Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску

Агентные модели имеют множество применений в биологии , в первую очередь из-за характеристик метода моделирования. Агентное моделирование - это основанная на правилах методология вычислительного моделирования, которая фокусируется на правилах и взаимодействиях между отдельными компонентами или агентами системы. [1] Целью этого метода моделирования является создание популяций интересующих компонентов системы и моделирование их взаимодействия в виртуальном мире. Агентно-ориентированные модели начинаются с правил поведения и стремятся реконструировать посредством вычислительной реализации этих поведенческих правил наблюдаемые модели поведения. [1] Некоторые характеристики агентных моделей, важных для биологических исследований, включают:

  1. Модульная структура: поведение агентной модели определяется правилами ее агентов. Существующие правила агентов могут быть изменены или новые агенты могут быть добавлены без изменения всей модели.
  2. 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. [2]
  3. Абстракция: либо исключая несущественные детали, либо когда детали недоступны, агентные модели могут быть построены при отсутствии полного знания изучаемой системы. Это позволяет сделать модель максимально простой и проверяемой. [1]
  4. Стохастичность: биологические системы проявляют поведение, которое кажется случайным. Вероятность определенного поведения может быть определена для системы в целом, а затем преобразована в правила для отдельных агентов. [1] [3]

Заражение лесными насекомыми [ править ]

В статье под названием «Исследование практики управления лесами с использованием модели агента на основе лесных насекомых инвазий», модель на основе агентов была разработана для имитации поведения атаки на горной сосны жука , Dendroctonus ponderosae , (МПБ) для того , чтобы оценить , как разные Политика лесозаготовок влияет на пространственные характеристики леса и пространственное распространение заражения MPB с течением времени. [4] Около двух третей земли в Британской Колумбии , Канада , покрыто лесами, которые постоянно меняются в результате естественных нарушений.такие как огонь, болезни и нашествие насекомых. Лесные ресурсы составляют примерно 15% экономики провинции, поэтому заражения, вызванные насекомыми, такими как MPB, могут иметь значительные последствия для экономики. Вспышки MPB считаются серьезным естественным нарушением, которое может привести к повсеместной гибели сосны ложняковой , одной из самых распространенных коммерческих пород деревьев в Британской Колумбии. Вспышки насекомых привели к гибели деревьев на площади в несколько тысяч квадратных километров.

Агентная модель, разработанная для этого исследования, была разработана для имитации поведения атаки MPB, чтобы оценить, как руководствоПрактика влияет на пространственное распределение и характер популяций насекомых и их предпочтения в отношении атакованных и убитых деревьев. Модель учитывала три стратегии управления: 1) отсутствие управления, 2) санитарный сбор и 3) спасательный сбор. В модели Beetle Agent представляет поведение MPB; Агент Pine представил эволюцию окружающей среды леса и здоровья деревьев; Агент управления лесами представлял различные стратегии управления. Агент Жука следует ряду правил, чтобы решить, куда летать в лесу, и выбрать здоровое дерево для атаки, кормления и размножения. MPB обычно убивает деревья-хозяева в естественной среде для успешного воспроизводства. Личинки жукапитаются внутренней корой зрелых деревьев-хозяев, в конечном итоге убивая их. Для размножения жуков дерево-хозяин должно быть достаточно большим и иметь толстую внутреннюю кору. Вспышки MPB прекращаются, когда запасы пищи сокращаются до такой степени, что их не хватает для поддержания популяции, или когда климатические условия становятся неблагоприятными для жука. Агент Pine имитирует сопротивление основного дерева, в частности сосны Lodgepole, и отслеживает состояние и характеристики каждого насаждения деревьев. В какой-то момент атаки MPB количество жуков на дерево достигает емкости хоста. Когда эта точка достигнута, жуки выделяют химическое вещество, которое направляет жуков на другие деревья. Агент сосны моделирует это поведение, вычисляя плотность популяции жуков на стойбище и передает информацию агентам жуков.Агент управления лесами использовался на уровне древостоя для моделирования двух общихметоды лесоводства (санитария и утилизация), а также стратегия, при которой не применялись методы управления. При использовании стратегии санитарной уборки, если уровень заражения насаждений превышает установленный порог, насаждение удаляется, как и все здоровые соседние насаждения, когда средний размер деревьев превышает установленный порог. Для стратегии сбора утиля стойка удаляется, даже если она не находится под атакой MPB, если заранее определенное количество соседних стендов находится под атакой MPB.

