一个肿瘤化学治疗空间结构模型的定性分析

合集下载

PCL-b-PEG-b-PCL聚合物载药体系的构建及抗肿瘤研究

PCL-b-PEG-b-PCL聚合物载药体系的构建及抗肿瘤研究

PCL-b-PEG-b-PCL聚合物载药体系的构建及抗肿瘤研究恶性肿瘤已成为导致人类死亡的第二大原因,仅次于心血管疾病导致的死亡率。

化学治疗是治疗转移性恶性肿瘤的重要手段之一。

但传统化疗对肿瘤组织和细胞缺乏选择性杀灭作用,常规治疗剂量即可对正常组织器官产生显著毒副作用,导致患者不能耐受,降低药物疗效。

为了提高抗肿瘤药物的靶向性和生物利用率,降低毒副作用,改善治疗效果,纳米药物载体已成为肿瘤化疗研究的热点领域,其中代表性的给药系统有脂质体、纳米粒、纳米乳、聚合物胶束、聚合物囊泡等。

两亲性聚合物能够在不同条件下自组装成聚合物胶束、聚合物囊泡等不同结构的药物载体。

本文以具有良好生物相容性和可生物降解性的两亲性三嵌段共聚物—聚己内酯-b-聚乙二醇-b-聚己内酯(PCL-b-PEG-b-PCL)为载体材料,通过分子自组装用不同亲水/疏水链段的PCL-b-PEG-b-PCL分别研制出聚合物胶束和聚合物囊泡这两种药物载体,同时,进一步研制出基于PCL-b-PEG-b-PCL的磷脂-聚合物杂化纳米粒作为第三种药物载体。

以目前临床使用最广泛的抗肿瘤药物紫杉醇和阿霉素为模型药物,研制载紫杉醇聚合物胶束、叶酸靶向载紫杉醇磷脂-聚合物杂化纳米粒、双重载药(亲水内腔载阿霉素、疏水双分子膜层载紫杉醇)聚合物纳米囊泡,研究其作为抗肿瘤药物载体的有效性。

本文的主要研究内容如下:一、两亲性三嵌段共聚物PCL-b-PEG-b-PCL形成不同载体的研究两亲性聚合物可以自组装形成球状胶束、柱状胶束、蠕虫状胶束、聚合物囊泡等不同结构,亲水链段的质量比或体积比、共聚物分子量及制备方法是决定自组装形成不同载体结构的关键参数。

对两亲性三嵌段共聚物PCL-b-PEG-b-PCL,目前尚无研究文献报道其形成聚合物胶束和聚合物囊泡所需亲水疏水嵌段比及分子量。

本文合成了一系列质量可控、结构准确的不同分子量、不同比例亲水疏水链段的聚合物,已经初步确定了PCL-b-PEG-b-PCL聚合物自组装形成囊泡的亲水部分与疏水部分的比例及形成囊泡的规律。

免疫组织化学检查——肿瘤诊断治疗的好帮手

免疫组织化学检查——肿瘤诊断治疗的好帮手

免疫组织化学检查——肿瘤诊断治疗的好帮手免疫组织化学检测,是根据抗原与抗体特异性结合的原理,使用特殊标记技术对组织或细胞中的特异性抗原或抗体进行定性检测的一种检测技术。

免疫组织化学检测具有特异性强、灵敏度高、操作步骤简单的特点,在病理诊断工作中应用广泛。

采用该项检查技术,不仅提高了病理诊断的准确性,而且在分析肿瘤起源、确定肿瘤性质、指导后续治疗等各方面都发挥出了重要作用。

一、有利于确定病原体与肿瘤的关系免疫组化检测可以应用于研究病原体引起癌症的机理,该检测方法在发现癌症发生原因工作中有着重要意义。

例如在对乙肝病毒进行免疫组织化学检测时,通过使用HBsAg单克隆抗体与多克隆抗体,还有已经被生物素标记过的HBVDNA 探针,可以清晰的检测出标志物。

二、有利于确定肿瘤的发生起源免疫组化检查技术在研究肿瘤来源的过程中也起到了关键作用,通过开展免疫组化检测,可以研究清楚在各种肿瘤细胞中表达的特异性抗体,有助于人们更加明确的发现肿瘤的真正起源,例如淋巴结组织内存在大量恶性肿瘤细胞,利用免疫组化就能够有助于人们判断肿瘤细胞起源。

三、有利于鉴别诊断肿瘤的发展位置免疫组织化学检验还普遍应用于对肿瘤中的抗原进行检查,例如,通过检查甲胎蛋白来判别人体肝脏、卵巢、睾丸等部位是否出现肿瘤细胞。

若人体的消化道、卵巢、子宫、乳房和膀胱等部位的出现恶性肿瘤,那么这些部位会广泛分布有癌胚抗原,虽然该抗原不具备特异性,但是在一定的条件下依旧可以清晰识别出来,其表达情况如何可以直接反映出肿瘤的恶化程度。

