Академический Документы
Профессиональный Документы
Культура Документы
212 Труды XVI Всероссийской конференци DICR-2017, Новосибирск, 4-7 декабря 2017 года
ного создания и численных расчетов математических моделей различного типа (обык-
новенные дифференциальные уравнения, мгновенные события, стохастические процес-
сы, агентное моделирование, модульное моделирование). BioUML имеет модульную
структуру, что позволяет расширять платформу дополнительными программными мо-
дулями.
Модели ССС человека. Используя платформу BioUML мы реализовали суще-
ствующие модели CCC человека:
1. Модель [1] ССС человека, описывающая циркуляцию крови по большому и малому
кругам кровообращения как по набору связанных резервуаров. Сердце моделирует-
ся как насос, мгновенно переключающийся между систолой и диастолой.
2. Модель [2], описывающая водно-солевой баланс и работу почки. Данная модель
является развитием модели [3] и расширяет ее более детальными блоками ангио-
тензина и ренина (в соответствии с [4]), а также блоками моделирующими воздей-
ствие лекарственных препаратов (алискирен, лозартан, рамиприл, амлодипин и др.)
3. Одномерная модель сердечно-сосудистой системы человека [5], описывающая ток
крови по 55 крупнейшим сосудам артериального дерева с помощью уравнений в
частных производных.
Данные модели были декомпозированы на функциональные блоки, из которых
собрана новая комплексная модель ССС человека (рис. 1). Таким образом, эта модель
является развитием созданной нами ранее комплексной модели [6].
Труды XVI Всероссийской конференци DICR-2017, Новосибирск, 4-7 декабря 2017 года 213
са и гормональной системы и разный математический аппарат. Численные расчеты для
нее производятся с помощью агентной симуляции в платформе BioUML. Для каждого
из блоков (или для группы однотипных блоков, в зависимости от выбора пользователя)
расчеты происходят с помощью отдельного численного решателя. Расчеты координи-
руются специальной подпрограммой – планировщиком.
Генерация виртуальных популяций. В рамках данной работы, мы разработали
программный модуль для платформы BioUML. Модуль использует модифицированный
алгоритм Метрополиса сходный с описанным в [7].
1. Выбираются параметры модели, значения которых будут определяться алгорит-
мом.
2. Выбираются переменные модели, для которых собраны экспериментальные
данные или известно распределение.
3. Для каждого параметра из первой группы устанавливается начальное значение
𝑥0 и величина шага d.
4. Выполняется шаг алгоритма. Каждому параметру присваивается новое значение,
вычисляемое как случайная величина 𝑥𝑖+1 с распределением, зависящим от
предыдущего значения 𝑄(𝑥|𝑥𝑖 ). В нашем случае это нормальное распределение
со средним 𝑥𝑖 и дисперсией 𝑑 2 : 𝑥𝑖+1 = 𝑥𝑖 + 𝑒, где 𝑒 выбирается из нормального
распределения 𝑁(0, 𝑑2 ). Полученные значения параметров устанавливаются в
модель, после чего запускаются численные расчеты до достижения моделью
устойчивого состояния. Полученные значения всех переменных модели в новом
состоянии описывают полученного виртуального пациента. Значения наблюда-
емых параметров (см. п.2) данного пациента обозначим через 𝑀(𝑥).
5. Для созданного пациента вычисляется логарифм максимального правдоподобия
принадлежности его наблюдаемых параметров распределению, наблюдаемому в
экспериментальных данных 𝑝(𝑀(𝑥)).
𝑝(𝑀(𝑥))
6. Виртуальный пациент добавляется в популяцию, если > 𝑢,
𝑝(𝑀(𝑥∗))
где u принадлежит равномерному распределению 𝑈(0,1), x* - предыдущий па-
циент, добавленный в популяцию. В противном случае пациент отвергается.
Шаги 4-6 выполняются до тех пор, пока не будет создана популяция требуемого
размера.
