Мы представляем новую структуру для синтетического формирования популяции, использующую условно-генеративные состязательные сети (CGAN) для получения микроданных о состоянии здоровья на индивидуальном уровне от маргиналов на популяционном уровне. В частности, наш подход позволяет синтезировать реалистичные микроданные для целевых групп населения, где доступны только агрегированные статистические данные, такие как распределение по возрасту и полу и распространенность заболеваний. Для решения проблем, связанных с нехваткой данных и ограничениями конфиденциальности, мы разрабатываем архитектуру cGAN, которая фиксирует и переносит сложные взаимозависимые взаимосвязи (например, зависимости от возраста и заболеваний) от исходной популяции с микроданными к целевой популяции, описываемой маргиналами. Гибридная функция потерь обеспечивает точность целевых показателей, сохраняя при этом эпидемиологическую реалистичность сгенерированных выборок. Мы оценили наш метод, используя поведенческий риск 2023 года Набор данных системы эпиднадзора за факторами риска (BRFSS) из США, демонстрирующий четкое соответствие с реальными распределениями по нескольким штатам. Модель точно воспроизводит закономерности сопутствующей заболеваемости и корреляции между возрастом и заболеваемостью, хотя они не были частью данных о влиянии факторов риска. Наши результаты показывают, что этот метод позволяет создавать масштабируемые и конфиденциальные синтетические данные, которые могут найти применение в моделировании общественного здравоохранения и агентном моделировании, особенно в регионах, где нет подробных данных на индивидуальном уровне.
We present a novel framework for synthetic population generation using conditional Generative Adversarial Networks (cGANs) to infer individual-level health microdata from population-level marginals. Specifically, our approach synthesizes realistic microdata for target populations where only aggregate statistics are available, such as age-sex distributions and disease prevalence. To address the challenges of data scarcity and privacy constraints, we develop a cGAN architecture that captures and transfers complex intervariable relationships (e. g., age-disease and disease-disease dependencies) from a source population with microdata to a target population described by marginals. A hybrid loss function enforces the fidelity to the target marginals while preserving the epidemiological realism of the generated samples. We evaluated our method using the 2023 Behavioral Risk Factor Surveillance System (BRFSS) dataset from the USA, demonstrating strong alignment with real-world distributions across multiple states. The model accurately replicates disease co-occurrence patterns and age-disease correlations, even though these were not part of the conditioning data. Our results suggest that this method can enable scalable and privacy-preserving synthetic data generation, with promising applications in public health modeling and agent-based simulation, particularly in regions lacking detailed individual-level data.
Идентификаторы и классификаторы
- SCI
- Электротехника
В демографических исследованиях данные могут быть представлены с разной степенью детализации. В большинстве случаев агрегированные (маргинальные) статистические данные описывают общие характеристики населения, такие как половозрастная структура (например, по данным переписи населения) или распространенность заболеваний, но не показывают, как эти характеристики сочетаются в рамках отдельных индивидов. Микроданные, напротив, представляют собой записи на индивидуальном уровне, в которых для каждого человека одновременно фиксируются несколько характеристик, хотя такие данные встречаются реже. Различие между этими двумя представлениями данных имеет решающее значение для популяционного синтеза, поскольку для получения реалистичных микроданных на основе маргинальных данных необходимо восстановить лежащие в их основе зависимости между переменными.
In population studies, data may be available at different levels of detail. In most cases, aggregated (marginal) statistics describe overall distributions in a population, such as age–sex structure (e. g., from census data) or disease prevalence, but do not capture how these characteristics are combined within individuals. In contrast, microdata represent individual-level records, where multiple attributes are observed jointly for each person, although such data are less commonly available. The distinction between these two representations is crucial for population synthesis, as generating realistic microdata from marginals requires reconstructing the underlying dependencies between variables.
Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.