除此之外,在前列腺肿瘤诊断过程中,已知前列腺酸性磷酸酶与前列腺肿瘤的分化程度呈现正相关,因此通过对其进行检测对于研究前列腺肿瘤的发展情况具有重要意义。

四、有利于区分分化差的肿瘤在对肿瘤疾病进行治疗的过程中,其细胞分化程度往往不同,单靠光镜无法具体判断之间的差别,因此正确分别出肿瘤和肉瘤是医生们亟待解决的问题。

通过利用免疫组化的标记细胞角蛋白(CK)、波形蛋白(Vimentin)、S-100蛋白、LCA(白细胞共同抗原,CD45RB)等就可以清楚区分。

分析化学在药物研发中的任务和作用

分析化学在药物研发中的任务和作用

分析化学在药物研发中的任务和作用摘要:基于对生物过程和基础化学更好的理解,以及高通量实验技术的进步和高性能计算资源的可用性,药物研发现已演变成一个更加科学和合理的过程。

药物研发目前处于药物被设计而不是被发现的阶段。

分析化学在药物的发现、开发和制造中发挥着重要的作用。

分析化学与药品质量直接相关。

本文结合作者在药物分析化学方面的研究成果和长期体会,论述分析化学在药物研究与开发方面的任务和作用。

关键词:分析化学;药物研发;任务;作用引言药物是用于预防、治疗和诊断疾病的物质,主要包括天然药物、化学合成药物和生物药物。

药品的质量直接关系到人们的身体健康和生命安全,为了保证用药安全、合理、有效,需要检验药物成品化学成分,需要控制药物生产过程质量,需要监控药物贮存过程质量,需要监测临床血药浓度变化,需要分析药物体内代谢过程等。

因此,如何加强药学院的仪器管理,充分发挥其优质资源作用,不仅是实现资源共享和提高使用效益的问题,而是关系到如何将药学院的仪器资源进行有机整合、支撑科技创新和成果转化的问题,是促进生物医药高层次人才培养的关键。

1、在药物研发中分析化学的任务1.1、药物身份鉴定药物识别是物体识别测试中用于识别身份的一项重要的基础测试。

质谱法是确认药物身份最可靠的方法,样品必须与标准样品具有相同的分子量。

红外光谱法是使用最频繁的一种定性分析技术,测量样品的红外吸收光谱的指纹区域,与标样的已知光谱相比较。

紫外(UV)光谱和核磁共振(NMR)也用于身份分析。

高效液相色谱保留时间经常被用于身份鉴定,要求样品和标样的色谱保留时间差异在一定范围以内。

作为发行测试的一部分,对原料药(API)必须有两种身份鉴定,普遍使用红外光谱法和高效液相色谱保留时间。

对于药品发行测试,紫外(UV)光谱或高效液相色谱保留时间经常被用于身份鉴定。

纯度是检验活性药物成分和药品质量的又一重要指标。

药品杂质对人体有害,即使是有少量这些有害化学品的存在可能会影响药品的安全性。

《2024年肿瘤生长的动力学建模及抑制策略的研究》范文

《2024年肿瘤生长的动力学建模及抑制策略的研究》范文

《肿瘤生长的动力学建模及抑制策略的研究》篇一一、引言肿瘤生长作为复杂的生物学过程,涉及多个细胞与分子的交互作用。

对肿瘤生长进行动力学建模与模拟,不仅能够深入理解其生长机制,还可为抗肿瘤策略的制定提供重要依据。

本文将重点讨论肿瘤生长的动力学建模及其在抑制策略中的应用。

二、肿瘤生长动力学建模1. 模型建立基础肿瘤生长的模型通常基于细胞增殖、凋亡、血管生成等生物学过程。

这些过程受到多种基因、信号通路和环境因素的影响,形成一个复杂的网络系统。

通过数学方法,可以建立描述这一系统的动力学模型。

2. 模型构建在动力学模型中,通常使用微分方程来描述肿瘤细胞数量随时间的变化。

这些方程可以包括细胞增殖率、凋亡率、营养供应等参数,以及它们之间的相互作用。

此外,还可以考虑免疫系统对肿瘤生长的影响,建立更为复杂的模型。

3. 模型验证与优化通过收集临床数据和实验数据,可以对模型进行验证和优化。

这包括比较模型预测的肿瘤生长曲线与实际数据,调整模型参数以优化拟合度。

此外,还可以通过模拟不同治疗策略下的肿瘤生长情况,评估模型的有效性。

三、肿瘤生长抑制策略1. 化疗与靶向治疗化疗和靶向治疗是目前常用的肿瘤抑制策略。

通过使用化疗药物或靶向药物,可以抑制肿瘤细胞的增殖,促进其凋亡。

这些策略的效果可以通过动力学模型进行预测和评估。

2. 免疫治疗免疫治疗通过增强患者免疫系统对肿瘤的攻击能力,达到抑制肿瘤生长的目的。

这包括免疫检查点抑制剂、过继性细胞疗法等。

这些策略的效果也可以通过动力学模型进行模拟和优化。

3. 综合治疗策略综合治疗策略通常结合多种治疗手段,以达到最佳的治疗效果。

例如,化疗与免疫治疗的联合使用,可以同时抑制肿瘤细胞的增殖并增强免疫系统的攻击能力。

这种策略的效果也可以通过动力学模型进行评估和优化。

四、结论与展望通过对肿瘤生长的动力学建模与模拟,我们可以更深入地理解肿瘤生长的机制和影响因素。

同时,这为制定有效的抗肿瘤策略提供了重要的依据。

IVIM-DWI参数对卵巢良恶性肿瘤的诊断效能及与肿瘤标志物、临床病理因素相关性分析

IVIM-DWI参数对卵巢良恶性肿瘤的诊断效能及与肿瘤标志物、临床病理因素相关性分析

Vol39 No3May , 2021第39卷第3期2021年5月影像科学与光化学Imaging Science and Photochemistryhttp : //www. yxkxyghx. orgIVIM-DWI 参数对卵巢良/恶性肿瘤的诊断效能及与肿瘤标志物、临床病理因素相关性分析林 栋】",黄家杰】,吴尚文2,覃 尼】,许华莉】1.防城港市中医医院影像科,广西防城港538021;2.防城港市中医医院检验科,广西防城港538021摘要:本文探讨了磁共振体素不相干运动扩散加权成像(IVIM-DWI )参数鉴别诊断卵巢良/恶性肿瘤的价值。

选取卵巢肿瘤患者108例,比较良/恶性肿瘤表观扩散系数(ADC )、慢扩散系数(D lw)等参数。

结果显示,恶性肿瘤的IVIM-DWI 参数(ADC 值、Dg 和快扩散系数分数f 值)低于良性肿瘤(P <0. 05); ADC 值、D lw 和f 值诊断恶性卵巢肿瘤的ROC 曲线下面积分别为0. 816、0.915 和 0. 852(P <0. 05); ADC 值、D lw 与糖类抗原 125(CA125)呈负相关(r =—0. 457 和 —0. 553,P <0. 05);临床分期(〜**患者的IVIM-DW I 参数ADC 值明显低于I 〜#患者(P < 0.05)。

本文结果证明IVIM-DWI 技术参数在卵巢肿瘤鉴别诊断中有一定应用价值,其参数ADC 、D lw 水平与恶性肿瘤患者CA125水平有关,ADC 值与临床分期有关。

2020-10-30 收稿,2021-03-10 录用*通讯作者关键词:磁共振体素不相干运动扩散加权成像;卵巢肿瘤;糖类抗原125;临床病理doi : 10. 7517/issn 1674-0475. 201015The Diagnostic Efficiency of IVIM-DWI in Benign and MalignantOvarian Tumors and the Correlation with Tumor Markersand Clinicopathological FactorsLIN Dong 1* , HUANG Jiajie 1, WU Shangwen 2, QIN Ni 1, XU Huali 11. Department of Imaging , Fangchenggang Hospital of Traditional Chinese Medicine , Fangchenggang 538021,Guangxi , P . R . China ; 2. Department of Labrratrry Medicine , Fangchenggang Hospital of TraditionalChinese Medicine , Fangchenggang 538021 , Guangxi , P . R . China )Abstract : The aim of this study was to investigate the value of introvoxll incoherent motion diffusion-weighted magnetic resonanceimaging (IVIM-DWI ) in the diagnosis of benign and malignant ovarian tumor. There were 108 patients with ovarian tumors whowere selected to compare the differences of IVMI-DWI parameters between benign and malignant tumors. The results showed thatthe IVIM-DWI parameters including apparent diffusion coefficient (ADC), slow diffusion coefficient (Dsiow) and fast diffusion coe f icientscore (f value ) ofmalignanttumorwerelowerthanthatofbenigntumor (P <0.05).TheareaunderROCcurveof ADC Dslowand f valueinthediagnosisofmalignantovariantumorwere0.816 0.915and0.852 respectively (P <0.05).ADC and Dsiow were negatively correlated with carbohydrate antigen 125(CA125) (r =―0. 457 and 一0. 553 , P <0. 05). The ADC inpatients with clinical stage was significantly lower than that of patients I -# (P <0. 05). In a word , IVIM-DWI parametershaveacertainapplicationvalueinthediagnosisofbenignandmalignantovariantumors andtheADC D slow levelsareco r elated withCA125andclinicalstageofpatientswithmalignanttumors&407408影像科学与光化学第39卷Key words:introvoxel incoherent motion diffusion-weighted magnetic resonance imaging(IVIM-DWI);ovarian tumor;carbohy-dra8eanigen125$clinicopa8hology卵巢肿瘤是危害妇女健康的常见肿瘤,发病率为4.35%〜23.9%,其中恶性肿瘤约占10%,且死亡率较高'1(。

肿瘤发展与转移过程数学模型构建

肿瘤发展与转移过程数学模型构建

肿瘤发展与转移过程数学模型构建肿瘤是一种恶性疾病,其发展与转移过程涉及许多复杂的生物学、化学和物理学机制。

为了更好地理解和预测肿瘤的发展和转移行为,科学家们使用数学模型来模拟和研究这个过程。

数学模型可以帮助我们揭示病理过程中的关键因素和相互作用,为肿瘤治疗提供指导和优化方案。

首先,我们需要确定肿瘤的基本属性和特征。

肿瘤的细胞分化程度、增殖速率、扩散能力以及生长受限因素等对肿瘤发展过程产生重要影响。

通过研究和实验数据,我们可以建立数学方程来表达这些属性,例如Gompertz模型、Logistic模型、Malthus模型等。

其次,我们需要考虑肿瘤细胞的扩散和迁移过程。

肿瘤转移是肿瘤生长和发展的关键环节,也是治疗困难的主要原因之一。

数学模型可以帮助我们量化肿瘤细胞在局部组织和远处器官之间的迁移速率和模式。

有一些常用的扩散模型,如Fick扩散方程、横向扩散方程和Random Walk模型,可以帮助我们描述肿瘤细胞在不同环境中的扩散行为。

另外,血管新生是肿瘤发展过程中的一个重要步骤。

肿瘤的生长和转移需要血管供应营养物质,因此模拟肿瘤血管新生过程对于研究肿瘤发展具有重要意义。

一些血管新生模型,如Vasculogenesis模型和Angiogenesis模型,可以帮助我们理解肿瘤血管生成的机制和关键影响因素。

此外,免疫系统在抑制肿瘤发展和转移中发挥着重要作用。

免疫细胞的活动、浸润以及肿瘤和免疫细胞之间的相互作用对于肿瘤的演变和转移也起到至关重要的作用。

数学模型可以帮助我们量化免疫系统在肿瘤发展中的作用,并预测不同治疗策略对肿瘤免疫应答的影响。

最后,为了使数学模型更准确地反映真实情况,我们需要进行参数估计和模型验证。

通过与实验数据的比较和验证,我们可以确定模型参数的值,并进一步优化模型,以获得更具预测性能的结果。

总之,肿瘤发展与转移过程数学模型的构建是一项复杂而关键的工作。

通过建立数学方程、扩散、血管生成和免疫模型等,我们可以更好地理解和预测肿瘤的发展和转移行为,为肿瘤治疗提供指导和优化方案。

癌胚抗原CEA三维空间结构同源模建

癌胚抗原CEA三维空间结构同源模建
目前的结构模型精修软件有:GROMOS 使用分子模拟法。 CEA 使用 CHARMM 程序来进行结构精修,首先使用 25 步来修改主要的立 体结构冲突,然后通过 500 步得到能量最小化。这种最小化得到较好的肽段几何 构象并修改了所有的立体结构冲突。最终每个结构域都得到一个稳定的能量值。
(7)模型评估 最终的同源结构模型需要通过评估来确保其结构的特性符合其生理生化规
在 CEA 结构预测中,通过文献阅读得到 CEA 是免疫球蛋白家族成员,具有 七个免疫球蛋白结构域。这里主要对其氮端三个结构域 CEA(N), CEA(1A), CEA(1B) 进行建模。挑选了 CD2(R1), CD4(H1), CD4(H2), 1REI(V), 3FAB(VH), 和 3FAB(VL)(这些结构是储存在 Brookhaven 的蛋白质结构数据库中的,而不 是 PDB 数据库)作为待选模板,然后使用 ALIGN 程序进行序列比对,来选择合 适的模板蛋白序列。这里需要注意,合适的模板并不一定意味着是序列比对的分 最高的蛋白序列,还要综合考虑较高的序列相同性,结构的分辩率,合适的辅因 子和一致的保守位点等。这里选择 CD4(H2)作为 CEA(1B)的主要模板,是因 为它们具有较高的相似性,但它没有该保守二硫键,故还选择 CD4(H1)和 1REI(V) 作为模板构建二硫键(C225-C265)对应区域,即 225-237 位和 252-265 位使用 CD4(H1)为模板。最终 CEA(N)以 CD2(R1), CD4(H1) 和 1REI(V) 为模板;
当前常用的侧链预测程序使用旋转异构体(rotamers)的概念。旋转异构体 是偏向于从已知蛋白晶体结构中提取的侧链扭转角度。这些倾。这 样可以大大减少需要尝试的侧链构象数。预测的侧链构象选择与邻近原子具有最 低相互作用能量的旋转异构体。

数学建模-肿瘤诊断问题模型

数学建模-肿瘤诊断问题模型

肿瘤的诊断模型摘要本文对肿瘤的诊断问题,应用神经网络与模糊数学的理论,给出了几种乳房癌的量化诊断方案.首先,建立了LVQ神经网络模型,使用500组数据的前400组作为训练样本,用后100组数据对网络性能进行检测,诊断正确率达98%.然后对这500个特征向量进行了回归分析,从30个特征中筛选出了6个特征,它们分别是:细胞核直径均值、标准差和最坏值、紧密度的均值、面积的最坏值、周长的均值.并将以上6个特征用于LVQ网络,诊断正确率达95%.进一步考虑到神经网络与模糊数学各自的特点,将二者有机结合构造了神经模糊系统,并用以上的6个特征对系统进行训练,诊断正确率达96%.本文构造的模型具有良好的稳定性,对于模式识别问题具有很强的实用价值,最后本文提出了神经网络和模糊数学深层次结合的方向.一.问题的重述肿瘤通过穿刺采样进行分析可以确定其为良性或恶性.医学研究发现乳房肿瘤病灶组织的细胞显微图像的10个量化特征:细胞核直径,质地,周长,面积,光滑度,紧密度,凹陷度,凹陷点数,对称度,断裂度与该肿瘤的性质有密切关系.现有500个已确诊病例,每个病例的一组数据包括采样组织中各细胞核的这十个特征量的平均值,标准差和“最坏值”(各特征的3个最大特征的平均值)共30个数据.根据这500组数据建立诊断模型,并将其用于另外69名已做穿刺采样的患者.为节省费用发展一种只用此30个特征数据中的部分特征来区分乳房肿瘤是良性还是恶性的方法.二.问题的假设1.所给的500组病例具有广泛的代表性.2.500组病例所反映的良性与恶性的概率分布符合病例的自然分布.三.问题的分析本问题是一个典型的模式识别问题,要求根据它的特征量来进行分类.对于模式识别问题,现今有两类解决办法.一类是传统的线性模型.另一类是近年来发展起来的非线性模型.本题是一个典型的非线性问题,用传统的线性模型解决有一定的困难,而且识别率不高.所以非线性模型是解决此类问题的首选.现今常用的非线性模型有神经网络模型和模糊系统模型.神经网络由许多并行运算的简单单元组成,单个神经元的结构及其简单,但大量神经元相互连接组成人工神经元网络显示出人脑的某些特征:1)分布存储和容错性;2)大规模并行处理;3)自学习、自组织和自适应性;4)它并不是各单元行为的简单相加,而表现出一般复杂非线性动态系统的特性.神经元可以处理一些环境信息十分复杂、知识背景不清楚和推理规则不明确的问题,如乳房癌诊断问题.模糊集打破了传统的分明集只有0和1的界限,任意元素可同时部分地属于多个模糊子集,隶属关系用隶属的程度来表示.这更接近人的表述方式.模糊规则是定义在模糊集上规则,常采用“If-then ”(若…则…)的形式,可用来表示专家的经验、知识等.由一组模糊规则构成的模糊系统可代表一个输入、输出的映射关系.从理论上说,模糊系统可以近似任意的连续函数.模糊系统除了模糊规则外,还包括模糊逻辑推理和去模糊化的部分.由于模糊集能处理非定量的信息,因此在模式识别(尤其是具有模糊特点的识别问题)中模糊系统具有很大的优势,本题肿瘤的良性、恶性正是模糊概念,所以用模糊系统进行模式识别会得到很好的效果.为了避免量纲的影响,在应用数据之前对数据经行了标准化.标准化方法:用每个数据与整体均值的差除以整体标准差.四. 模型的建立与求解(一)神经网络模型学习向量量化(LVQ)是在监督状态下对竞争层进行训练的一种学习算法.LVQ 网络由一个竞争层和一个线性层组成.竞争层的神经元将输入向量分成组,由现行层组合到期望的类中.在任何给定的时刻,线性层的输出神经元只有一个非零输出1,该神经元就是竞争中得胜者.假定获胜的元为j N ,它之所以获胜的原因是它受到了最大的输入刺激,那么,j N 的总加权输入为i Ni ij j x S ∑==1ω其中,j S 表示j N 的状态,ij ω表示第j 个元到第i 个元的权值,i x 表示第i 个输入分量.其矩阵形式为j S j W x= 若元j N 获胜,就意味着{}k m k j W x W x},,2,1{max∈=若连接到每个输出层神经元的权向量 ),,,(21m k k k T k W W W W =都是规范化的,上式等价于{}Tk m k T j W x W x -=-∈},,2,1{min网络输入模式为k x 时,具有权向量T j W 与k x最近的元将获得竞争的胜利.若元j N 竞争获胜,将权值作如下调整()T j k T j W x W -=∆η (1)使获胜者的权向量向输入向量移近一小段距离,这使网络在遇到k x 或与k x接近的模式时,元j N 可以有更大的获胜可能性.若j N 在竞争中失败,将权值作如下调整()T j k T j W x W --=∆η (2)使权向离开样品的方向移动,这样就减小了错误分类的机会.在(1)、(2)式中,η表示学习率.在本模型中取η为0.01,取隐竞争层的神经元数为60,取输出层神经元数为2,并规定输出(0,1)为良性,输出(1,0)为恶性.用前400组数据作训练样本,经过15000次迭代,两类样本的聚类情况如下图:用后100组数据对训练进行检测,诊断正确率达98%.对69组待定病例的诊断结果如下表:病例号类别病例号类别病例号类别病例号类别914862 B 917062 B B 924632 B91504 M 917080 B 919812 B 924934 B91505 B 917092 B 921092 B 924964 B915143 M M 921362 B 925236 B915186 B 91789 B 921385 B 925277 BB 917896 B 921386 B 925291 BB 917897 B 921644 B 925292 BB 91805 B 922296 B 925311 B915452 B B 922297 B 925622 M915460 M B 922576 B 926125 M91550 B 918192 B 922577 B 926424 M915664 B 918465 B 922840 B 926682 M915691 M 91858 B 923169 B 926954 M915940 B B 923465 B 927241 MB B 923748 B 92751 B916221 B M 923780 B916799 M 919537 B 924084 B916838 M 919555 M 924342 B为了节省费用,增加网络训练速度,考虑将所给的数据降维,用多元回归分析的逐步回归法对数据进行了回归分析,把30个特征做为自变量,因变量采用良性病例取值为0,恶性病例取值为1.