Текущий выпуск Номер 1, 2024 Том 16

Все выпуски

Результаты поиска по 'динамика вирусной инфекции':
Найдено статей: 5
  1. От редакции
    Компьютерные исследования и моделирование, 2022, т. 14, № 3, с. 521-523
  2. От редакции
    Компьютерные исследования и моделирование, 2023, т. 15, № 1, с. 5-6
  3. Леон К., Токарев А.А., Вольперт В.А.
    Моделирование цитокинового шторма при респираторных вирусных инфекциях
    Компьютерные исследования и моделирование, 2022, т. 14, № 3, с. 619-645

    В данной работе мы разрабатываем модель иммунного ответа на респираторные вирусные инфекции с учетом некоторых особенностей инфекции SARS-CoV-2. Модель представляет из себя систему обыкновенных дифференциальных уравнений для концентраций эпителиальных клеток, иммунных клеток, вируса и воспалительных цитокинов. Анализ существования и устойчивости стационарных точек дополняется численным моделированием с целью изучения динамики решений. Поведение решений характеризуется большим ростом концентрации вируса, наблюдаемым для острых респираторных вирусных инфекций.

    На первом этапе мы изучаем врожденный иммунный ответ, основанный на защитных свойствах интерферона, производимого инфицированными вирусом клетками. С другой стороны, вирусная инфекция подавляет выработку интерферона. Их конкуренция может привести к бистабильности системы с разными режимами развития инфекции с высокой или низкой интенсивностью. В случае острого протекания заболевания и существенного роста концентрации вируса инкубационный период и максимальная вирусная нагрузка зависят от исходной вирусной нагрузки и параметров иммунного ответа. В частности, увеличение исходной вирусной нагрузки приводит к сокращению инкубационного периода и увеличению максимальной вирусной нагрузки.

    Для изучения возникновения и динамики цитокинового шторма в модель вводится уравнение для концентрации провоспалительных цитокинов, производимых клетками врожденного иммунного ответа. В зависимости от параметров система может оставаться в режиме с относительно низким уровнем провосполительных цитокинов, наблюдаемым для обычного протекания вирусных инфекций, или за счет положительной обратной связи между воспалением и иммунными клетками перейти в режим цитокинового шторма, характеризующегося избыточным производством провоспалительных цитокинов. При этом цитокиновый шторм, вызванный вирусной инфекцией, может продолжаться и после ее окончания. Кроме того, гибель клеток, инициируемая провосполительными цитокинами (апоптоз), может стимулировать переход к цитокиновому шторму. Однако апоптоз в отдельности от врожденного иммунного ответа не может инициировать или поддерживать протекание цитокинового шторма. Предположения модели и полученные результаты находятся в качественном согласии с экпериментальными и клиническими данными.

  4. Токарев А.А., Родин Н.О., Вольперт В.А.
    Бистабильность и затухающие колебания в гомогенной модели вирусной инфекции
    Компьютерные исследования и моделирование, 2023, т. 15, № 1, с. 111-124

    Развитие вирусной инфекции в организме представляет собой сложный процесс, зависящий от конкуренции между размножением вируса в клетках организма-хозяина и иммунным ответом. В данной работе для исследования различных режимов развития инфекции мы анализируем общую математическую модель иммунного ответа организма на вирусную инфекцию. Модель представляет собой систему из двух обыкновенных дифференциальных уравнений, описывающих изменение обезразмеренных концентраций вируса и иммунных клеток. Скорость пролиферации иммунных клеток представлена колоколообразной функцией концентрации вируса. Эта функция возрастает при малых концентрациях вируса, описывая антиген-стимулированную клональную экспансию иммунных клеток, и снижается при достаточно высоких концентрациях вируса, описывая подавление пролиферации иммунных клеток инфекцией. В зависимости от вирулентности вируса, силы иммунного ответа и начальной вирусной нагрузки, модель предсказывает несколько сценариев: (а) инфекция может быть полностью устранена, (б) она может оставаться на низком уровне при высокой концентрации иммунных клеток; (в) иммунная система может быть существенно истощена или (г) полностью истощена, что сопровождается (в, г) высокой концентрацией вируса. Анализ модели показывает, что концентрация вируса может колебаться по мере постепенного приближения к своему равновесному значению. Рассматриваемая модель может быть получена при редукции более общей модели — с дополнительным уравнением для общей вирусной нагрузки, в предположении, что общая вирусная нагрузка является быстрой переменной. В случае медленной кинетики общей вирусной нагрузки следует использовать указанную более общую модель.

  5. Статья посвящена исследованию социально-экономических последствий от вирусных эпидемий в условиях неоднородности экономического развития территориальных систем. Актуальность исследования обусловлена необходимостью поиска оперативных механизмов государственного управления и стабилизации неблагоприятной эпидемио-логической ситуации с учетом пространственной неоднородности распространения COVID-19, сопровождающейся концентрацией инфекции в крупных мегаполисах и на территориях с высокой экономической активностью.

    Целью работы является разработка комплексного подхода к исследованию пространственной неоднородности распространения коронавирусной инфекции с точки зрения экономических последствий пандемии в регионах России. В работе особое внимание уделяется моделированию последствий ухудшающейся эпидемиологической ситуации на динамике экономического развития региональных систем, определению полюсов роста распространения коронавирусной инфекции, пространственных кластеров и зон их влияния с оценкой межтерриториальных взаимосвязей. Особенностью разработанного подхода является пространственная кластеризация региональных систем по уровню заболеваемости COVID-19, проведенная с использованием глобального и локальных индексов пространственной автокорреляции, различных матриц пространственных весов и матрицы взаимовлияния Л.Анселина на основе статистической информации Росстата. В результате проведенного исследования были выявлены пространственный кластер, отличающийся высоким уровнем инфицирования COVID-19 с сильной зоной влияния и устойчивыми межрегиональными взаимосвязями с окружающими регионами, а также сформировавшиеся полюса роста, которые являются потенциальными полюсами дальнейшего распространения коронавирусной инфекции. Проведенный в работе регрессионный анализ с использованием панельных данных позволил сформировать модель для сценарного прогнозирования последствий от распространения коронавирусной инфекции и принятия управленческих решений органами государственной власти.

    В работе выявлено, что увеличение числа заболевших коронавирусной инфекцией влияет на сокращение среднесписочной численности работников, снижение средней начисленной заработной платы. Предложенный подход к моделированию последствий COVID-19 может быть расширен за счет использования полученных результатов исследования при проектировании агент-ориентированной моделей, которые позволят оценить средне- и долгосрочные социально-экономические последствия пандемии с точки зрения особенностей поведения различных групп населения. Проведение компьютерных экспериментов позволит воспроизвести социально-демографическая структуру населения и оценить различные ограничительные меры в регионах России и сформировать пространственные приоритеты поддержки населения и бизнеса в условиях пандемии. На основе предлагаемого методологического подхода может быть разработана агент-ориентированная модель в виде программного комплекса, предназначенного для системы поддержки принятия решений оперативным штабам, центрам мониторинга эпидемиологической ситуации, органам государственного управления на федеральном и региональном уровнях.

Журнал индексируется в Scopus

Полнотекстовая версия журнала доступна также на сайте научной электронной библиотеки eLIBRARY.RU

Журнал включен в базу данных Russian Science Citation Index (RSCI) на платформе Web of Science

Международная Междисциплинарная Конференция "Математика. Компьютер. Образование"

Международная Междисциплинарная Конференция МАТЕМАТИКА. КОМПЬЮТЕР. ОБРАЗОВАНИЕ.