Агентная модель в биологии

Агентные модели имеют множество применений в биологии , в первую очередь благодаря особенностям метода моделирования. Агентное моделирование — это основанная на правилах методология компьютерного моделирования , которая фокусируется на правилах и взаимодействиях между отдельными компонентами или агентами матрицы.. Целью этого метода моделирования является создание популяций интересующих компонентов системы и моделирование их взаимодействия в виртуальном мире. Агентные модели начинаются с правил поведения и стремятся реконструировать посредством вычислительной реализации этих поведенческих правил наблюдаемые модели поведения.

Характеристики

Некоторые характеристики агентных моделей, важные для биологических исследований, включают:

Модульная структура

Поведение агентной модели определяется правилами ее агентов. Существующие правила агентов можно изменить или добавить новых агентов без необходимости изменения всей модели.

Эмерджентные свойства

Благодаря использованию отдельных агентов, которые локально взаимодействуют с правилами поведения, агентно-ориентированные модели приводят к синергии, которая приводит к целому более высокого уровня с гораздо более сложным поведением, чем у каждого отдельного агента.

Абстракция

Агентные модели могут быть построены при отсутствии полного знания исследуемой системы либо путем исключения несущественных деталей, либо в случае их отсутствия. Это позволяет сделать модель максимально простой и проверяемой.

Стохастичность

Биологические системы демонстрируют поведение, которое кажется случайным. Вероятность конкретного поведения может быть определена для системы в целом, а затем преобразована в правила для отдельных агентов.

различных

В экологическом контексте агентное моделирование может использоваться для моделирования поведения различных видов, таких как заражение насекомыми, другие инвазивные виды, тля, водные популяции, и эволюция врожденного поведения при поиске пищи.

Заражение лесными насекомыми

Агентное моделирование использовалось для моделирования атакующего поведения соснового жука горного (MPB), Dendroctonus ponderosae , чтобы оценить, как различные политики лесозаготовок влияют на пространственные характеристики леса и пространственное распространение заражения MPB с течением времени. Около двух третей земли в Британской Колумбии ( Канада) покрыты лесами, которые постоянно изменяются под воздействием природных воздействий, таких как пожары, болезни и нашествие насекомых. Лесные ресурсы составляют примерно 15% экономики провинции, поэтому заражения, вызванные такими насекомыми, как MPB, могут оказать существенное влияние на экономику. Вспышки MPB считаются серьезным природным нарушением, которое может привести к массовой гибели сосны ложчатой , одной из наиболее распространенных коммерческих пород деревьев в Британской Колумбии. Вспышки насекомых привели к гибели деревьев на площадях в несколько тысяч квадратных километров.

Агентная модель, разработанная для этого исследования, была разработана для моделирования поведения нападения MPB, чтобы оценить, как методы управления влияют на пространственное распределение и структуру популяции насекомых, а также их предпочтения в отношении атакованных и убитых деревьев. В модели рассматривались три стратегии управления: 1) отсутствие управления, 2) санитарный сбор и 3) ликвидационный сбор. В модели Beetle Agent представлял поведение MPB; Агент «Сосна» представлял собой эволюцию лесной среды и здоровья деревьев; Агент по управлению лесами представлял различные стратегии управления. Агент-жук следует ряду правил, чтобы решить, куда летать в лесу, и выбрать здоровое дерево для нападения, кормления и размножения. MPB обычно убивает деревья-хозяева в их естественной среде для успешного размножения. жуков Личинки питаются внутренней корой взрослых деревьев-хозяев, в конечном итоге убивая их. Для размножения жуков дерево-хозяин должно быть достаточно большим и иметь толстую внутреннюю кору. Вспышки МПБ заканчиваются, когда запасы пищи уменьшаются до такой степени, что ее становится недостаточно для поддержания популяции, или когда климатические условия становятся неблагоприятными для жука. Агент Pine имитирует сопротивление дерева-хозяина, в частности сосны Ложной, и отслеживает состояние и характеристики каждого древостоя. В какой-то момент атаки MPB количество жуков на дереве достигает мощности дерева-хозяина. Когда эта точка достигается, жуки выделяют химическое вещество, направляющее жуков атаковать другие деревья. Агент Pine моделирует это поведение, рассчитывая плотность популяции жуков на насаждение и передает информацию агентам Beetle. Агент управления лесами использовался на уровне насаждения для моделирования двух распространенных методы лесоводства (санитария и спасение), а также стратегия, в которой не использовалась практика управления. При использовании стратегии санитарных лесозаготовок, если уровень заражения древостоя превышает установленный порог, его удаляют, а также все здоровые соседние насаждения, когда средний размер деревьев превышает установленный порог. Для стратегии сбора отходов древостой удаляется, даже если он не подвергается атаке MPB, если заранее определенное количество соседних насаждений находится под атакой MPB.

