Математическая иммунология: процессы, модели и усвоение данных

Обложка

Цитировать

Полный текст

Аннотация

Иммунная система представляет собой многомасштабный мультифизический объект, изучение закономерностей функционирования которого, в рамках системного подхода, предполагает активное использование математического моделирования. Разработка математических моделей иммунологических процессов требует решения следующих задач: построение системы уравнений, выбор содержательного критерия близости модели и данных наблюдений, идентификация и оценка неопределенности параметров, выбор оптимальной модели. В данной работе излагаются перспективные подходы, связанные с моделированием нового класса мультифизических процессов иммунной системы: миграция клеток в лимфатических узлах, лимфодинамика, гомеостатическая регуляции иммунного ответа при хронических инфекциях.

Для описания пространственно-временной динамики иммунного ответа в лимфатических узлах (ЛУ), построена математическая модель движения лимфоцитов на основе II закона Ньютона, в которой учтено действие трех видов сил. Для калибровки модели использованы эмпирические распределения трех характеристик движения лимфоцитов в ЛУ. В качестве критерия согласия между данными и предсказаниями модели использовалось расстояние Колмогорова–Смирнова между соответствующей эмпирической и модельной функциями распределения.

Предсказание характеристик течения лимфы в ЛУ с учетом разнообразия размеров, форм, структур внутренней организации ЛУ и граничных условий, является вычислительно затратным процессом. Предложен подход к моделированию лимфотока в ЛУ с замещением полноценной расчетной физической модели на искусственную нейронную сеть, обученную на наборе заранее сформированных результатов вычислений исходной модели. Использование нейронной сети позволяет на 4 порядка уменьшить время расчета некоторых характеристик ЛУ.

Проведена калибровка модели противовирусного иммунного ответа Марчука–Петрова при инфекции SARS-CoV-2. Для калибровки использовались опубликованные данные кинетики вирусной нагрузки в носоглотке инфицированных добровольцев и данные о диапазоне значений концентрации интерферона, антител и цитотоксических лимфоцитов в крови. Определены параметры, оказывающие наибольшее влияние на разные стадии развития инфекции.

Отличительным признаком хронических вирусных инфекций и онкологических заболеваний являются нарушения работы иммунных механизмов, в частности истощение T-лимфоцитов. Предложена модель для исследования параметров регуляции 4 субпопуляций истощенных Т-лимфоцитов, баланс деления и дифференцировки которых поддерживается за счет взаимодействия с дендритными клетками SIRPa+ PD-L1+ DC и XCR+1 DC. Оценены параметры модели для исследования влияния терапии (например, aPD-L1) на процессы поддержания гомеостаза истощенных клеток.

Об авторах

Дмитрий Сергеевич Гребенников

ФГБУН «Институт вычислительной математики имени Г.И. Марчука» Российской академии наук; ФГАОУ ВО «Первый Московский государственный медицинский университет имени И.М. Сеченова» Министерства здравоохранения РФ (Сеченовский университет)

Email: dmitry.ew@gmail.com

младший научный сотрудник ФГБУН «Институт вычислительной математики имени Г.И. Марчука» Российской академии наук; научный сотрудник ФГАОУ ВО «Первый Московский государственный медицинский университет имени И.М. Сеченова» Министерства здравоохранения РФ (Сеченовский университет), Москва, Россия

Россия, Москва; Москва

Валерия Валерьевна Желткова

ФГБУН «Институт вычислительной математики имени Г.И. Марчука» Российской академии наук; ФГАОУ ВО «Первый Московский государственный медицинский университет имени И.М. Сеченова» Министерства здравоохранения РФ (Сеченовский университет)

Автор, ответственный за переписку.
Email: zheltkova_v_v@staff.sechenov.ru

младший научный сотрудник ФГБУН «Институт вычислительной математики имени Г.И. Марчука» Российской академии наук; младший научный сотрудник ФГАОУ ВО «Первый Московский государственный медицинский университет имени И.М. Сеченова» Министерства здравоохранения РФ (Сеченовский университет), Москва, Россия

Россия, Москва; Москва

Ростислав Сергеевич Савинков

ФГБУН «Институт вычислительной математики имени Г.И. Марчука» Российской академии наук; ФГАОУ ВО «Первый Московский государственный медицинский университет имени И.М. Сеченова» Министерства здравоохранения РФ (Сеченовский университет)