逐步回归法避免了只将变量剔除就不再选入的缺点,它可以将变量反复选入、剔除,最终可得到一组最优权值,结果如下图所示:从30个特征中筛选出了6个特征,它们分别是:细胞核直径均值、标准差和最坏值、紧密度的均值、面积的最坏值、周长的均值.只用以上6个特征对网络进行训练,仍使用前400组数据作为训练,用后100组数据检验,诊断正确率达95%.对69组待定病例的诊断结果如下表:病例号类别病例号类别病例号类别病例号类别914862 B 917062 B B 924632 B91504 B 917080 B 919812 B 924934 B91505 B 917092 B 921092 B 924964 B915143 M M 921362 B 925236 B915186 B 91789 B 921385 B 925277 BB 917896 B 921386 B 925291 BB 917897 B 921644 B 925292 BB 91805 B 922296 B 925311 B915452 B B 922297 B 925622 M915460 M B 922576 B 926125 M91550 B 918192 B 922577 B 926424 M915664 B 918465 B 922840 B 926682 M915691 B 91858 B 923169 B 926954 M915940 B B 923465 B 927241 MB B 923748 B 92751 B916221 B M 923780 B916799 M 919537 B 924084 B916838 M 919555 M 924342 B五.神经模糊系统模型从映射角度看,模糊系统和神经网络都具有(非线性)函数近似的能力.它们有着以下的共同之处:(1)它们均可以从给定的系统输入/输出信号(数据)中,建立系统的(非线性)输入/输出关系.(2) 从数据处理的形式上看,它们均采用并行处理的结构.但是,模糊系统和神经网络有着明显的不同之处.神经网络虽然对环境的变化具有较强的自适应学习能力,但是从系统建模的角度而言,它采用的是典型的黑箱型的学习模式.因此当学习完成后,神经网络所获得的输入/输出关系无法用容易被人接受的方式表示出来.相反,模糊系统是建立在被人容易接受的“如果-则”表达方法之上,但如何自动生成和调整隶属度函数和模糊规则,则是一个很棘手的问题.因此,将模糊理论和神经网络有机结合起来,取长补短,提高整个系统的学习能力和表达能力,是目前这一领域最受人注目的课题之一.神经网络和模糊系统的等价性:[Kolmogorov 定理] 给定任意连续函数y x f R U f m n =→)(,:,这里U 是单位闭区间[0,1],f 可以精确地用一3层前向网络实现,此网络的中间层(隐层)有2n+1个处理单元.[BP 定理] 给定任意0>ε和任意2L 函数m n R f →]1,0[:,存在一3层BP 网络,它可在任意ε平方误差精度内逼近f .[模糊系统的存在定理] 给定任意连续函数R U f n →:和任意0>ε,存在由(1)式定义的)(x g 使 .神经网络和模糊系统各自本身就是一个非线性的输入/输出映射,因此模糊系统可以用一等家的神经网络来表示,同样,神经网络也可以用一等价的模糊系统来表示.基于神经网络的模糊系统:模糊系统采用高木-管野(Takagi-Sugeno Model )(简称TS 模型): 如果1x 为j A 1,和2x 为 ,2j A ,和n x 为j n A ,则)(x f y j =输入变量的联合隶属函数和结论部的函数f j (x)都用神经网络来求得.模糊规则的个数由减法聚类方法得到,聚类参数如下:Range of influence: 0.3 Squash factor: 1.1 Accept factor: 0.6 Reject ratio: 0.15神经网络采用前向的BP 网络,神经元的传递函数为Sigmoid 函数,输出层采用线性函数.网络结构如下图所示:由于系统的结构比较复杂,用30维的数据进行训练十分缓慢,只用了前面已提取出的6个特征对系统进行了训练,得到了神经模糊系统.用后100组数据进行检验,诊断正确率达96%.六.模型的进一步讨论神经网络和模糊系统的融合大致有两种形式:一种是用神经网络生成模糊系统的隶属函数和模糊规则来构造模糊系统,一种是使用模糊系统来初始化神经网络的初始权值来构造神经网络.二者都可用于模式识别,并都有良好的效果.但二者的特点又各不相同,第一种形式具有更加人性化的输出,便于构造专家系统,第二种形式有更好的自适应性.对于模型的进一步讨论可以考虑二者的进一步结合,可以让两种系统按并行或串行的方式结合到一起,前一种系统的输出作为后一种系统的输入,这样二者接替使用,最终由模糊系统输出结果,用于专家系统的分析.参考文献[1] 赵振宇、徐用懋,模糊理论和神经网络的基础与应用,清华大学出版社.[2] 袁曾任,人工神经元网络及其应用,清华大学出版社.[3] 叶其孝,大学生数学建模竞赛辅导教材,湖南教育出版社.[4] 施阳、李俊,MATLAB语言工具箱-TOOLBOX实用指南,西北工业大学出版社.[5] 徐昕、李涛、伯晓晨,MATLAB工具箱应用指南-控制工程篇,电子工业出版社.。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

第51卷第2期 2012年3月 中山大学学报(自然科学版) ACTA SCIENTIARUM NA I RALIUM UNIVERSITATIS SUNYATSENI Vol_51 No.2 

Mar. 2012 

一个肿瘤化学治疗空间结构模型的定性分析 高帅帅 ,卫雪梅 ' (1.广东工业大学应用数学学院, 2.中山大学数学与计算科学学院, 

冯兆永 广东广州510006; 广东广州510275) 

摘 要:研究了一个肿瘤化学治疗反应的空间结构的数学模型,这是一个动力系统模型,它是偏微分方程的自 由边界问题。假设肿瘤的繁殖和死亡由局部药物浓度决定。在一些条件下,通过运用抛物方程的 理论、压缩 映像原理证明了这个问题局部解的存在唯一性,然后用延拓方法得到了整体解的存在唯一性。在另外一些条件 下,通过运用反应扩散方程的上、下解方法,得到了:当0<w≤w 时,此模型没有稳态解;当w <w<历 时,此模型有唯一的稳态解(w ,R )。 关键词:肿瘤生长;自由边界问题;化学治疗;整体解;稳态解 中图分类号:O175.2 文献标志码:A 文章编号:0529—6579(2012)02—0030—05 

Analysis of a Mathematical Model of the Response of Spatially Structured Tumors to Chemotherapy Model 

GAO Shuaishuai ,WEI Xuemei ,FENG Zhaoyong (1.Institute of Applied Mathematics,Guangdong University of Technology,Guangzhou 510006,China; 2.School of Mathematics and Computational Science,Sun Yat—sen University,Guangzhou 510275,China) 

Abstract:A mathematical model of the response of spatially structured tumors to chemotherapy:drug ki— netics is studied.The model is a free boundary problem of a partial differential equation.The tumor is as— sumed to comprise a single cell population which reproduces and dies at a rate dependent on the local drug concentration.By using the method of the Lp—theory for parabolic equations,the Banach fixed point theorem and the extensions method under some general conditions,it is proved that this problem has a u— nique global solution.And then,by applying upper and lower solution method in the theory of reaction diffusion equations under some other general conditions to obtain the stationary solution.It is proved that if0<w≤w ,there is no stationary solution;IfW <W<历,there is a unique stationary solution (W (r),R )(R >0). Key words:tumor growth;free boundary problem;chemotherapy;global solution;stationary solution 

早在20世纪70年代人们就发现,肿瘤生长的 基本规律在数学上可表述为偏微分方程的自由边界 问题 。在生物和医学中,很多关于体内和体外 肿瘤细胞生长的模型已被提出。随着人们研究的深 人,考虑的参量越来越多,描述的肿瘤生长的自由 边界问题的形式也越来越复杂。目前,关于这些自 由边界问题的严格数学分析正在逐步深入地进行 着,并且已经得到很多有意义的结果 。 本文研究了一个肿瘤化学治疗反应的空间结构 模型。这个模型是Norris等在文[1O]中提出来 