В исследовании рассматривался лесной массив в северо-центральной части Британской Колумбии площадью около 560 гектаров . Территория в основном состояла из сосны Лоджпол с небольшими долями пихты Дугласа и белой ели.. Модель была выполнена для пяти временных шагов, каждый из которых соответствует одному году. Для каждой рассмотренной стратегии лесоуправления было проведено 30 прогонов моделирования. Результаты моделирования показали, что когда не применялась никакая стратегия управления, происходило наибольшее общее заражение MPB. Результаты также показали, что метод ведения лесозаготовительных работ привел к сокращению на 25% количества лесных полос, уничтоженных MPB, по сравнению с сокращением на 19% благодаря стратегии управления лесными отходами. Таким образом, результаты показывают, что модель может использоваться как инструмент для построения политик управления лесами.

Инвазивные виды [ править ]

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. В документе, озаглавленном «Агентная модель пограничного контроля для управления инвазивными видами», представлена ​​агентная модель, которая была разработана для оценки воздействия режимов правоприменения для конкретного порта и импортера для данного сельскохозяйственного товара, который представляет риск инвазивных видов. В конечном итоге цель исследования заключалась в том, чтобы улучшить распределение правоприменительных ресурсов и предоставить лицам, определяющим политику, инструмент для ответа на дальнейшие вопросы, касающиеся пограничного контроля и риска инвазивных видов.

В агент-ориентированной модели, разработанной для исследования, рассматривались три типа агентов: инвазивные виды, импортеры и агенты пограничного контроля. [5] В модели инвазивные виды могут реагировать только на свое окружение, в то время как импортеры и пограничные агенты могут принимать собственные решения, основанные на своих собственных целях и задачах. У инвазивных видов есть возможность определить, был ли он выпущен в области, содержащей целевую культуру, и распространиться на соседние участки целевой культуры. Модель включает карты пространственной вероятности, которые используются для определения того, будет ли установлен инвазивный вид. Исследование было сосредоточено на поставках брокколи из Мексики в Калифорнию через порты ввоза.Калексико, Калифорния и Отай Меса, Калифорния . Отобранным инвазивным видом, вызывающим озабоченность, была крестоцветная блоха ( Phyllotreta cruciferae ). Калифорния на сегодняшний день является крупнейшим производителем брокколи в Соединенных Штатах, поэтому проблема и потенциальное воздействие интродукции инвазивных видов через выбранные порты ввоза являются значительными. Модель также включала пространственно явную функцию ущерба, которая использовалась для реалистичного моделирования ущерба, нанесенного инвазивными видами. Агентное моделирование дает возможность анализировать поведение разнородныхТаким образом, были рассмотрены три различных типа импортеров, которые различались по степени заражения товаров (высокий, средний и низкий), выбору предварительной обработки и стоимости транспортировки в порты. Модель дала прогнозы по количеству проверок для каждого порта въезда и импортера и определила степень успеха проверки пограничными агентами не только для каждого порта и импортера, но и для каждого потенциального уровня предварительной обработки (без предварительной обработки, уровень один, уровень два и уровень третий).

Модель была реализована и запущена в NetLogo версии 3.1.5. В анализ была включена пространственная информация о расположении портов ввоза, основных автомагистралей и транспортных маршрутов, а также карта калифорнийских посевов брокколи с нанесенными на нее картами вероятности акклиматизации инвазивных видов. BehaviorSpace [6], программный инструмент, интегрированный с NetLogo, использовался для проверки влияния различных параметров (например, стоимости доставки, стоимости предварительной обработки) в модели. В среднем 100 итераций были рассчитаны на каждом уровне используемого параметра, где итерация представляла собой однолетний прогон.

