В нашем примере предполагается, что оленей можно разделить на пять возрастных групп согласно ожидаемой продолжительности жизни.
Также предполагается, что плодовитость всех особей известна, то есть экологи, работающие в заповеднике, знают среднее число детенышей у самок определенного возраста. Если рассмотреть всю популяцию, то число новорожденных оленей, которые включаются в возрастную группу, образованную самыми молодыми особями в следующем поколении (то есть в момент времени t + 1), будет равно:
N0t+1 = f0N0t + f1N1t + f2N2t + f3N3t + f4N4t
Теперь будем учитывать смертность оленей, вызванную различными причинами. В этом случае особь не перейдет из текущей возрастной группы в следующую, так как не достигнет нужного возраста. Обозначим через s0, s1, s2 и s3 долю выживших особей в каждой возрастной группе, которые, таким образом, перейдут в следующую возрастную группу. Это число выражается в долях единицы и обозначает вероятность. Как следствие, в рассматриваемой модели число самок, перешедших в следующую возрастную группу, определяется формулой N1t+1 = s0N0t, N2t+1 = s1N1t, N3t+1 = s2N2t и N4t+1 = s3N3t. В математической биологии модель Лесли иллюстрирует очень элегантную и оригинальную формулировку. Все представленные выше выражения сведены в матрицу перехода L, которая получила название матрицы Лесли: