Закон Фонороу: В медицине не существует научных законов…
Краткие теоретические сведения о прикладном эпидемиологическом моделировании.
Типология моделей:
  • детерминистские,
  • популяционные,
  • аналитические или численные,
  • непространственные или пространственные (уравнения в частных производных),
Время зависимые модели:
  • непрерывное время (дифференциальные уравнения)
  • дискретное время (разностные уравнения).
Назначение моделей:
моделирование распространения заболеваний в однородных или слабо структурированных популяциях с большим количеством индивидов (порядка 105–106).

Целевые показатели:
  • динамика численностей групп индивидов (например, восприимчивых, больных и выздоровевших),
  • количество вновь инфицированных за промежуток времени,
  • пороговые численности групп, обеспечивающие сохранение заболевания в популяции,
  • динамика базового числа репродукции инфекции R0 (количество индивидов, заражённых одним
    инфицированным в период его заразности).

Структура моделей:

В популяционных моделях население некоторого региона рассматривается как совокупность групп, как правило, отражающих различный статус индивидов по отношению к заболеванию (восприимчивые,

инфицированные, больные в разных стадиях, индивиды в состоянии ремиссии). Внутри каждой группы индивиды считаются неразличимыми между собой.

Численности групп меняются со временем в результате следующих процессов:

  • переходы индивидов из одной группы в другую вследствие инфицирования, развития заболевания, выявления и лечения заболевших индивидов;
  • пополнение групп за счёт иммиграции и рождения индивидов;
  • убыль в результате естественной смертности индивидуумов, гибели из–за болезни и эмиграции в другие регионы.

Наиболее популярными среди популяционных моделей являются упомянутые в предыдущем разделе SIR–модели, в которых рассматривается три группы индивидов — восприимчивые к заболеванию (Susceptible), инфицированные (Infected) и переболевшие либо удалённые (Recovered/Removed).

Передача инфекции осуществляется от инфицированных индивидов к восприимчивым. Переболевшие индивиды приобретают иммунитет и не могут быть заражены вторично. Математически такие модели задаются системами дифференциальных (непрерывное время) или разностных (дискретное время) уравнений. Эти уравнения описывают закон изменения численностей групп индивидов с течением времени.

Существуют многочисленные типы моделей, производные от SIR, среди которых можно назвать следующие:

  • SIRS («Susceptible — Infected — Recovered — Susceptible») – модель, описывающая динамику заболеваний c временным иммунитетом (выздоровевшие индивиды по прошествии времени опять становятся восприимчивыми);
  • SEIR («Susceptible — Exposed — Infected — Recovered») – модель для заболеваний с инкубационным периодом;
  • SIS («Susceptible — Exposed — Infected) – модель, не учитывающая приобретение иммунитета;
  • MSIR (M — «maternally derived immunity») – модель включает в популяцию новорождённых детей, приобретающих иммунитет внутриутробно.

Достоинства и недостатки. Плюсом популяционных SIR–моделей является простота в построении и использовании, возможность аналитического исследования, лёгкость настройки на реальные данные. Ограничением подхода является значительное усложнение математического описания моделей при учёте таких факторов, как существенная неоднородность популяции, нетривиальная схема передачи инфекции и пр. В детерминированных популяционных моделях не может быть учтён фактор случайности в распространении заболеваний, особенно значимый в малых популяциях и при небольшом числе инфицированных, например, в начальной фазе распространения заболевания.

Кроме того, в популяционных моделях невозможен учёт особенностей отдельных индивидов, что усложняет или делает невозможным их использование для решения ряда задач, относящихся к эпидемиологии.

01.04.02 Прикладная математика и информатика в качестве учебно–методического пособия для реализации основных профессиональных образовательных программ высшего образования магистратуры предусматривает подготовку специалистов в области математической эпидемиологии.

Дадим слово специалистам Санкт-Петербургского национального исследовательского университета информационных технологий, механики и оптики

Математическое-моделирование-эпидемий-ИТМОСкачать

Лучше один раз увидеть эти формулы, чем сто раз послушать дезинформацию про успехи в борьбе с COVID-19 с экрана телевизора.