Результаты модели показали, что по мере увеличения усилий по инспектированию импортеры увеличивают должную осторожность или предварительную обработку грузов, а общие денежные потери урожая в Калифорнии уменьшаются. Модель показала, что импортеры по-разному реагируют на увеличение количества проверок. Некоторые импортеры отреагировали на увеличение количества проверок увеличением усилий по предварительной обработке, в то время как другие предпочли отказаться от доставки в конкретный порт или сделали покупки в другом порту. Важным результатом результатов модели является то, что она может показывать или предоставлять рекомендации лицам, определяющим политику, относительно точки, в которой импортеры могут начать делать покупки в портах, например, частота проверок, с которой вводятся покупки в портах, и импортеры, связанные с определенным уровнем фитосанитарного риска или стоимости транспортировки, вероятно, внесут эти изменения.Еще одним интересным результатом этой модели является то, что, когда инспекторы не смогли научиться реагировать на импортера с ранее зараженными грузами, ущерб урожаю брокколи в Калифорнии оценивался в 150 миллионов долларов. Однако, когда инспекторам удалось увеличить количество проверок импортеров с предыдущими нарушениями, ущерб урожаю брокколи в Калифорнии сократился примерно на 12%. Модель обеспечивает механизм для прогнозирования интродукции инвазивных видов в результате импорта сельскохозяйственной продукции и их вероятного ущерба. Не менее важно, что модель предоставляет политикам и органам пограничного контроля инструмент, который можно использовать для определения наилучшего распределения инспекционных ресурсов.ущерб урожаю брокколи в Калифорнии оценивается в 150 миллионов долларов. Однако, когда инспекторам удалось увеличить количество проверок импортеров с предыдущими нарушениями, ущерб урожаю брокколи в Калифорнии сократился примерно на 12%. Модель обеспечивает механизм для прогнозирования интродукции инвазивных видов в результате импорта сельскохозяйственной продукции и их вероятного ущерба. Не менее важно, что модель предоставляет политикам и органам пограничного контроля инструмент, который можно использовать для определения наилучшего распределения инспекционных ресурсов.Ущерб, нанесенный урожаю брокколи в Калифорнии, оценивается в 150 миллионов долларов. Однако, когда инспекторы смогли увеличить количество проверок импортеров с предыдущими нарушениями, ущерб урожаю брокколи в Калифорнии был уменьшен примерно на 12%. Модель обеспечивает механизм для прогнозирования интродукции инвазивных видов в результате импорта сельскохозяйственной продукции и их вероятного ущерба. Не менее важно, что модель предоставляет политикам и органам пограничного контроля инструмент, который можно использовать для определения наилучшего распределения инспекционных ресурсов.Модель обеспечивает механизм для прогнозирования интродукции инвазивных видов в результате импорта сельскохозяйственной продукции и их вероятного ущерба. Не менее важно, что модель предоставляет политикам и органам пограничного контроля инструмент, который можно использовать для определения наилучшего распределения инспекционных ресурсов.Модель обеспечивает механизм для прогнозирования интродукции инвазивных видов в результате импорта сельскохозяйственной продукции и их вероятного ущерба. Не менее важно, что модель предоставляет политикам и органам пограничного контроля инструмент, который можно использовать для определения наилучшего распределения инспекционных ресурсов.

Динамика численности тли [ править ]

В статье под названием «тля Динамик численности населения в агроландшафтах: имитационная модели Агента на основе», модель на основе агента представлена для изучения динамики популяций на Черемуха-овсяной тли , Rhopalosiphum Падь (L.). [7] Исследование проводилось на территории Северного Йоркшира площадью пять квадратных километров , графства, расположенного в графстве Йоркшир и Хамбер в Англии.. Метод моделирования на основе агентов был выбран потому, что он ориентирован на поведение отдельных агентов, а не на популяцию в целом. Авторы предлагают, чтобы традиционные модели, ориентированные на популяции в целом, не учитывали сложность параллельных взаимодействий в экосистемах., например, воспроизводство и конкуренция за ресурсы, которые могут иметь значительное влияние на демографические тенденции. Подход к моделированию на основе агентов также позволяет разработчикам моделей создавать более общие и модульные модели, которые являются более гибкими и простыми в обслуживании, чем подходы к моделированию, ориентированные на совокупность в целом. Другие предлагаемые преимущества агентно-ориентированных моделей включают реалистичное представление интересующего явления из-за взаимодействий группы автономных агентов и возможность интегрировать количественные переменные, дифференциальные уравнения и поведение, основанное на правилах, в одну и ту же модель.

