Агентная модель в биологии - Agent-based model in biology - Wikipedia

Агентные модели иметь много приложений в биология, прежде всего, из-за особенностей метода моделирования. Агентное моделирование основано на правилах, вычислительное моделирование методология, которая фокусируется на правилах и взаимодействиях между отдельными компонентами или агентами системы.[1] Цель этого метода моделирования - создать совокупности интересующих компонентов системы и смоделировать их взаимодействие 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, агент-ориентированные 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

В документе, озаглавленном «Изучение практик управления лесами с использованием агентно-ориентированной модели заражения лесными насекомыми», была разработана агентная модель для имитации атакующего поведения горный сосновый жук, Dendroctonus ponderosae, (MPB), чтобы оценить, как различные политики лесозаготовок влияют на пространственные характеристики леса и пространственное распространение заражения MPB во времени.[4] Около двух третей земли в британская Колумбия, Канада покрыт лесами, которые постоянно модифицируются естественные нарушения 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 БПМ считаются серьезным естественным нарушением, которое может привести к массовой гибели Ложная сосна дерево, одна 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 моделирования поведения атаки MPB с целью оценки того, как управление Практика 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. Жук личинки питаются 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 заканчиваются, когда запасы пищи сокращаются до такой степени, что их недостаточно для поддержания популяции, или когда климатические условия становятся неблагоприятными для жука. Агент Pine имитирует сопротивление основного дерева, в частности сосны Lodgepole, и контролирует состояние и характеристики каждого насаждения деревьев. В какой-то момент атаки MPB количество жуков на дерево достигает емкости хоста. По достижении этой точки 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 общих лесоводство методы (санитария и утилизация), а также стратегия, в которой не применялись методы управления. При использовании стратегии санитарной уборки, если уровень заражения насаждения превышает установленный порог, насаждение удаляется, как и любое здоровое соседнее насаждение, 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 примерно 560 человек. га. Область состояла в основном из сосны Лоджполе с небольшими долями Пихта Дугласа и Белая ель. Модель была выполнена для пяти временных шагов, каждый из которых соответствует одному году. Для каждой рассмотренной стратегии ведения лесного хозяйства 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

Инвазивные виды относится 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 под названием «Агентная модель пограничного контроля для управления инвазивными видами» представлена ​​агентная модель, которая была разработана для оценки воздействия порт -специфические и импортер -конкретные режимы правоприменения для данного сельскохозяйственный товар что представляет опасность для 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 пограничники могут принимать свои собственные решения, исходя из своих собственных целей и задач. У инвазивных видов есть возможность определить, был ли он выпущен в области, где находится целевая культура, 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 Мексика в Калифорния через порты въезда Калексико, Калифорния и Отай Меса, Калифорния. Выбранными инвазивными видами, вызывающими озабоченность, были крестоцветные блохи (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 неоднородный Таким образом, были рассмотрены три разных 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, версия 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, с которой импортеры могут начать делать покупки в портах, например, частота инспекций, с которой вводятся покупки в портах, и импортеры, связанные с определенным уровнем фитосанитарного риска или стоимости транспортировки, вероятно, внесут эти изменения. Другой интересный результат модели заключается в том, 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.

Динамика численности тли

В статье под названием «Динамика популяций тли в сельскохозяйственных ландшафтах: имитационная модель на основе агентов» представлена ​​агентная модель для изучения динамика населения из черемуха-овсяная тля, Ропалосифум пади (Л.).[7] Исследование проводилось на территории площадью пять квадратных километров в Северный Йоркшир, округ, расположенный в Йоркшир и Humber регион Англия. Метод моделирования на основе агентов был выбран потому, что он ориентирован на поведение отдельных агентов, а не на популяцию в целом. Авторы предполагают, что традиционные модели, ориентированные на популяции в целом, не принимают во внимание сложность параллельных взаимодействий в экосистемы, 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 феномена благодаря взаимодействиям группы автономных агентов, а также возможность интегрировать количественные переменные. дифференциальные уравнения, и поведение на основе правил в одну модель.