Следует полагать, что все эти модели являются феноменологическими моделями. Феноменологическая модель  является  научной моделью , которая описывает эмпирическую зависимость от явлений друг к другу, таким образом , что согласуется с фундаментальной теорией, но не непосредственно вытекает из теории.

Феноменологические модели — инструмент исследования сложных систем

Еще раз отметим, что исследованию общих свойств биологических систем препятствуют два основных фактора. Во-первых, это чрезвычайная сложность реальных биологических объектов, которая приводит к невозможности учесть то огромное количество взаимодействий, которое определяет функцию этого объекта. Биологическая система всегда исследована не окончательно, никогда нет уверенности, что известны все значимые для данной функции параметры или свойства взаимодействующих частей.

Во-вторых, это единственность эволюционных исходов, которая не позволяет использовать один из самых эффективных инструментов исследования — сравнительный анализ биологических структур (в распоряжении исследователей имеется только один вариант живого, реализовавшийся на Земле).

Практически единственно доступным сейчас средством работы со сложными системами являются феноменологические модели, которые описывают систему в общем, не детализируя ее. Феноменологические модели являются традиционным инструментом исследования в биофизике сложных систем.

Работа с феноменологическими моделями есть работа с принципиальными вопросами. Примеры исследований «по принципу» хорошо известны в физике и биофизике. Так, например, исследование цикла Карно, позволило ответить на методологически важный вопрос: Можно ли в принципе построить тепловой двигатель с к.п.д. в 100%?. При этом не важно, что самая эффективная тепловая машина — машина Карно практически бесполезна.

В качестве примера наиболее известных феноменологических моделей можно так же привести модель известного математика и химика А. Тьюринга (Turing, 1952), направленную на выяснение вопроса о принципиальной возможности возникновения организованности (диссипативных структур) в гомогенной среде.

Позднее, в работах И. Пригожина и его школы (Николис, Пригожин, 1979) была предложена и исследована идейно близкая модели Тьюринга абстрактная модель брюсселятора, позволившая ответить на этот вопрос в принципе, хотя модельную реакцию брюсселятор сложно сопоставить с какой-либо реальной биохимической реакцией.

До начала 70-х гг. большинство химиков считало, что химические реакции не могут идти в колебательном режиме. Экспериментальные исследования советских ученых Б.П. Белоусова и А.М. Жаботинского продемонстрировали существование таких реакций. . Встал вопрос об их теоретическом анализе и построении соответствующих математических моделей.

Модель «брюсселятор», предложенная в Брюсселе в 1968 г. И. Пригожиным и Р. Лефевром, является одной из наиболее известных моделей химической кинетики. Модель иллюстрирует существование автоколебаний в
системе химических и биологических реакций.

Брюсселятор. Представляет собой наиболее исследованную систему, которая при разных значениях параметров может обладать разнообразным поведением во времени и в пространстве. На модели брюсселятора  удается выявить условия возникновения типов самоорганизации в биологических и химических системах, и в этом смысле эта модель является базовой.

Обратим внимание на то, что в брюсселяторе содержится простейшая кубическая нелинейность, которая обеспечивается реакцией

Примером такой реакции может быть ферментативный процесс, в котором фермент имеет по крайней мере три каталитических центра. Кубическая нелинейность — важное условие возникновения диссипативных структур.

Брюсселятор является распределенным триггером со многими устойчивыми состояниями — формами диссипативных структур.

На основании базовой модели процесс деления клетки можно связать с параметрически заданным образованием новой диссипативной структуры, возвращение из которой невозможно в силу гистерезиса. Говорят, что образование диссипативных структур определяется динамическим считыванием параметрически заданной информации.

Модели образования диссипативных структур в экологических системах.

В работах М. Эйгена теория, построенная на ряде достаточно абстрактных моделей гиперциклов, дает общий принцип отбора и эволюции на молекулярном уровне (Эйген, 1973).

Работы Дж. фон Неймана позволили положительно ответить на вопрос: «Можно ли в принципе объяснить самовоспроизведение систем на основе известных законов физики, без привлечения понятия «жизненная сила»? (фон Нейман, 1973). При этом совершенно не важно, что самовоспроизводящиеся автоматы Дж. фон Неймана никому в реальном исполнении не нужны.