Модель реализована в инструментарии моделирования Repast с использованием языка программирования JAVA . Модель запускалась с ежедневными временными шагами и ориентировалась на осенний и зимний сезоны. Входные данные для модели включали данные о среде обитания, суточные минимальные, максимальные и средние температуры, а также скорость и направление ветра. Для возбудителей тли учитывались возраст, положение и морфология ( крыловидная или бескрылая ). Возраст варьировался от 0,00 до 2,00, причем 1,00 - это момент, когда агент становится взрослым. Размножение возбудителями тли зависит от возраста, морфологии и суточных минимальных, максимальных и средних температур. Когда-то нимфывылупляются, они остаются на том же месте, что и их родители. Морфология нимф связана с плотностью популяции и питательными веществами источника питания тли . Модель также учитывала смертность среди возбудителей тли, которая зависит от возраста, температуры и качества среды обитания. Скорость старения возбудителя тли определяется минимальной, максимальной и средней дневной температурой. Модель считала, что перемещение возбудителей тлей происходит в двух отдельных фазах, фазе миграции и фазе кормодобывания, которые влияют на общее распределение популяции .

Исследование начало моделирование с начальной популяцией из 10 000 крыловидных тлей, распределенных по сетке из 25-метровых ячеек. Результаты моделирования показали, что было два основных пика численности населения: первый приходился на начало осени из-за притока иммигрантов, а второй из-за более низких температур в конце года и нехватки иммигрантов. В конечном счете, цель исследователей - адаптировать эту модель для моделирования более широких экосистем и типов животных.

Динамика водных популяций [ править ]

В статье «Исследование мультиагентных систем при моделировании динамики водных популяций» предлагается модель для изучения динамики популяций двух видов макрофитов . [8] 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 неместных растений или эвтрофикация озер, в которых они живут, что приводит к аноксии.условия. 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 - один 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 могут влиять животные, другие растения и люди. Растение может вырасти до двух метров в высоту, что является ограничивающим условием, потому что 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. Второй растительный агент в модели - Chara aspera., также укоренившееся водное растение. Одно из основных различий между этими двумя растениями заключается в том, что последнее размножается с помощью очень мелких семян, называемых ооспорами и луковицами, которые распространяются с потоком воды. Chara aspera вырастает только 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 имеет гораздо меньшую продолжительность жизни. Модель также учитывала агентов окружающей среды и животных. Рассмотренные факторы окружающей среды включали поток воды, проникновение света и глубину воды. Условия потока, хотя и не имеют большого значения для Potamogeton pectinatus , напрямую влияют на распределение семянChara aspera . Условия потока влияют как на направление, так и на расстояние, на которое будут распространяться семена. Проникновение света сильно влияет на Chara aspera, так как для этого требуется вода высокого качества. Коэффициент ослабления (EC) - это мера проникновения света в воду. По мере увеличения ЕС скорость роста Chara aspera снижается. Наконец, для обоих видов растений важна глубина. По мере увеличения глубины проникновение света уменьшается, что затрудняет выживание любого вида за пределами определенных глубин.

Область интереса к модели была озером в Нидерландах назвали озеро Велюв . Это относительно мелкое озеро со средней глубиной 1,55 метра и площадью около 30 квадратных километров. Озеро испытывает стресс эвтрофикации, что означает, что питательные вещества не являются ограничивающим фактором для любого из растительных агентов в модели. Начальное положение растительных агентов в модели определялось случайным образом. Модель была реализована с использованием программного пакета Repast и была реализована для моделирования роста и разложения двух различных растительных агентов, принимая во внимание агенты окружающей среды, ранее обсуждавшиеся, а также взаимодействие с другими растительными агентами. Результаты выполнения модели показывают, что распределение населенияChara aspera имеет пространственный рисунок, очень похожий на карты ГИС наблюдаемых распределений. Авторы исследования приходят к выводу, что правила агентов, разработанные в ходе исследования, являются разумными для моделирования пространственной модели роста макрофитов в этом конкретном озере.

Агрегация бактерий, приводящая к образованию биопленки [ править ]

В статье под названием «iDynoMiCS: индивидуальное моделирование биопленок нового поколения» представлена ​​агентная модель, которая моделирует колонизацию бактерий на поверхности, ведущую к образованию биопленок . [9] Цель iDynoMiCS (сокращение от индивидуального симулятора динамики микробных сообществ) - моделировать рост популяций и сообществ отдельных микробов (небольших одноклеточных организмов, таких как бактерии, археи и простейшие).), которые конкурируют за пространство и ресурсы в биопленках, погруженных в водную среду. iDynoMiCS можно использовать для понимания того, как динамика отдельных микробов приводит к появлению свойств и поведения на уровне популяции или биопленки. Изучение таких образований важно при изучении почвы и рек, исследованиях гигиены полости рта, инфекционных заболеваниях и исследованиях инфекций, связанных с медицинскими имплантатами, а также для понимания биокоррозии. [10] Была использована парадигма моделирования на основе агентов, чтобы сделать возможным изучение того, 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 денитрификацию путь под бескислородным или условиями низкого кислорода. [9] В исследовании изучается гипотеза о том, что существование различных стратегий денитрификации в окружающей среде можно объяснить только предположением, что более быстрое реагирование влечет за собой более высокие затраты. Модель, основанная на агентах, предполагает, что если метаболические пути можно переключать бесплатно, чем быстрее 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 разные типы стратегий денитрификации выигрывают в разных биологических средах. С момента этого появления применение iDynoMiCS продолжает расти: недавнее исследование плазмидывторжение в биопленки является одним из примеров. [11] 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 проникновение плазмиды в резидентную биопленку ограничено только тогда, когда перенос плазмиды зависит от роста. Были использованы методы анализа чувствительности, которые предполагают, что параметры, относящиеся к времени (задержка перед переносом плазмиды между агентами) и пространственному охвату, более важны для инвазии плазмиды в биопленку, чем скорость роста принимающих агентов или вероятность потери сегрегации. Дальнейшие примеры использования iDynoMiCS продолжают публиковаться, включая использование iDynoMiCS при моделировании биопленки Pseudomonas aeruginosa с субстратом глюкозы.[12]

iDynoMiCS был разработан международной группой исследователей, чтобы обеспечить общую платформу для дальнейшей разработки всех индивидуальных моделей микробных биопленок и тому подобного. Модель изначально была результатом многолетней работы Лорана Лардона, Брайана Мерки и Яна-Ульриха Крефта при участии Жоао Ксавьера. Благодаря дополнительному финансированию от Национального центра по замене, усовершенствованию 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 стремилась выпустить iDynoMiCS в качестве открытого исходного кода.платформа, поощряя соавторов к разработке дополнительных функций, которые затем могут быть объединены в следующий стабильный выпуск. IDynoMiCS был реализован на языке программирования Java с предоставленными сценариями MATLAB и R для анализа результатов. Структуры биопленки, сформированные при моделировании, можно просматривать как фильм с использованием файлов POV-Ray, которые создаются во время моделирования.

Обогащение стволовыми клетками молочной железы после облучения в период полового созревания [ править ]

Эксперименты показали, что воздействие ионизирующего излучения на пубертатные молочные железы приводит к увеличению доли стволовых клеток молочной железы в железе. [13] Это важно, потому что стволовые клетки считаются ключевыми мишенями для инициации рака под действием ионизирующего излучения, потому что они обладают наибольшим долгосрочным пролиферативным потенциалом, а мутагенные явления сохраняются во множестве дочерних клеток. Кроме того, данные эпидемиологии показывают, что дети, подвергшиеся воздействию ионизирующего излучения, имеют значительно больший риск рака груди, чем взрослые. [14] [15]Таким образом, эти эксперименты вызвали вопросы о механизме, лежащем в основе увеличения количества стволовых клеток молочной железы после облучения. В этой исследовательской статье под названием «Облучение молодых, но не взрослых, молочных желез увеличивает самообновление стволовых клеток и опухоли, отрицательные по эстрогеновым рецепторам» [16], были разработаны две модели на основе агентов, которые использовались параллельно с in vivo и in vitro. эксперименты по оценке инактивации клеток, дедифференцировки посредством эпителиально-мезенхимального перехода (EMT) и самообновления (симметричного деления) как механизмов, с помощью которых радиация может увеличивать стволовые клетки.

Первая агентно-ориентированная модель - это многомасштабная модель развития молочной железы, начиная с рудиментарного протока молочной железы в начале полового созревания (во время активной пролиферации) до полной молочной железы во взрослом возрасте (когда пролиферация незначительна). Модель состоит из миллионов агентов, каждый из которых представляет стволовую клетку молочной железы, клетку-предшественницу или дифференцированную клетку в груди. Сначала моделирование проводилось 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, совпадающим in vivo.экспериментирует лучше всех. Удивительно, но индуцированная излучением инактивация клеток в результате гибели не способствовала увеличению частоты стволовых клеток независимо от дозы, введенной в модель. Вместо этого модель показала, что сочетание повышенного самообновления и пролиферации клеток в период полового созревания привело к обогащению стволовыми клетками. Напротив, эпителиально-мезенхимальный переход в модели, как было показано, увеличивает частоту стволовых клеток не только в пубертатных молочных железах, но также и во взрослых железах. Это последнее предсказание, однако, противоречило данным in vivo ; облучение взрослых молочных желез не привело к увеличению частоты стволовых клеток. Таким образом, это моделирование предполагает самообновление как основной механизм увеличения пубертатных стволовых клеток.

Чтобы дополнительно оценить самообновление как механизм, была создана вторая модель на основе агентов для моделирования динамики роста эпителиальных клеток молочной железы человека (содержащих субпопуляции стволовых / предшественников и дифференцированные клетки) 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 количества стволовых / клеток-предшественников после облучения.

Комбинация двух моделей на основе агентов и экспериментов in vitro / in vivo позволяет понять, почему дети, подвергшиеся воздействию ионизирующего излучения, имеют значительно больший риск рака груди, чем взрослые. Вместе они подтверждают гипотезу о том, что грудь подвержена временному увеличению самообновления стволовых клеток при воздействии радиации во время полового созревания, что заставляет ткани взрослого человека развить рак спустя десятилетия.

См. Также [ править ]

  • Автономный агент
  • Интеллектуальный агент

Ссылки [ править ]