В исследовании рассматривалась лесная территория в северо-центральной части Британской Колумбии площадью около 560 гектаров . Территория состояла в основном из сосны Лоджпол с меньшими долями пихты Дугласа и белой ели . Модель была выполнена для пяти временных шагов, каждый из которых представляет один год. Для каждой рассматриваемой стратегии управления лесами было проведено тридцать прогонов моделирования. Результаты моделирования показали, что, когда не использовалась стратегия управления, наблюдалась самая высокая общая зараженность MPB. Результаты также показали, что метод управления лесозаготовками привел к сокращению количества лесных веток, уничтоженных MPB, на 25% по сравнению с сокращением на 19% при использовании стратегии санитарных лесозаготовок. Таким образом, результаты показывают, что модель можно использовать в качестве инструмента для разработки политики управления лесами.

виды

Инвазивные виды относятся к «неместным» растениям и животным, которые отрицательно влияют на окружающую среду, в которую они вторгаются. Интродукция инвазивных видов может иметь экологические, экономические и экологические последствия. Можно разработать агентную модель для оценки воздействия режимов правоприменения, специфичных для порта и импортера, для конкретного сельскохозяйственного товара , который представляет риск инвазивных видов, с целью улучшения распределения ресурсов правоприменения и предоставления политикам инструмента для ответить на дополнительные вопросы, касающиеся соблюдения границ и риска инвазивных видов.

Агентная модель, разработанная для исследования, учитывала три типа агентов: инвазивные виды, импортеры и агенты пограничного контроля. В модели инвазивные виды могут реагировать только на окружающую среду, в то время как импортеры и пограничники могут принимать собственные решения, исходя из своих собственных целей и задач. Инвазивный вид имеет возможность определить, был ли он выпущен на территорию, где находится целевая культура, и распространиться на прилегающие участки с целевой культурой. Модель включает карты пространственной вероятности, которые используются для определения того, приживутся ли инвазивные виды. Исследование было сосредоточено на поставках брокколи из Мексики в Калифорнию через порты въезда Калексико, Калифорния, и Отай-Меса, Калифорния . Выбранным инвазивным видом, вызывающим беспокойство, была крестоцветная блошка ( Phyllotreta Crusferae ). Калифорния на сегодняшний день является крупнейшим производителем брокколи в Соединенных Штатах, поэтому обеспокоенность и потенциальное воздействие интродукции инвазивных видов через выбранные порты ввоза значительны. Модель также включала пространственно явную функцию ущерба, которая использовалась для реалистичного моделирования ущерба от инвазивных видов. Агентное моделирование дает возможность анализировать поведение субъекты неоднородны , поэтому были рассмотрены три различных типа импортеров, которые различались уровнем заражения товаров (высокий, средний и низкий), выбором предварительной обработки и стоимостью транспортировки до портов. Модель давала прогнозы по количеству проверок для каждого порта въезда и импортера, а также определяла уровень успешности проверки пограничными агентами не только для каждого порта и импортера, но также для каждого потенциального уровня предварительной обработки (без предварительной обработки, первый уровень, второй уровень и т. д.). третий уровень).

Модель была реализована и запущена в NetLogo версии 3.1.5. В анализ была включена пространственная информация о расположении портов въезда, основных автомагистралях и транспортных маршрутах, а также карта посевов калифорнийской брокколи, наложенная на карты вероятности появления инвазивных видов. ПоведениеПространство, Программный инструмент, интегрированный с NetLogo, использовался для проверки влияния различных параметров (например, стоимости доставки, стоимости предварительной обработки) в модели. В среднем на каждом уровне используемого параметра рассчитывалось 100 итераций, причем итерация представляла собой период в один год.

Результаты модели показали, что по мере увеличения усилий по проверке импортеры усиливают должную осторожность или предварительную обработку поставок, и общие денежные потери калифорнийских культур уменьшаются. Модель показала, что импортеры по-разному реагируют на увеличение усилий по проверке. Некоторые импортеры отреагировали на увеличение количества проверок увеличением усилий по предварительной обработке, в то время как другие предпочли избежать доставки в конкретный порт или сделали покупки в другом порту. Важным результатом результатов модели является то, что она может показать или предоставить рекомендации политикам относительно момента, когда импортеры могут начать делать покупки в портах, например, частота проверок, при которой вводятся покупки в портах, и импортеры, связанные с определенным уровнем. фитосанитарный риск или транспортные расходы, скорее всего, внесут эти изменения. Еще один интересный результат модели заключается в том, что, когда инспекторы не смогли научиться реагировать на импортер с ранее зараженными поставками, ущерб, нанесенный урожаям брокколи в Калифорнии, оценивается в 150 миллионов долларов. Однако, когда инспекторам удалось увеличить количество проверок импортеров, допустивших ранее нарушения, ущерб, нанесенный урожаям калифорнийской брокколи, сократился примерно на 12%. Модель обеспечивает механизм прогнозирования проникновения инвазивных видов из импорта сельскохозяйственной продукции и их вероятного ущерба. Не менее важно и то, что модель предоставляет политикам и органам пограничного контроля инструмент, который можно использовать для определения наилучшего распределения инспекционных ресурсов.

тли

Агентная модель может быть использована для изучения динамики популяций черемуховой овсяной тли Rhopalosiphum padi . Исследование проводилось на территории площадью пять квадратных километров в Северном Йоркшире , графстве, расположенном в Йоркшире и регионе Хамбер в Англии . Метод агентного моделирования был выбран из-за того, что он ориентирован на поведение отдельных агентов, а не популяции в целом. Авторы предполагают, что традиционные модели, ориентированные на популяции в целом, не принимают во внимание сложность одновременных взаимодействий в экосистемах , таких как воспроизводство и конкуренция за ресурсы, которые могут оказать существенное влияние на тенденции численности населения. Подход к моделированию на основе агентов также позволяет разработчикам моделей создавать более общие и модульные модели, которые более гибки и просты в обслуживании, чем подходы к моделированию, ориентированные на совокупность в целом. Другие предлагаемые преимущества агентных моделей включают реалистичное представление интересующего явления благодаря взаимодействиям группы автономных агентов, а также возможность интегрировать количественные переменные, дифференциальные уравнения. и поведение на основе правил в одну и ту же модель.

Модель реализована в наборе инструментов моделирования Repast с использованием языка программирования JAVA . Модель запускалась с ежедневными временными шагами и была ориентирована на осенний и зимний сезоны. Входные данные для модели включали данные о среде обитания, дневную минимальную, максимальную и среднюю температуру, а также скорость и направление ветра. Для возбудителей тли возраст, положение и морфологию ( крылатую или бескрылую учитывали ). Возраст варьировался от 0,00 до 2,00, причем 1,00 — это момент, когда агент становится взрослым. Размножение возбудителей тли зависит от возраста, морфологии, а также дневной минимальной, максимальной и средней температуры. Вылупившиеся нимфы остаются в том же месте, что и их родители. Морфология нимф связана с плотностью популяции и качеством питательных веществ источника пищи тли . Модель также учитывала смертность возбудителей тли, которая зависит от возраста, температуры и качества среды обитания. Скорость старения возбудителя тли определяется дневной минимальной, максимальной и средней температурой. В модели считалось, что перемещение возбудителей тли происходит в две отдельные фазы: мигрирующую фазу и фазу поиска пищи, каждая из которых влияет на общую численность животных. распределение населения .

Исследование началось с моделирования с начальной популяцией в 10 000 крылатых тлей, распределенных по сетке из 25-метровых ячеек. Результаты моделирования показали, что наблюдалось два основных пика численности населения: первый в начале осени из-за притока позднейших иммигрантов, а второй из-за более низких температур в конце года и отсутствия иммигрантов. В конечном итоге цель исследователей — адаптировать эту модель для моделирования более широких экосистем и типов животных.

водных

Предложена модель для изучения динамики популяций двух видов макрофитов . Водные растения играют жизненно важную роль в экосистемах , в которых они живут, поскольку они могут служить убежищем и пищей для других водных организмов. Однако они также могут иметь вредные последствия, такие как чрезмерный рост чужеродных растений или эвтрофикация озер, в которых они обитают, что приводит к бескислородным условиям. Учитывая эти возможности, важно понимать, как окружающая среда и другие организмы влияют на рост этих водных растений, чтобы смягчить или предотвратить эти вредные воздействия.

Potamogeton pectinatus является одним из агентов водных растений в модели. Это однолетнее растение , которое поглощает питательные вещества из почвы и размножается корневыми клубнями и корневищами . На размножение растения не влияет поток воды, но на него могут влиять животные, другие растения и люди. Растение может вырасти до двух метров в высоту, что является ограничивающим условием, поскольку оно может расти только на определенной глубине воды, а большая часть его биомассы находится в верхней части растения, чтобы улавливать как можно больше солнечного света. Вторым растительным агентом в модели является Chara aspera , также укоренившееся водное растение. Одним из основных различий между этими двумя растениями является то, что последнее размножается с помощью очень маленьких семян, называемых ооспорами и луковицами, которые распространяются с потоком воды. Chara aspera вырастает всего до 20 см и требует очень хороших условий освещения, а также хорошего качества воды, которые являются ограничивающими факторами для роста растения. Chara aspera имеет более высокую скорость роста, чем Potamogeton pectinatus , но продолжительность жизни у него гораздо короче. Модель также учитывала факторы окружающей среды и животных. Рассматриваемые факторы окружающей среды включали поток воды, проникновение света и глубину воды. Условия стока, хотя и не имеют большого значения для Potamogeton pectinatus , напрямую влияют на распространение семян Chara aspera . Условия потока влияют как на направление, так и на расстояние, на которое будут распространяться семена. Проникновение света сильно влияет на Chara aspera , поскольку требует высокого качества воды. Коэффициент затухания (EC) является мерой проникновения света в воду. По мере увеличения ЕС скорость роста Chara aspera снижается. Наконец, глубина важна для обоих видов растений. По мере увеличения глубины воды проникновение света уменьшается, что затрудняет выживание любого вида за пределами определенных глубин.

Областью интересов модели было озеро Нидерландах Велюве в . Это относительно мелкое озеро со средней глубиной 1,55 метра и площадью около 30 квадратных километров. Озеро находится в состоянии эвтрофикационного стресса, что означает, что питательные вещества не являются ограничивающим фактором ни для одного из растительных агентов в модели. Начальное положение растительных агентов в модели определялось случайным образом. Модель была реализована с использованием пакета программного обеспечения Repast и выполнена для моделирования роста и разложения двух различных растительных агентов с учетом ранее обсуждавшихся агентов окружающей среды, а также взаимодействия с другими растительными агентами. Результаты реализации модели показывают, что распределение популяции Chara aspera имеет пространственную структуру, очень похожую на карты ГИС наблюдаемого распределения. Авторы исследования приходят к выводу, что разработанные в ходе исследования правила агентов подходят для моделирования пространственной картины роста макрофитов в этом конкретном озере.