收稿日期:2011—05—19 基金项目:国家自然科学基金资助项目(11171357);广州市科技计划资助项目(2010C6一100011);教育部留学回 国人员科研启动基金资助项目 作者简介:高帅帅(1986年生),女,硕士生;通讯作者:卫雪梅;E—mail:wxm—gdut@163.con 第2期 高帅帅等:一个肿瘤化学治疗空间结构模型的定性分析 31 的。这里假设肿瘤生长模型是连续的(i.e.繁殖 和死亡的过程是连续的),肿瘤细胞球体对称且是 不可压缩的,药物按比例浓度抑制细胞生长。这是 一个简单的肿瘤细胞生长模型,它使药物的化学治 疗的效果尽可能的明显。这实质上是一个偏微分方 程的自由边界问题。这个问题的具体模型如下: (r )=k 一k(w),0<r≤s(t), >o(1) 0w 十 1 0,(r = 1,一0(r2 )一 , 0<r<S(t),t>0 (2) : (s( ),£), >0 (3) s(o):1, (r,0)=W。(r),0≤r≤.s( )(4) (o,£)=0, (o, )=0, >0 (5) 钾(S(£), )= ( ),t>0 (6) 其中 ,W,S是未知函数,它们分别代表活肿瘤细胞 移动速度、药物浓度和肿瘤细胞球体半径,k 为细 胞净繁殖率(i.e.k =细胞繁殖率一细胞死亡率), k 是正常数。且 =kor2o/D , =D %W0 /(ko ) 是无量纲参数,其中k。是在理想状况下(i.e.在 养分充足、空间自由、细胞增殖不受阻碍的条件 下)的细胞繁殖率,r0是肿瘤的初始半径,D 是药 物扩散系数,oL。是与药物降解率有关的细胞杀伤 率,w。外部最高药物浓度, 单个活肿瘤细胞的平 均体积,k。,r。,D ,W。, 是正常数,从而卢, 也是正常数。考虑了两种不同形式的药物效用函数 (W): ( ): , 。 。(1) L /(kd+W),case(Ⅱ) 其中 是药物效用函数,k 是一个临界药物浓度。 易知Case(I)线性动力系统和Case(1I)米氏动 力系统有不同的形式,显然k(w)是Lipschitz连续 的。 本文的主要目的是对这个非线性问题做严格的 数学分析。我们将讨论以下3个问题:①局部解的 存在唯一性;②整体解的存在唯一性;③稳态解的 分布。 在第1—3节中,将在下面的假设下讨论整体 解的存在唯一性: (A )0≤W(t)≤面,其中历是一个正常数; (A:)W。(r)在0≤r≤S(t)时是连续可微的, W 0(r)是Lipschitz连续的,i.e.W(r)∈ ’ (0,T)。 在第4节中将在下面假设下讨论稳态解的分 布: (B,)f E C [0,0O),厂(W)>0, 0)=0(即 对V W>0,有 W)>0),其中 W)如第4节中 定义)。 (B )g∈Cl[0,∞),g (W)<0且在任意的区 间上不恒等于零,且存在 >0使得g(W )=0 (即当0<W≤W 时,g(W)>0;当W <W<历 时,g(W)<0),其中g(W)如第1节中定义。 (B。)=(A )。 本文主要结果如下: 定理1假设条件(A。),(A )满足,则对 任意的T>0,系统(1)一(6)存在唯一的整体解 (s(t),仞(r,t)),当0≤t≤T时,s(£)∈C [0,T], 且0≤W(r,t)≤面。 定理2假设条件(B ),(B )和(B )满 足,则下列结论成立: (i)当g(w)<0时,或者等价地说W < <面 时,系统(1)一(6)有唯一的稳态解。 (ii)当g(面)>0时,或者等价地说O<W≤W 时,系统(1)一(6)没有稳态解。 

1问题的简化 将(1)代入(2)可得一个等价的问题如下 (F2y)=g( ),0<r≤.s( ),£>0(7) Ow+ Ow

= (r2 )一g(w)一h(wV W W W),_十——=— ——l r— — J一 ,. 

B 、 ~ 

0<r<S( ),t>0 (8) 

: ( ( ),£),£>0 (9) s(o)=1,W(r,0)=W0(r),0≤r≤S(£) (1O) 

v(O, ):0, (0, )=0,f>0 (11) (S(f),t)=W( ),t>0 (12) 其中 g(w)= 一 (W),h(w)= (w)/(fla) 显然g(W)和h(W)是Lipschitz连续的。 作变量替换 

J o (13) ¨ 并记 “(z,下)=.s(£) (r,t), (r)=Js( ),n(z,r)=w(z,t) 则自由边界问题(7)一(12)转换为在固定区域 {( ,7-)10≤ ≤1, ≥0}上的初边值问题如下: 32 中山大学学报(自然科学版) 第51卷 1,dz0(z2u)=叼 ( )g(凡)

,o< <l, >0 

(14) u(0, )=0, >0 (15) O n +d( ) = 1 0(z o n)

Bz dz — dT dz dz 

P( ,/2)/2一q(.,7,n),0<z<1, >0(16) 

= ) ,丁),r>0(17) '7(0)=1,n(z,0)=no( ),0< <1(18) O n(、o,7-)=0,丁>0 (19) 

n(1, )=n(r), >0 (20) 其中 d( ,丁)=u(z,tr)一 M(1,r) 且 P(77,n)=叼 ( )g(n),g(叼,n)=叼 ( ) (n) (21) 上面的结果可以总结为如下引理。 引理1 在变量替换(13)下,初边值问题 (14)一(20)与自由边界问题(7)一(12)是等价的。 

2基本引理 下面我们将介绍一个基本引理,首先引进一些 记号: (i)记Q ={( , )1 0<z<1,0< <T},T >0; (ii)对1≤P<∞,记 ’ (Q )为抛物区域 Q,上的t向异性Sobolev空间,i.e. ’ (Q )={“∈ (Q )f eL (Q ),m+2k≤2} 

相关文档
最新文档