Email: savinkov_r_s@staff.sechenov.ru

младший научный сотрудник ФГБУН «Институт вычислительной математики имени Г.И. Марчука» Российской академии наук; младший научный сотрудник ФГАОУ ВО «Первый Московский государственный медицинский университет имени И.М. Сеченова» Министерства здравоохранения РФ (Сеченовский университет), Москва, Россия

Россия, Москва; Москва

Геннадий Алексеевич Бочаров

ФГБУН «Институт вычислительной математики имени Г.И. Марчука» Российской академии наук; ФГАОУ ВО «Первый Московский государственный медицинский университет имени И.М. Сеченова» Министерства здравоохранения РФ (Сеченовский университет)

Email: gbocharov@gmail.com

д.ф.-м.н., ведущий научный сотрудник ФГБУН «Институт вычислительной математики имени Г.И. Марчука» Российской академии наук; профессор ФГАОУ ВО «Первый Московский государственный медицинский университет имени И.М. Сеченова» Министерства здравоохранения РФ (Сеченовский университет), Москва, Россия

Россия, Москва; Москва

Список литературы

  1. Теребиж В.Ю. Введение в статистическую теорию обратных задач. М.: Физматлит, 2005. 375 с. [Terebyzh V.Yu. Introduction to the statistical theory of inverse problems]. Moscow: Fizmatlit, 2005. 375 p.
  2. Beltra J.C., Manne S., Abdel-Hakeem M.S., Kurachi M., Giles J.R., Chen Z., Casella V., Ngiow S.F., Khan O., Huang Y.J., Yan P., Nzingha K., Xu W., Amaravadi R.K., Xu X., Karakousis G.C., Mitchell T.C., Schuchter L.M., Huang A.C., Wherry E.J. Developmental relationships of four exhausted CD8+ T cell subsets reveals underlying transcriptional and epigenetic landscape control mechanisms. Immunity, 2020, Vol. 52, no. 5, pp. 825-841.e8.
  3. Bocharov G., Volpert V., Ludewig B., Meyerhans A. Mathematical immunology of virus infections. Cham, Switzerland: Springer International Publishing, 2018. 245 p.
  4. Grebennikov D., Bouchnita A., Volpert V., Bessonov N., Meyerhans A., Bocharov G. Spatial lymphocyte dynamics in lymph nodes predicts the cytotoxic T cell frequency needed for HIV infection control. Front. Immunol., 2019, Vol. 10, 1213. doi: 10.3389/fimmu.2019.01213.
  5. Grebennikov D., Karsonova A., Loguinova M., Casella V., Meyerhans A., Bocharov G. Predicting the kinetic coordination of immune response dynamics in SARS-CoV-2 infection: implications for disease pathogenesis. Mathematics, 2022, Vol. 10, no. 17, 3154. doi: 10.3390/math10173154.
  6. Grebennikov D., Zheltkova V., Bocharov, G. Application of minimum description length criterion to assess the complexity of models in mathematical immunology. Russian Journal of Numerical Analysis and Mathematical Modelling, 2022, Vol. 37, no. 5, pp 253-261.
  7. Tretiakova R., Setukha A., Savinkov R., Grebennikov D., Bocharov G. Mathematical modeling of lymph node drainage function by neural network. Mathematics, 2021, Vol. 9, no. 23, 3093. doi: 10.3390/math9233093.
  8. Zheltkova V., Argilaguet J., Peligero C., Bocharov G., Meyerhans A. Prediction of PD-L1 inhibition effects for HIV-infected individuals. PLoS Comput. Biol., 2019, Vol. 15, no. 11, e1007401. doi: 10.1371/journal.pcbi.1007401.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рисунок 1. Калибровка модели движения иммунных клеток в лимфоузле по трем характеристикам траекторий: поступательным скоростям, скоростям углов поворота и индексов меандрирования

Скачать (199KB)
3. Рисунок 2. Схема модели на основе искусственной нейронной сети и процедура идентификации ее параметров путем минимизации отклонений предсказания нейросети XNN от решения XIE механизменной модели

Скачать (399KB)
4. Рисунок 3. Применение математического моделирования для оценки влияния иммунотерапии на параметры Т-клеточного гомеостаза

Скачать (414KB)

© Гребенников Д.С., Желткова В.В., Савинков Р.С., Бочаров Г.А., 2023

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».