Ячеистое моделирование

Основная статья: Модели на основе ячеек

Агентное моделирование все чаще используется для моделирования поведения отдельных клеток внутри ткани. Эти модели делятся на модели на решетке и вне решетки, причем модели на решетке, такие как клеточные автоматы и модель клеточного горшка , и модели вне решетки, такие как модели на основе центра. вершинные модели, метод погруженных границ модели и модели на основе метода субклеточных элементов. Некоторые примеры конкретных применений клеточного моделирования:

приводящая к образованию

Можно использовать агентную модель, моделирующую колонизацию бактерий на поверхности, приводящую к образованию биопленок . Целью iDynoMiCS (индивидуального симулятора динамики микробных сообществ) является моделирование роста популяций и сообществ отдельных микробов (небольших одноклеточных организмов, таких как бактерии, археи и протисты ), которые конкурируют за пространство и ресурсы в биопленках, погруженных в водную среду. . iDynoMiCS можно использовать, чтобы понять, как индивидуальная микробная динамика приводит к появлению свойств и поведения на уровне популяции или биопленки. Исследование таких образований важно при изучении почвы и рек, исследованиях гигиены полости рта, исследованиях инфекционных заболеваний и инфекций, связанных с медицинскими имплантатами, а также для понимания биокоррозии. Была использована парадигма агентного моделирования, чтобы сделать возможным изучить, как каждая отдельная бактерия определенного вида способствует развитию биопленки. Первоначальная иллюстрация iDynoMiCS рассматривала, как колебания доступности кислорода в окружающей среде влияют на разнообразие и состав сообщества денитрифицирующих бактерий , которые индуцируют путь денитрификации в бескислородных условиях или в условиях низкого содержания кислорода. В исследовании рассматривается гипотеза о том, что существование различных стратегий денитрификации в окружающей среде можно объяснить, исключительно предположив, что более быстрое реагирование влечет за собой более высокие затраты. Модель, основанная на агентах, предполагает, что если метаболические пути можно переключать без затрат, чем быстрее произойдет переключение, тем лучше. Однако там, где более быстрое переключение требует более высоких затрат, существует стратегия с оптимальным временем отклика для любой частоты колебаний окружающей среды. Это говорит о том, что в разных биологических средах побеждают разные типы стратегий денитрификации. С момента этого внедрения сфера применения iDynoMiCS продолжает расширяться: одним из примеров является недавнее исследование инвазии плазмид в биопленки. В этом исследовании изучалась гипотеза о том, что плохое распространение плазмиды в биопленках вызвано зависимостью конъюгации от скорости роста агента-донора плазмиды. С помощью моделирования в статье предполагается, что вторжение плазмиды в резидентную биопленку ограничено только тогда, когда перенос плазмиды зависит от роста. Были использованы методы анализа чувствительности, которые позволяют предположить, что параметры, связанные со временем (задержка перед переносом плазмиды между агентами) и пространственным охватом, более важны для инвазии плазмиды в биопленку, чем скорость роста принимающих агентов или вероятность потери сегрегации. Продолжают публиковаться дополнительные примеры использования iDynoMiCS, включая использование iDynoMiCS при моделировании биопленки Pseudomonas aeruginosa с глюкозным субстратом.

iDynoMiCS был разработан международной командой исследователей с целью предоставить общую платформу для дальнейшей разработки всех индивидуальных моделей микробных биопленок и т.п. Первоначально модель была результатом многолетней работы Лорана Лардона, Брайана Мерки и Яна-Ульриха Крефта при участии Жоао Ксавьера. Благодаря дополнительному финансированию со стороны Национального центра по замене, совершенствованию и сокращению количества животных в исследованиях (NC3Rs) в 2013 году, разработка iDynoMiCS как инструмента для биологических исследований продолжается быстрыми темпами, при необходимости добавляются новые функции. С самого начала команда взяла на себя обязательство выпустить iDynoMiCS как платформу с открытым исходным кодом , поощряя сотрудников разрабатывать дополнительные функции, которые затем можно будет объединить в следующую стабильную версию. IDynoMiCS реализован на языке программирования Java со сценариями MATLAB и R для анализа результатов. Структуры биопленок, образующиеся при моделировании, можно просмотреть как фильм, используя Файлы POV-Ray , генерируемые при запуске моделирования.