Список литературы
1. Pezoulas V.C., Zaridis D.I., Mylona E., Androutsos C., Apostolidis K., Tachos N.S., Fotiadis D.I. Методы генерации синтетических данных в здравоохранении: обзор инструментов и методов с открытым исходным кодом. Computational and Structural Biotechnology Journal. 2024;23:2892-2910. DOI: 10.1016/j.csbj.2024.07.005
2. Ткаченко Н. Возможности использования синтетических данных в сфере охраны природы и климатического финансирования. Frontiers in Artificial Intelligence. 2024;6. Статья № e1012439. DOI: 10.3389/frai.2023.1168749
3. Мейер Д., Наглер Т., Хоган Р. Дж. Синтетическое увеличение объёма данных на основе копул для эмуляторов машинного обучения. Geoscientific Model Development. 2021;14(8):5205-5215. DOI: 10.5194/gmd-14-5205-2021
4. Капп А., Хансмайер Дж., Михалевич Х. Генеративные модели для создания синтетических данных о городской мобильности: систематический обзор литературы. ACM Computing Surveys. 2023;56(4). Статья № 93. DOI: 10.1145/3610224
5. Керр С.С., Стюарт Р.М., Мистри Д., Абейсурия Р.Г., Розенфельд К., Харт Г.Р., Нуньес Р.К., Коэн Дж.А., Сельварадж П., Хагедорн Б. и др. Covasim: агент-ориентированная модель распространения COVID-19 и мер по борьбе с ним. PLOS Computational Biology. 2021;17(7). Статья № e1009149. DOI: 10.1371/journal.pcbi.1009149
6. Фон Хёне Э., Росс А., Кавак Х., Андерсон Т. Синтетическая генерация населения с характеристиками, необходимыми для общественного здравоохранения, для пространственных агент-ориентированных моделей. PLOS Computational Biology. 2025;21(3). Статья № e1012439. DOI: 10.1371/journal.pcbi.1012439
7. Zhang J.-J., Dong X., Liu G.-H., Gao Y.-D. Факторы риска и защитные факторы, влияющие на заболеваемость, тяжесть течения и смертность от COVID-19. Clinical Reviews in Allergy & Immunology. 2023;64(1):90-107. DOI: 10.1007/s12016-022-08921-5
8. Skou S.T., Mair F.S., Fortin M., Guthrie B., Nunes B.P., Miranda J.J., Boyd C.M., Pati S., Mtenga S., Smith S.M. Мультиморбидность. Nature Reviews Disease Primers. 2022;8. Статья № 48. DOI: 10.1038/s41572-022-00376-4
9. Фэн Ю., Ван Ц., Ван Ю., Хелал С. Восполнение недостающих данных о распространенности множественных хронических заболеваний за счет совместного использования корреляций между внутри- и межзаболевательными данными о состоянии здоровья населения. В сборнике: WWW ’21: Материалы веб-конференции 2021. Под ред. Дж. Лесковца, М. Гробельника, М. Наджорка, Дж. Танга, Л. Зиа. Нью-Йорк: Ассоциация вычислительной техники, 2021. С. 183–193. DOI: 10.1145/3442381.3449811
10. Несто Р. В. Корреляция между сердечно-сосудистыми заболеваниями и сахарным диабетом: современные представления. The American Journal of Medicine. 2004;116(5):11-22. DOI: 10.1016/j.amjmed.2003.10.016
11. Шапюи К., Тайландье П., Дроголь А. Создание синтетических популяций в социальных симуляциях: обзор методов и практик. Journal of Artificial Societies and Social Simulation. 2022;25(2). Статья № 6. DOI: 10.18564/jasss.4762
12. Prédhumeau M., Manley E. Синтетическая выборка для агентного моделирования в Канаде. Scientific Data. 2023;10(1). Статья № 148. DOI: 10.1038/s41597-023-02030-4
13. Deming W.E., Stephan F.F. О корректировке методом наименьших квадратов таблицы частот выборки при известных ожидаемых итоговых значениях по строкам и столбцам. The Annals of Mathematical Statistics. 1940;11(4):427-444. DOI: 10.1214/aoms/1177731829
14. Lenormand M., Deffuant G. Создание синтетической выборки домохозяйств: методы без использования выборки и с использованием выборки. Journal of Artificial Societies and Social Simulation. 2013;16(4). Статья № 12. DOI: 10.18564/jasss.2319
15. Гарридо С., Борисов С.С., Перейра Ф.К., Рич Дж. Прогнозирование редких комбинаций признаков при синтезе популяций: применение глубокого генеративного моделирования. Transportation Research Part C: Emerging Technologies. 2020;120. Статья № 102787. DOI: 10.1016/j.trc.2020.102787
16. Чой Э., Бисвал С., Малин Б., Дьюк Дж., Стюарт У.Ф., Сан Дж. Генерация многоклассовых дискретных записей о пациентах с помощью генеративно-состязательных сетей. В сб.: Материалы 2-й конференции по машинному обучению в здравоохранении. Под ред. Ф. Доши-Велеса, Дж. Факлера, Д. Кейла, Р. Ранганатха, Б. Уоллеса, Дж. Винса. Бостон: PMLR, 2017. Т. 68. С. 286–305.