Современным примером абстрактных моделей являются клеточные автоматы (Wolfram 1984b; Ermentrout et.al., 1993; Sipper, 1994) с помощью которых показано, что в общем случае вычисление, соответствующее эволюции неприводимо, то есть исход эволюции непредсказуем.

Опираясь на приведенные примеры, можно ожидать, что преодоление фактора сложности биологических систем возможно через исследование проблемы структурно-функционального соответствия «по принципу», с помощью предельно простой, «прозрачной», пусть даже и абстрактной феноменологической модели.

Моделирование пандемии с точки зрения Института стратегических инициатив.

«Математическое моделирование процесса пандемии: теория и практика»

Анализ и математическое моделирование вспышек заболеваний играют важную роль в планировании ответных мер органов здравоохранения на вспышки инфекционных заболеваний, эпидемии и пандемии.

Основная цель любого такого моделирования – это определение характеристик, динамики и влияния пандемий, а также оценки эффективности мероприятий в различных условиях.

Следует учитывать, что основная информация для принимающих решения органов поступает на ежедневной основе не по результатам сложного имитационного моделирования, а из простого и проводимого в реальном времени статистического анализа, основывающегося на механистических моделях передачи, использующих доступные эпидемиологические и вирусологические данные.

Математическое моделирование может только служить инструментом для обработки доступных данных и указывать, какие дополнительные сведения могут быть полезны при принятии управленческих решений. В этой небольшой статье мы рассмотрим некоторые обобщенные модели, используемые в настоящее время при моделировании процесса распространения эпидемий.

В основе современного математического моделирования эпидемий заложен принцип экспоненциального роста числа заболевших. Это означает, что рост числа заболевших с течением времени постепенно увеличивается пропорционально определенному коэффициенту, который является константой и рассчитывается для каждого заболевания отдельно.

Одной из наиболее распространенных моделей является модель SEIR, в которой всё население делится на группы: S (Susceptible) – «уязвимый»; E (Exposed) – зараженный на стадии инкубационного периода; I (Infected) – зараженный; R (Recovered) – выздоровевший.

Модель описывает распространение эпидемии в популяции, в которой нет иммунитета к инфекции. Каждый заразившийся (I) имеет фиксированную вероятность выздороветь в единицу времени — то есть перейти в группу выздоровевших (R).

Заражение уязвимых (S) происходит в результате «опасных» контактов с зараженными (I). При этом контакты с теми, кто находится в инкубационном периоде, то есть еще не имеет симптомов (E), могут быть как «опасными» (если человек может заражать других до появления признаков болезни) или неопасными, если человек ещё не заразен.

В основе модели SEIR два параметра: t – типичное время от заражения до выздоровления и R₀ — коэффициент воспроизводства (его можно понимать как среднее число людей, которых один зараженный успевает заразить за время, пока сам не выздоровеет).

Значение t можно представить как сумму разных периодов: инкубационного периода до наступления симптомов (его «заразной» и «незаразной» частей) и времени между первыми проявлениями болезни и выздоровлением.

А R₀ — как сумму разных типов заражения: через контакты людей с симптомами и без симптомов или через окружающую среду (зараженные поверхности). R₀ является расчетной величиной (напрямую выявить её можно, только исследовав историю заражения каждого человека в популяции).

Обычно R₀ рассчитывается из скорости роста числа новых выявленных зараженных. R₀ может быть разным в разных популяциях и на разных стадиях эпидемии: его значение зависит от принятых мер по подавлению эпидемии, которые прерывают цепочки передачи вируса (различные формы карантина, выявление заразившихся и отслеживание их контактов).

Формула для расчета: R₀ = (1 + (𝜏ₑ/𝜏₂)ln2) (1 + (𝜏ᵢ/𝜏₂)ln2), где 𝜏 — средняя длина инкубационного периода, а 𝜏ᵢ — заразного периода (ln2 ≈ 0,693 — это натуральный логарифм двух).

Таким образом, при R₀ < 1 эпидемия затухает (на каждого зараженного в среднем приходится меньше одного «уязвимого»), а при R₀ > 1 – она распространяется и охватывает существенную часть населения.