Модель реализована в инструментарии моделирования. Трапеза с использованием ЯВА язык программирования. 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: возраст, положение и морфология (крыло или же бездонный ) считались. 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. Один раз нимфы вылупляются, они остаются на том же месте, что и их родители. Морфология нимф связана с плотностью популяции и качеством питательных веществ. тли источник еды. 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. В модели рассматривалось перемещение возбудителей тли в двух отдельных фазах, фазе миграции и фазе кормодобывания, каждая из которых влияет на общую Распределение населения.

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 итоге цель исследователей - адаптировать эту модель для моделирования более широких экосистем и типов животных.

Динамика водных популяций

В статье «Изучение мультиагентных систем в моделировании динамики водных популяций» предлагается модель для изучения динамики популяций двух видов макрофиты.[8] Водные растения играть жизненно важную роль в экосистемы 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 неместные растения или же эвтрофикация озер, в которых они живут, приводя к аноксический 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.

Потамогетон пектинатус является одним из агентов водных растений в модели. Это однолетнее растение который поглощает питательные вещества из почвы и размножается через корни клубни и корневища. 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 определенных глубинах воды, а большая часть его биомассы находится в верхней части растения, чтобы улавливать как можно больше солнечного света. Второй растительный агент в модели - это Чара аспера, 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. Чара аспера вырастает только до 20 см и требует очень хороших условий освещения, а также хорошего качества воды, которые являются ограничивающими факторами для роста растения. Чара аспера имеет более высокие темпы роста, чем Потамогетон пектинатус 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 Потамогетон пектинатус, непосредственно влияют на рассеяние семян Чара аспера. Условия потока влияют как на направление, так и на расстояние, на которое будут распространяться семена. Проникновение света сильно влияет Чара аспера так как требует высокого качества воды. Коэффициент экстинкции (EC) - это мера проникновения света в воду. По мере увеличения EC скорость роста Чара аспера уменьшается. Наконец, для обоих видов растений важна глубина. По мере увеличения глубины воды проникновение света уменьшается, что затрудняет выживание любого вида за пределами определенных глубин.

Областью интереса в модели было озеро в Нидерланды названный Озеро Велюве. 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 реализована с использованием Трапеза программный пакет и был выполнен для моделирования роста и разложения двух различных растительных агентов с учетом ранее обсужденных экологических агентов, а также взаимодействия с другими растительными агентами. Результаты выполнения модели показывают, что распределение населения Чара аспера имеет пространственный рисунок, очень похожий на карты ГИС наблюдаемых распределений. Авторы исследования приходят к выводу, что правила агентов, разработанные в исследовании, являются разумными для моделирования пространственной картины роста макрофитов в этом конкретном озере.

Агрегация бактерий, приводящая к образованию биопленки

В статье под названием «iDynoMiCS: индивидуальное моделирование биопленок нового поколения» представлена ​​агентная модель, которая моделирует колонизацию бактерий на поверхности, ведущую к образованию биопленки.[9] Цель iDynoMiCS (расшифровывается как индивидуальный симулятор динамики микробных сообществ) - моделировать рост 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 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] Парадигма моделирования на основе агентов была использована, чтобы дать возможность исследовать, 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 денитрифицирующие бактерии которые вызывают путь денитрификации под аноксический или условия с низким содержанием кислорода.[9] В исследовании исследуется гипотеза о том, что существование разнообразных 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. После этого введения количество приложений iDynoMiCS продолжает расти: недавнее исследование плазмида вторжение 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 Синегнойная палочка биопленка с глюкозным субстратом.[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 кода Жоао Ксавьера. При дополнительном финансировании со стороны Национальный центр замены, улучшения и сокращения 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 как Открытый исходный код платформа, поощряя соавторов к разработке дополнительных функций, которые затем могут быть объединены в следующий стабильный выпуск. IDynoMiCS был реализован в Ява язык программирования со сценариями MATLAB и R для анализа результатов. Структуры биопленок, которые образуются при моделировании, можно рассматривать как фильм, используя Пов-луч файлы, которые создаются при запуске моделирования.