17. Phattharajiranan P., Muangsin V. Создание синтетической популяции с использованием сетей на основе трансформеров. В сб.: 27-я Международная конференция по компьютерным наукам и инженерии (ICSEC 2023). Остров Самуи: IEEE, 2023. С. 193–200. DOI: 10.1109/ICSEC59635.2023.10329722
18. Demela P., Pirastu N., Soskic B. Кросс-дисциплинарный генетический анализ иммунных заболеваний выявляет различные ассоциации генов, которые связаны с общими биологическими процессами. Nature Communications. 2023;14. Статья № 2743. DOI: 10.1038/s41467-023-2743
19. Li Y., Agarwal P. Взгляд на болезни человека и их взаимосвязь с точки зрения биохимических процессов. PLoS One. 2009;4(2). Статья № e4346. DOI: 10.1371/journal.pone.0004346
20. Данные и документация BRFSS. 2023. https://www.cdc.gov/brfss/annual_data/annual_2023.html (по состоянию на 21.04.2026).
1. Pezoulas V.C., Zaridis D.I., Mylona E., Androutsos C., Apostolidis K., Tachos N.S., Fotiadis D.I. Synthetic data generation methods in healthcare: A review on open-source tools and methods.Computational and Structural Biotechnology Journal. 2024;23:2892-2910. DOI: 10.1016/j.csbj.2024.07.005
2. Tkachenko N. Opportunities for synthetic data in nature and climate finance. Frontiers in Artificial Intelligence. 2024;6. Article No. e1012439. DOI: 10.3389/frai.2023.1168749
3. Meyer D., Nagler T., Hogan R.J. Copula-based synthetic data augmentation for machine-learning emulators. Geoscientific Model Development. 2021;14(8):5205-5215. DOI: 10.5194/gmd-14-5205-2021
4. Kapp A., Hansmeyer J., Mihaljević H. Generative models for synthetic urban mobility data: A systematic literature review. ACM Computing Surveys. 2023;56(4). Article No. 93. DOI: 10.1145/3610224
5. Kerr C.C., Stuart R.M., Mistry D., Abeysuriya R.G., Rosenfeld K., Hart G.R., Núñez R.C., Cohen J.A., Selvaraj P., Hagedorn B. et al. Covasim: An agent-based model of COVID-19 dynamics and interventions. PLOS Computational Biology. 2021;17(7). Article No. e1009149. DOI: 10.1371/journal.pcbi.1009149
6. Von Hoene E., Roess A., Kavak H., Anderson T. Synthetic population generation with public health characteristics for spatial agent-based models. PLOS Computational Biology. 2025;21(3). Article No. e1012439. DOI: 10.1371/journal.pcbi.1012439
7. Zhang J.-J., Dong X., Liu G.-H., Gao Y.-D. Risk and protective factors for covid-19 morbidity, severity, and mortality. Clinical Reviews in Allergy & Immunology. 2023;64(1):90-107. DOI: 10.1007/s12016-022-08921-5
8. Skou S.T., Mair F.S., Fortin M., Guthrie B., Nunes B.P., Miranda J.J., Boyd C.M., Pati S., Mtenga S., Smith S.M. Multimorbidity. Nature Reviews Disease Primers. 2022;8. Article No. 48. DOI: 10.1038/s41572-022-00376-4
9. Feng Y., Wang J., Wang Y., Helal S.Completing Missing Prevalence Rates for Multiple Chronic Diseases by Jointly Leveraging Both Intra- and Inter-Disease Population Health Data Correlations. In: WWW ’21: Proceedings of the Web Conference 2021. Eds.: Leskovec J., Grobelnik M., Najork M., Tang J., Zia L. New York: Association for Computing Machinery, 2021:183-193. DOI: 10.1145/3442381.3449811
10. Nesto R.W. Correlation between cardiovascular disease and diabetes mellitus: current concepts. The American Journal of Medicine. 2004;116(5):11-22. DOI: 10.1016/j.amjmed.2003.10.016
11. Chapuis K., Taillandier P., Drogoul A. Generation of synthetic populations in social simulations: A review of methods and practices. Journal of Artificial Societies and Social Simulation. 2022;25(2). Article No. 6. DOI: 10.18564/jasss.4762
12. Prédhumeau M., Manley E. A synthetic population for agent-based modelling in Canada. Scientific Data. 2023;10(1). Article No. 148. DOI: 10.1038/s41597-023-02030-4
13. Deming W.E., Stephan F.F. On a least squares adjustment of a sampled frequency table when the expected marginal totals are known. The Annals of Mathematical Statistics. 1940;11(4):427-444. DOI: 10.1214/aoms/1177731829
14. Lenormand M., Deffuant G. Generating a synthetic population of individuals in households: Sample-free vs sample-based methods. Journal of Artificial Societies and Social Simulation. 2013;16(4). Article No. 12. DOI: 10.18564/jasss.2319
15. Garrido S., Borysov S.S., Pereira F.C., Rich J. Prediction of rare feature combinations in population synthesis: Application of deep generative modelling. Transportation Research Part C: Emerging Technologies. 2020;120. Article No. 102787. DOI: 10.1016/j.trc.2020.102787
16. Choi E., Biswal S., Malin B., Duke J., Stewart W.F., Sun J. Generating multi-label discrete patient records using generative adversarial networks. In: Proceedings of the 2nd Machine Learning for Healthcare Conference. Eds.: Doshi-Velez F., Fackler J., Kale D., Ranganath R., Wallace B., Wiens J. Boston: PMLR, 2017. Vol. 68. P. 286-305.