Например, при R₀ = 2 общее число переболевших оказывается равно примерно 80 %. Это значит, что в случае, когда R₀ существенно больше единицы, эпидемия остановится только тогда, когда значительная доля населения переболеет и приобретет иммунитет (так называемый групповой иммунитет): доля уязвимых (S) снизится настолько, что у вируса больше не будет достаточно «целей» для распространения.

Для модели SEIR критически важны сведения о темпах роста реального числа зараженных. Основной показатель моделей — R₀, это среднее количество заразившихся от одного инфицированного в условиях отсутствия мер сдерживания. Он рассчитывается на основе данных о времени удвоения числа инфицированных; чтобы знать время удвоения, нужно знать суточные темпы роста числа реально зараженных.

Пока не удастся установить долю «неучтенных» в каждой стране или городе (и изменение этой доли со временем), модели получаются слишком грубыми: с их помощью можно уловить лишь общие тенденции и сделать общие выводы – например, нужны ли уже в данной области меры сдерживания эпидемии.

Имитационное моделирование

В настоящее время набирают популярность так называемые методы имитационного моделирования и агентного подхода.

Сущность имитационного моделирования заключается в том, что для исследуемой системы (развития эпидемии) строятся графические диаграммы связей и глобальных влияний одних параметров на другие во времени. Созданная на основе этих диаграмм модель имитируется на компьютере (одним из программных продуктов позволяющих это сделать является программа AnyLogic).

Такой вид моделирования позволяет проникнуть в суть происходящего в системе и выявить причинно-следственные связи между объектами и явлениями. Целью агентного моделирования является получение представления об этих глобальных правилах, общем поведении системы, исходя из предположений об индивидуальном, частном поведении её отдельных активных объектов и взаимодействии этих объектов в системе. Именно такой метод был применен китайскими учеными для моделирования эпидемии коронавируса в Китае.

Агентное моделирование (АМ) используется для моделирования действий и взаимодействий агентов с персонализированными свойствами и поведением. Оно находит широкое применение во многих сферах, включая биологию, экологию и социологию.

Поскольку, как отмечают китайские исследователи, распространение 2019-nCoV – это относительно сложный процесс, получение соответствующих параметров для построения модели АМ затруднительно.

Поэтому в модели сложный процесс распространения 2019-nCoV был до некоторой степени упрощен. Человек, представленный в виде агента – основа этой имитационной модели.

Исследование предполагает, что статус каждого человека в модели можно разделить на 4 вида: уязвимый, инфицированный, заболевший и с приобретенным иммунитетом (классическая модель SEIR).

В исследовании было сделано предположение, что: каждого больного можно эффективно изолировать и лечить; как только выявлен первый случай заболевания, люди могут успешно минимизировать личные контакты; после определенного промежутка лечения человек выздоравливает и становится невосприимчивым к болезни.

Для исследования в модели была создана простая интерактивная среда. Было выдвинуто предположение, что человек постоянно находится дома или в общественных местах. До появления симптомов болезни (то есть человек не инфицирован или находится в инкубационном периоде) он обычно выходит из дома, направляясь в общественное место, а после этого возвращается обратно.

Чтобы имитировать тенденцию распространения эпидемии 2019-nCoV, в модели существовали 10000 человек, один из которых был случайно заражен. Модель запускалась 10 раз, и средние значения показателей были взяты как результат эксперимента.

Полученные данные были отсортированы и откорректированы с помощью программы R3.6.2, а модель создавалась на основе ПО AnyLogic.

В ходе исследования группе китайских медиков удалось рассчитать некоторые усредненные показатели, в частности частоту заражения 2019-nCoV при личном контакте у пациентов (10,4%); продолжительность инкубационного периода (≈6,6 дней) и время, которое необходимо, чтобы излечиться при назначенном курсе лечения (≈9,8 дней).

К сожалению, стоит признать, что на сегодняшний день не существует эффективной и универсальной модели, которая на основе базовой статистики заболеваний смогла бы достаточно точно спрогнозировать возникновение и оценить протекание того или иного заболевания. Каждая болезнь имеет свои особенности (этиологию) с одной стороны, а кроме того, даже в рамках одной эпидемии эти особенности в разных социумах могут проявляться неодинаково, что мы можем наблюдать на примере последней пандемии коронавирусной инфекции COVID-19, вызванной коронавирусом SARS-CoV-2.