Обогащение стволовыми клетками молочной железы после облучения в

Эксперименты показали, что воздействие ионизирующего облучения молочных желез пубертатного возраста приводит к увеличению доли молочных стволовых клеток в железе. Это важно, поскольку стволовые клетки считаются ключевыми мишенями для возникновения рака под действием ионизирующего излучения, поскольку они обладают наибольшим долгосрочным пролиферативным потенциалом, а мутагенные явления сохраняются во многих дочерних клетках. Кроме того, эпидемиологические данные показывают, что дети, подвергшиеся воздействию ионизирующего излучения, имеют значительно больший риск рака молочной железы, чем взрослые. Таким образом, эти эксперименты вызвали вопросы о механизме, лежащем в основе увеличения количества стволовых клеток молочной железы после облучения, который можно изучить с помощью двух агентных моделей, используемых параллельно с экспериментами in vivo и in vitro для оценки инактивации клеток и дедифференцировки посредством эпителиально-мезенхимального перехода ( ЕМТ) и самообновление (симметричное деление) как механизмы, с помощью которых радиация может увеличить количество стволовых клеток.

Первая модель, основанная на агентах, представляет собой многомасштабную модель развития молочной железы, начиная с рудиментарного дерева молочных протоков в начале полового созревания (во время активной пролиферации) и заканчивая полной молочной железой в зрелом возрасте (когда пролиферация незначительна). Модель состоит из миллионов агентов, каждый из которых представляет собой стволовую клетку молочной железы, клетку-предшественницу или дифференцированную клетку молочной железы. Моделирование было впервые проведено на суперкомпьютере Lawrencium Национальной лаборатории Лоуренса Беркли для параметризации и сравнения модели с различными измерениями молочной железы in vivo . Затем модель использовалась для тестирования трех различных механизмов, чтобы определить, какой из них привел к результатам моделирования, которые in vivo лучше всего соответствуют экспериментам . Удивительно, но радиационно-индуцированная инактивация клеток в результате гибели не способствовала увеличению частоты стволовых клеток независимо от дозы, полученной в модели. Вместо этого модель показала, что сочетание повышенного самообновления и пролиферации клеток в период полового созревания приводит к обогащению стволовыми клетками. Напротив, было показано, что эпителиально-мезенхимальный переход в модели увеличивает частоту стволовых клеток не только в пубертатных молочных железах, но и во взрослых железах. Однако это последнее предсказание противоречило данные in vivo ; облучение взрослых молочных желез не приводило к увеличению частоты стволовых клеток. Таким образом, эти симуляции показали, что самообновление является основным механизмом увеличения количества стволовых клеток в пубертатном периоде.

Для дальнейшей оценки механизма самообновления была создана вторая модель на основе агентов для моделирования динамики роста эпителиальных клеток молочной железы человека (содержащих субпопуляции стволовых/предшественников и дифференцированных клеток) in vitro после облучения. Сравнивая результаты моделирования с данными экспериментов in vitro , вторая модель на основе агентов дополнительно подтвердила, что клетки должны активно пролиферировать, чтобы наблюдать зависимое от самообновления увеличение числа стволовых клеток/клеток-предшественников после облучения.

Комбинация двух моделей, основанных на агентах, и экспериментов in vitro / in vivo позволяет понять, почему дети, подвергшиеся воздействию ионизирующего излучения, имеют значительно больший риск рака молочной железы, чем взрослые. Вместе они подтверждают гипотезу о том, что грудь подвержена временному увеличению самообновления стволовых клеток при воздействии радиации в период полового созревания, что приводит к развитию рака во взрослой ткани десятилетия спустя.

См. также

• Автономный агент — тип автономного объекта в программном обеспечении.
• Интеллектуальный агент – программный агент, действующий автономно.