Для избегания корреляции между последовательно сгенерированными пациента-
ми, в популяцию попадает каждый k-й пациент, прошедший проверку на шаге 7. Кроме
того первый m сгенерированных пациентов не попадают в популяцию чтобы избежать
влияния выбранного начального значения параметров. Для того чтобы сгенерированная
популяция была более разнообразной и покрывала большую область возможных значе-
ний параметров, шаги 3-6 повторяется s раз. Числа k, m и s являются параметрами ме-
тода. Величины шага подбираются таким образом, чтобы процент принятия пациентов
в популяцию был в интервале 60-80% [7].
Для работы алгоритма необходимо оценивать плотность распределения наблюда-
емых показателей 𝑝(𝑥). Для этого мы использовали ядерную оценку плотности с по-
мощью ядра Епанечникова.
214 Труды XVI Всероссийской конференци DICR-2017, Новосибирск, 4-7 декабря 2017 года
Весь алгоритм доступен пользователю как один из методов анализа математиче-
ских моделей в платформе BioUML (рис. 2). Пользователь выбирает модель и таблицу с
экспериментальными данными из репозитория BioUML, параметры численного реша-
теля и параметры алгоритма для генерации популяции. Результат работы анализа – таб-
лица, содержащая значения параметров и рассчитанные значения наблюдаемых показа-
телей виртуальных пациентов.
Труды XVI Всероссийской конференци DICR-2017, Новосибирск, 4-7 декабря 2017 года 215
Рис. 3. Плотность совместного распределения минутного объема CO и периферической сопро-
тивляемости R в исходной популяции (слева) и созданной виртуальной популяции (справа).
ЛИТЕРАТУРА
[1] Прошин А.П., Солодянников Ю.В. Математическое моделирование системы кровообраще-
ния и его практические применения // Автоматика и телемеханика. 2006. Т. 2. С. 174-188.
[2] Hallow K.M., Lo A., Beh J., Rodrigo M., Ermakov S., Friedman S., et al. A model-based approach
to investigating the pathophysiological mechanisms of hypertension and response to antihyperten-
sive therapies: Extending the Guyton model. Am J Physiol Reg Integr Comp Physiol. 2014. V.
306 № 9. PP. R647-62.
[3] Karaaslan F., Denizhan Y., Kayserilioglu A., Ozcan Gulcur H. Long-term mathematical model
involving renal sympathetic nerve activity, arterial pressure, and sodium excretion // Annals of Bi-
omedical Engineering. 2005. V. 33. № 11. PP. 1607-1630.
216 Труды XVI Всероссийской конференци DICR-2017, Новосибирск, 4-7 декабря 2017 года
[4] Lo A., Beh J., de Leon H., Hallow K.M., Ramakrishna R., Rodrigo M., Sarkar A., Sarangapani R.,
Georgieva A. Using a systems biology approach to explore hypotheses underlying clinical diver-
sity of the renin angiotensin system and the response to antihypertensive therapies. Clinical Trial
Simulations, AAPS Advances in the Pharmaceutical Sciences Series. 2011. V. 1. 618 p.
[5] N. Ivanova, A.L. Markel, A.M. Blokhin. Circulatory System and Arterial Hypertension:
Experimental Investigation, Mathematical and Computer Simulation. Series: Human
Anatomy and Physiology. Editors: Nova Science Publishers INC, 2012.
[6] Киселев И.Н., Семисалов Б.В., Бибердорф Э.А., Шарипов Р.Н., Блохин А.М., Колпаков Ф.А.
Модульное моделирование сердечно-сосудистой системы человека // Математическая био-
логия и Биоинформатика. 2012. Т.7. № 2. С. 703-736.
[7] Pruett W.A., Husband L.D., Husband G., Dakhlalla M., Bellamy K., Coleman T.G., Hester R.L. A
population Model of Integrative Cardiovascular physiology // PLOS One. 2013. V. 8 № 9.
[8] Мельников В.Н., Комлягина Т.Г., Речкина С.Ю., Лазарева И.Ф., Суворова И.Ю., Кривощеков
С.Г. Показатели эластичности артерий и гемодинамики у здоровых и больных людей: база
данных, зарегистрирована в Реестре баз данных Федеральной службы по интеллектуальной
собственности 9 июня 2012 г. № 2012620540.
Труды XVI Всероссийской конференци DICR-2017, Новосибирск, 4-7 декабря 2017 года 217