Особенно это хорошо прослеживается на фоне сравнения течения заболевания в Юго-Восточной Азии и в странах Южной и Центральной Европы, Латинской Америки.

Однако современное моделирование (особенно в сочетании разных методов – математических и имитационных) позволяет оценить масштабы и последствия эпидемий при различных сценариях и действиях властей, что должно повысить качество и эффективность предпринимаемых мер и управленческих решений.

При подготовке этого материала использована статья – Иванова М.В., начальника отдела аналитических и социологических исследований МАУ «ИРСИ»

Выбор феноменологической модели зависит от принципиального вопроса, который будет ей задан и доступных способов анализа результатов, полученных на этой модели.

Вопрос, который задается феноменологической модели структурно-функциональных отношений, должен быть осмысленным и допускающим конкретный ответ, доступный проверке. Сформулировать его можно следующим образом: «Существует ли, в принципе, что-то сходное в независимо сформировавшихся структурах, выполняющих одну и ту же функцию, и что отличает их от структур, реализующих другую функцию?».

Одним из способов, позволяющих выделить общее, уменьшить разнообразие является поиск симметрии. Под симметрией следует понимать неизменность (инвариантность) какого-либо объекта при определенного рода преобразованиях (Вейль, 1969).

Можно сказать, что симметрия есть совокупность инвариантных свойств объекта. По современному определению «симметрия — понятие, характеризующее переход объектов в самих себя или друг в друга при осуществлении над ними определенных преобразований (преобразований симметрии); в широком плане — свойство неизменности (инвариантности) некоторых сторон, процессов и отношений объектов относительно некоторых преобразований»

Принципы симметрии — это запреты, которые ограничивают число вариантов исследуемого объекта или явления. В симметрии проявляется общность свойств, в асимметрии — их различие. В физике законы симметрии выражены в виде запретов на ряд процессов. Эти запреты известны как законы сохранения: энергии, количества движения, момента импульса…

В биологии тоже делаются попытки поиска симметрий. Характерной чертой уравнений, описывающих биологические объекты, является нелинейность.

Сложность изучения нелинейных уравнений связана с тем, что не существует общих рецептов их решения. Симметрия позволяет находить частные, так называемые инвариантные решения. Инвариантные решения являются промежуточными асимптотиками и содержат достаточно богатую информацию о поведении общего решения.

Симметрия означает упорядоченность частей целого. Упорядоченность симметричного объекта позволяет «сжать» информацию о его устройстве. Для изучения симметричного объекта необходимо выделить блоки разных уровней и выяснить правила их повторяемости. В математическом описании блоками являются инварианты, а закон их повторяемости определяется теми преобразованиями, относительно которых инварианты сохраняются.

Например, показано, что одной из важнейших характеристик структурной организации молекул белков является их симметричность. Она проявляется и на уровне доменной организации белковых молекул (Blundell et al, 1996) и на уровне их первичной структуры (Шпаков, 2000), обсуждается также связь структурной симметрии и функции белков (Goodsell et. al, 2000), исследуются симметрия и энергетический ландшафт биомолекул (Wolynes, 1996).

Ведется поиск симметрии в нуклеотидных последовательностях (Zhang, 1997), отмечается, что открытие внутренней симметрии зеркального типа в нуклеотидной последовательности является принципиально новым достижением в молекулярной биологии нуклеиновых кислот (Шпаков, 2001). Обсуждается роль симметрии в органической эволюции (Bellido, 1996).

Одним из эффективных инструментов поиска локальной симметрии является аппарат группового анализа. (Ибрагимов, 1983). 

DEMMo. DEMMo Автор программы: Подзолков Павел

DEMMo. DEMMo – Designer of Epidemic Math Models (конструктор эпидемиологических математических моделей). Конструированные модели организуется в объектно-ориентированном виде. Есть класс стадии (аналог компартмента), класс потока (обеспечивает переход индивидов между стадиями) и внешнего потока (прибавление/вычитание индивидов к/из стадии). Подробную инструкцию по использованию программы можно прочитать в документации.

DEMMo_helpСкачать
Реальные мешающие факторы, действующие на модель.

Вирус SARS COV-2 (Severe Acute Respiratory Syndrome (SARS), вызывающий COVID-19 (COronaVIrus Disease 2019) является мультисистемным заболеванием, вызывающим поражение 9 из 15 иммунных ответов человеческого организма, которое, в свою очередь приводит к различным синдромам, перечисленным далее по тексту:

  • к разрушению клеточных мембран агрессивной РНК вируса, приводящим, в свою очередь, к изменениям реологических свойств крови, тромбоэмболии и смерти от геморрагических инсультов (напоминает ослабленный вариант быстро развивающейся геморрагической лихорадки по типу лихорадок Марбурга, Ласса, Крым-Конго, Ebola Zair);
  • к потенциально тяжёлым острым респираторным инфекциям, вызывающим вирусную или бактериальную пневмонию, как следствие острую дыхательную недостаточность и тяжелые поражения малого круга кровообращения, последующую смерть;
  • к геморрагическому синдрому, или геморрагии и кровоточивости слизистых оболочек, возникающему как следствие быстрых изменений в одном или нескольких звеньях гемостаза. Геморрагический синдром – сложный симптом комплекс, обусловленный дисфункцией системы гемостаза, которая в норме сохраняет жидкое состояние крови, поддерживает структурную целостность сосудистой стенки и обеспечивает ее быстрое тромбирование при повреждении. Синдром является клиническим проявлением различных заболеваний и отличается многообразием этиопатогенетических факторов. При нарушении гемостаза повышается кровоточивость, возникают наружные и внутренние кровотечения. Самой частой разновидностью последних является кровоизлияние – выход крови из сосуда и ее скопление в тканях, органах и полостях.
  • к поражению центральной нервной системы человека через слизистые оболочки головы (глаз, ушей, горла, носа)

Крайне важно понять, что:

  • поиск потенциальных пандемических вирусов среди SARS ведется с 2005 года путем выхода за рамки метагеномики в Национальном военно-медицинском центре имени Уолтера Рида (Walter Reed Army Medical Center).
  • метагеномика — раздел молекулярной генетики, в котором изучается генетический материал, полученный из образцов окружающей среды;
  • каждое облако вирусов имеет не менее 13 факторов поражения (и не менее 3-х активных способов проникновения в клетку, аналогично вирусам иммунодефицита человека, то есть использует механизмы, гомологически схожие с работой гликопротеинов HIV gp41 и gp120, мономерного трансмембранного гликопротеина надсемейства Ig — CD4.
  • С учетом 230 типов клеток человеческого организма, количество вариантов заражения и потенциальных заболеваний определяется числом сочетаний из комбинаторики

Методами классической аллопатической медицины, статистики и фармацевтики объективно невозможно учесть все варианты ответа на потенциальные заболевания. 

Генетическое оружие нападения сконструировано с учетом потенциала санитарных и инфекционных служб всех государств мира путем демпфирования скоростей иммунных ответов (скрытности распространения), что в порядки раз превышает скорость распространения вируса по сравнению со скоростями  процессов ответных реакций. Пример: длительность латентного цикла мутантов SARS-COV-2 в одном организме достигает 37-41 дней у женщин, длительность процесса создания вакцины с учетом сокращенного цикла испытаний – 9-10 месяцев.

Основное направление генетического удара SARS-COV-2– обеспечение длительного жизненного цикла производственных циклов транснациональных фармацевтических компаний и загрузка из производственных мощностей на десятки лет вперед, в результате появления десятков тысяч типов «отложенных» «новых» заболеваний.

Изменяемый фактор мощности или плотности потока заражения.

Удельная мощность генетического поражения определяется по аналогии с HIV ВИЧ), допустимым уровнем вирусной нагрузки. Условно выделяют четыре степени вирусной нагрузки:

  • очень высокая, когда определяется более 100 тыс. копий вирионов в 1 мл венозной крови;
  • высокая, когда нагрузка находится в диапазоне 10 тыс. – 100 тыс. вирионов/мл;
  • средняя при показателях нагрузки 1000-10 тыс. вирионов;
  • низкая – от 1000 и ниже копий вирионов/мл .