Обогащение стволовыми клетками молочных желез после облучения в период полового созревания

Эксперименты показали, что воздействие ионизирующего излучения на пубертатные молочные железы приводит к увеличению соотношения молочных желез. стволовые клетки 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, эпидемиологические данные показывают, что у детей, подвергшихся воздействию ионизирующего излучения, риск рака груди значительно выше, чем у взрослых.[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 ювенильных, но не взрослых, молочных желез увеличивает самообновление стволовых клеток и опухолей, отрицательных по рецепторам эстрогена»,[16] были разработаны две агентно-ориентированные модели, которые использовались параллельно с in vivo и in vitro эксперименты по оценке инактивации клеток, дедифференцировка через эпителиально-мезенхимальный переход (EMT) и самообновление (симметричное деление) как механизмы, 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 небольшая). Модель состоит из миллионов агентов, каждый из которых представляет стволовую клетку молочной железы, клетку-предшественницу или дифференцированную клетку в груди. Впервые моделирование проводилось на Национальная лаборатория Лоуренса Беркли Суперкомпьютер Lawrencium для параметризации и сравнения модели с различными in vivo измерения молочной железы. Затем модель была использована для тестирования трех различных механизмов, чтобы определить, какой из них привел к результатам моделирования, которые соответствуют 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 in vivo данные; 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 клеточные субпопуляции). in vitro после облучения. Путем сравнения результатов моделирования с данными из in vitro эксперименты, вторая основанная на агентах модель дополнительно подтвердила, что клетки должны экстенсивно пролиферировать, чтобы наблюдать зависящее от самообновления увеличение количества стволовых / клеток-предшественников после облучения.

Комбинация двух агентных моделей и in vitro/in vivo Эксперименты позволяют 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 десятилетия спустя.

Смотрите также

Рекомендации

  1. ^ а б c d An G .; Mi Q .; Dutta-Moscato J .; Водовец Ю. (2009). «Агентные модели в трансляционной системной биологии». Системная биология и медицина. 1 (3): 159–171. Дои:10.1002 / wsbm.45. ЧВК  3640333. PMID  20835989.
  2. ^ Политопулос, И. (11 сентября 2007 г.). «Обзор и анализ агентных моделей в биологии» (PDF). Архивировано из оригинал (PDF) 27 июля 2011 г.
  3. ^ Гарсия М.Р .; 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. Дои:10.3389 / fmicb.2017.02626. ЧВК  5760514. PMID  29354110.
  4. ^ Перес, Л. и Драгучевич, С. (2010). Изучение практик управления лесами с использованием 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. Дои:10.1111 / j.1744-7976.2009.01166.x.
  6. ^ Руководство BehaviorSpace
  7. ^ Эванс, А .; Морган Д. и Парри Х. (2004). Динамика популяции 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. ^ Li, H .; Минетт, А. и Ци, Х. (2009). Изучение мультиагентных систем при моделировании динамики водных популяций. Proc. 8-я Международная конференция по гидроинформатике. Чили.
  9. ^ а б 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. Дои:10.1111 / j.1462-2920.2011.02414.x. PMID  21410622.
  10. ^ Ваннер О., Эберл Х., Моргенрот Э., Ногера Д., Пичореану Ц., Риттманн Б., ван Лосдрехт М. (2006). Математическое моделирование биопленок. Лондон: Издательство IWA.
  11. ^ Merkey BV, Lardon LA, Seoane 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. Дои: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 собрание 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. Дои:10.1016 / j.ccr.2011.03.011. ЧВК  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. Дои: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. Дои:10.1093 / jnci / djn310. ЧВК  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. Дои:10.1002 / стержень.1533. PMID  24038768.