  1. ^ a b c d An G .; Mi Q .; Dutta-Moscato J .; Водовец Ю. (2009). «Агент-ориентированные модели в трансляционной системной биологии» . Системная биология и медицина . 1 (3): 159–171. DOI : 10.1002 / wsbm.45 . PMC  3640333 . PMID  20835989 .
  2. ^ Politopoulos, I. (11 сентября 2007). «Обзор и анализ агентных моделей в биологии» (PDF) . Архивировано из оригинального (PDF) 27 июля 2011 года.
  3. ^ Гарсия MR; Васкес Х.А.; Тейшейра И.Г .; Алонсо А.А. (2018). «Стохастическое индивидуальное моделирование роста и деления бактерий с использованием проточной цитометрии» . Границы микробиологии . 8 : 2626. DOI : 10,3389 / fmicb.2017.02626 . PMC 5760514 . PMID 29354110 .  
  4. ^ Перес, Л. & Dragucevic, С. (2010). Изучение практики управления лесами с использованием и агент-ориентированной модели заражения лесными насекомыми (PDF) . 2010 Международный конгресс по экологическому моделированию и программному обеспечению. Оттава, Канада: Международное общество моделирования окружающей среды и программного обеспечения (iEMS).
  5. ^ Ameden, H .; Boxall, P .; Кэш, С. и Викерс, А. (2009). «Агентная модель пограничного контроля для управления инвазивными видами». Канадский журнал экономики сельского хозяйства . 57 (4): 481–496. DOI : 10.1111 / j.1744-7976.2009.01166.x .
  6. ^ Руководство BehaviorSpace
  7. ^ Эванс, А .; Морган Д. и Парри Х. (2004). Динамика популяций тли в сельскохозяйственных ландшафтах: имитационная модель на основе агентов (PDF) . 2010 Международный конгресс по экологическому моделированию и программному обеспечению. Оснабрюк, Германия: Международное общество моделирования окружающей среды и программного обеспечения (iEMS).
  8. ^ Ли, H .; Минетт, А. и Ци, Х. (2009). Изучение мультиагентных систем в моделировании динамики водных популяций . Proc. 8-я Международная конференция по гидроинформатике. Чили.
  9. ^ a b Лардон Л.А., Меркей Б.В., Мартинс С., Дёч А., Пичореану С., Крефт Ю.Ю., Сметс Б.Ф. (2011). «iDynoMiCS: индивидуальное моделирование биопленок нового поколения». Экологическая микробиология . 13 (9): 2416–2434. DOI : 10.1111 / j.1462-2920.2011.02414.x . PMID 21410622 . 
  10. ^ Wanner О, Эберл Н, Morgenroth Е, D Ногера, Picioreanu С, Rittmann В, ван Лусдрехт М (2006). Математическое моделирование биопленок . Лондон: Издательство IWA.
  11. ^ Merkey BV, Lardon Л.А., Сеоан JM, Kreft JU, Smets BF (2011). «Зависимость конъюгации от роста объясняет ограниченную инвазию плазмид в биопленки: исследование моделирования на индивидуальной основе». Экологическая микробиология . 13 (9): 2435–2452. DOI : 10.1111 / j.1462-2920.2011.02535.x . PMID 21906217 . 
  12. ^ Стеффенс, Мэтью Дж .; Клемент, Барбара Дж .; Вентворт, Кристофер Д. (2011). Индивидуальное моделирование биопленки Pseudomonas aeruginosa с глюкозным субстратом . Осеннее заседание 2011 г. Заседание секции прерий APS, 10–12 ноября 2011 г., аннотация № E1.006 . Американское физическое общество.
  13. ^ Нгуен, Дэвид; Окетч-Рабах, штат Гавайи; Илла-Бочака, Иринеу; Гейер, ФК; Reis-Filho, JS; Мао, JH; Ravani, SA; Завадил, Дж; Боровски, А.Д .; Джерри, диджей; Данфи, штат Калифорния; Seo, JH; Хаслам, S; Медина, Д; Барселлос-Хофф, Мэри Хелен (2011). «Радиация воздействует на микросреду, влияя на канцерогенез груди с помощью различных механизмов, которые уменьшают латентный период рака и влияют на тип опухоли» . Раковая клетка . 19 (5): 640–51. DOI : 10.1016 / j.ccr.2011.03.011 . PMC 3110779 . PMID 21575864 .  
  14. ^ Престон, DL; Mattsson, A; Holmberg, E; Шор, Р; Hildreth, NG; Бойс, JD младший (2002). «Воздействие радиации на риск рака груди: объединенный анализ восьми когорт». Радиационные исследования . 158 (2): 220–35. DOI : 10,1667 / 0033-7587 (2002) 158 [0220: reobcr] 2.0.co; 2 . PMID 12105993 . 
  15. ^ Мертенс, AC; Лю, Q; Neglia, JP; Василевский, К; Лейзенринг, Вт; Армстронг, GT; Робисон, LL; Ясуи, Y (2008). «Поздняя смертность от конкретных причин среди 5-летних выживших после детского рака: исследование выживших после детского рака» . J Natl Cancer Inst . 100 (19): 1368 DOI : 10,1093 / JNCI / djn310 . PMC 2556702 . PMID 18812549 .  
  16. ^ Тан, Джонатан; Фернандо-Гарсия, Игнасио; Виджаякумар, Сангита; Мартинес-Руис, Хайделиз; Илла-Бочака, Иринеу; Нгуен, Дэвид; Мао, Цзянь-Хуа; Костес, Сильвен; Барселлос-Хофф, Мэри Хелен (2014). «Облучение молодых, но не взрослых, молочных желез увеличивает самообновление стволовых клеток и опухолей, отрицательных по рецепторам эстрогена». Стволовые клетки . 32 (3): 649–61. DOI : 10.1002 / stem.1533 . PMID 24038768 .