SARS-COV-2 имеет липидную оболочку, чувствительную к парам этанола (допустима ингаляция водкой и эфирными маслами);

SARS-COV-2 чувствителен к ингибиторам репликации:

SARS-COV-2 чувствителен ко всем ранее разработанным вакцинам.

При составлении моделей пандемии SARS-COV2, следует учитывать, что упреждающий генетический удар вирусом HIV нанесен по следам раннего вакцинирования вирусом SV40. При массовой вакцинации против полиомиелита миллионы людей в СССР, США и Европе были заражены обезьяньим вирусом SV40.

Вирус SV40 является эндогенным вирусом, постоянно находящимся в организме каждого человека, прошедшего вакцинацию «от полимиелита» и имеет в своей структуре 2 HIV LTR транспозоны. Некоторые вирусы много лет существуют неразделимо с нами в нашем геноме (такие вирусы называют эндогенными).

Транспозоны — это мобильные элементы, которые перемещаются в геноме к новым сайтам-мишеням как фрагменты ДНК. Ретротранспозоны – это мобильные элементы, которые вначале транскрибируются РНК полимеразой и затем в процессе обратной транскрипции образуют двуспиральную ДНК, которая встраивается в новый сайт в геноме.

РНК-геном вируса ВИЧ имеет длинные концевые повторы (LTR — long terminal repeat), которые управляют продукцией дочерних вирионов и активируются как белками вируса, так и белками инфицированной клетки.

Вирус-иммунодефицита-человека-12-2018Скачать

В 2014 году был предложен метод удаления генома ВИЧ-1 из заражённых клеток при помощи системы CRISPR/Cas9. С помощью этого метода исследователям удалось вырезать фрагмент провирусной ДНК, заключённый между 5′- и 3′-концевыми LTR-областями из хромосом заражённых клеток, а SV40 широко изучался как модельный эукариотический вирус, что привело ко многим ранним открытиям в области репликации и транскрипции эукариотической ДНК .

Согласно модели больших данных Google и результатов анализа методами облачного искусственного интеллекта Google, фронты волн госпитализации отстают от фронта волн повторного заражения на 10 дней.

Длительность волны повторного заражения – 4 дня. Эти сведения необходимо использовать при моделировании как один из главных параметров.

Контрольная точка для проверки и калибровки моделей 2020 года — пик второй волны по данным искусственного интеллекта Google — пришелся на 27-28 августа 2020 года.

В моделях прогноза необходимо использовать свойства брюсселлятора биофизической модели для учета цикличности и обратных связей.

С учетом сказанного следует рассмотреть «короткие» модели хищника- жертвы Лотки-Вольтерра, как перспективные модели реальной пандемии районированной целевой системы управления или синтетическую модель на базе SEIR, включающую в себя субмодель хищника-жертвы, где хищником выступает

абстрактная обобщенная модель Preductorа — активного носителя генетически активного комплекса SV40 HIV LTR, HIV LTR, SARS-COV-2, а жертвой плохо-управляемый санитарно- эпидемиологическими ограничениями властей самоуверенный Prey (объект в спущенной с органов дыхания маске и перчатках).

Такая динамическая модель будет иметь возможность точной настройки за счет численного моделирования по данным неуверенной статистики.

Цикличность процессов в модели с высокой степени абстракции покажет визуализируемое ядро брюсселлятора.

При этом, динамически изменяемое ядро биофизического брюсселлятора с настраиваемыми через визуальный интерфейс эмпирическими параметрами, полученными от статистических служб, позволят найти наиболее приближенную модель такого сложного биофизического явления, как распределенное по времени и пространству генетическое оружие. Автоколебания популяций хищника и жертвы в модели Лоттки-Вольтерра будут описывать и процессы и основные регулируемые тенденции в отношениях Preys и Preductors.

Model_brusselatorСкачать

Обязательные установочные параметры модели, должны включать поэкземплярный учет Preys, ранее привитых от «полиомиелита» и географическую зону, откуда прибывают Preductors.

В геноме человека представлены: non-LTR ретротранспозоны, LTR ретротранспозоны, эндогенные ретровирусы,
ДНК транспозоны, человеческие эндогенные ретровирусы (human endogenous retroviruses, HERVs) и повторяющиеся элементы эндогенных ретровирусов человека (repeat elements with HERV origin), такие как SINE-R ретропозоны (SINE-R retroposons) LTR-ретроэлементы cоставляют до 8 % генома человека. У эукариот эпигенетическая информация может быть закодирована в родительских клетках посредством модификации гистонов и впоследствии передана дочерним клеткам в процессе, известном как трансгенерационная эпигенетическая регуляция. 

Обезьяний вирус 40 (SV40) — это хорошо охарактеризованный вирус, чей небольшой кольцевой ДНК-геном организован в хроматин и, как следствие, подвергается многим биологическим процессам, наблюдаемым в клеточном хроматине.  Вот только детальное описание его вириона трудно найти на просторах Pubmed.

Для того чтобы определить, способен ли SV40 к трансгенерационной эпигенетической регуляции, отдельными исследователями был проанализирован хроматин SV40 из минихромосом и вирионов на наличие модифицированных гистонов с использованием различных методов чипирования и выявлены соотношения этих модификации со специфическими биологическими эффектами на жизненном циклe SV40. Потому, что модификация гистонов это:

  • второй важнейший эпигенетический тип маркеров, влияющих на транскрипцию;
  • меняет заряд гистонового хвоста;
  • привлекает специфические белки;

Обнаружено более 50 различных модификаций гистоновых белков, которые по-разному влияют на экспрессию генов SV40. Результаты исследований показали, что, как и его клеточный аналог, хроматин SV40 способен передавать биологически значимую трансгенерационную эпигенетическую информацию между инфекциями разного типа.

Если придерживаться распространенной точки зрения на эндогенизацию ретровирусов как на процесс «перехода» экзогенного ретровируса, вызывающего эпидемии среди своих новых хозяев, в эндогенный вирус-мутант, неспособный образовывать вирусные частицы и передаваться горизонтально, то надо предполагать еще и ту цену, которую уже заплатил отряд приматов и еще заплатит Homo sapiens  — вид рода люди (Homo) из семейства гоминид в отряде приматов за эту «интеграцию». Эндогенизация ретровируса неизбежно должна сопровождаться массовым вымиранием отдельных видов и даже семейств.

LTR ретротранспозоны

По своей структуре LTR ретротранспозоны гораздо более разнообразны, чем ретропозоны общей чертой всех LTR ретротранспозонов является наличие длинных концевых повторов (LTR). Длинные концевые повторы несут регуляторные последовательности, в первую очередь внутренний промотор (5’ LTR), а также сигнал для полиаденилирования (3’ LTR). Одна из групп LTR ретротранспозонов, как считается на сегодняшний день, дала начало ретровирусам, к которым относится вирус иммунодефицита человека (HIV).

Эволюционный информационный поток замкнулся

Individual Sequences & Maps

Так, что по нашему мнению, без изучения истории отряда приматов, истории успехов Rotary International и опубликованных Всемирной организацией здравоохранения циклов брюсселляторов вакцины RV144 из United States Military HIV Research Program, нормальную модель пандемии SARS-COV-2 составить довольно сложно.

Если конечно не пойти по упрощенному пути составления моделей для COVID-19.

Может хватит уже Правительству РФ с экрана трубить о победах над Covid-19 и всерьез задуматься о проектировании и финансировании модели реального, уже вышедшим в фазу эндогенного вируса с развитой предисторией, которая началась с вакцин против полиомиелита, ВИЧ и учредительной конференции ООН?

И заменить, наконец, жадных вирусологов на телевизионных экранах на военных эпидемиологов? А тесты Roche на тесты Российского производства?

Никаких успехов в борьбе с SARS нет и уже не будет. Потому что с одной стороны — часть ВВП всей Российской Федерации, а с другой стороны 90 ВВП, которая управляется Биллом Гейтсом.

Потому, что вероятность выигрыша в антагонистической игре на уничтожение с противником, имеющим на вооружении ферритиновые вакцины и 5G — априори равна 1/90, то есть 0,0111(1).

Пока вопрос фактически объявленной всему миру генетической войны еще не превратился в главный вопрос обеспечения национальной безопасности?

Copyright © 2021 A-108.space | При поддержке решений Avril