17. Phattharajiranan P., Muangsin V. Generating synthetic population using transformer based networks. In: 2023 27th International Computer Science and Engineering Conference (ICSEC 2023). Samui Island: IEEE, 2023. P. 193-200. DOI: 10.1109/ICSEC59635.2023.10329722
18. Demela P., Pirastu N., Soskic B. Cross-disorder genetic analysis of immune diseases reveals distinct gene associations that converge on common pathways. Nature Communications. 2023;14. Article No. 2743. DOI: 10.1038/s41467-023-2743
19. Li Y., Agarwal P. A pathway-based view of human diseases and disease relationships. PLoS One. 2009;4(2). Article No. e4346. DOI: 10.1371/journal.pone.0004346
20. BRFSS Survey Data and Documentation. 2023. https://www.cdc.gov/brfss/annual_data/annual_2023.html ( accessed: 21.04.2026).
Выпуск
Другие статьи выпуска
В рамках данной работы исследуется модель динамики численности структурированной лимитированной популяции с дискретным временем. Предполагается, что к началу очередного репродуктивного периода популяция представлена двумя группами: младший (неполовозрелые) и старший (участвующие в размножении) возрастные классы. При этом изменение численности популяции обусловлено рождаемостью и смертностью, а также процессами лимитирования выживаемости как молоди, так и взрослых особей. Отметим, что подобная постановка задачи, объединяющая два механизма плотностно-зависимой регуляции – до сих пор не рассматривалась. В ходе исследования данной модели показано наличие двух стационарных состояний – нулевого, соответствующего гибели популяции, и ненулевого равновесия. Анализ устойчивости этих решений, а также построенные параметрические портреты, свидетельствуют, что повышение выживаемости старшей возрастной группы вызывает незначительные изменения области устойчивости, тогда как рост выживаемости младшей группы ведет к ее сужению. При этом показано, что увеличение скорости роста популяции и интенсивности лимитирования способны как подавлять, так и провоцировать возникновение колебаний численности. Исследованы возникающие режимы динамики и сценарии потери устойчивости. Дополнительно проведен сравнительный анализ динамического поведения для предложенной в данной работе модели с моделью, учитывающей лимитирование выживаемости только молоди. Показано, что ключевое отличие заключается в существенном сужении области устойчивости ненулевого равновесия и возникновении квазипериодических колебаний при более низких значениях скорости роста, что делает предложенную модель более согласованной с динамикой природных популяций, в которых колебания возможны при умеренных показателях рождаемости.
В представленной работе мы исследуем характер движения и распределения заряда по цепочке в процессе его блоховских осцилляций в постоянном электрическом поле. Проведённые ранее вычисления показали, что характер движения и распределения заряда по цепочке зависит от всего множества параметров системы. Например, при изменении только напряжённости электрического поля или начального распределения заряда может наблюдаться или равномерное движение, или колебательное, при неизменных остальных параметрах системы. В данной работе моделирование динамики заряда в постоянном электрическом поле проводилось в полинуклеотидных цепочках с различными параметрами частоты колебаний сайтов цепочки и коэффициента трения. Проведённые исследования показали существенные различия скорости и характера движения заряда в цепочках с различными значениями указанных параметров. Естественно, наибольший интерес представляет исследование движения заряда в полинуклеотидных цепочках, параметры которых близки к параметрам цепочек ДНК. Но численное моделирование динамики заряда в таких цепочках, как правило, более затратно по вычислительным ресурсам. Поэтому, для ускорения проводимых вычислений, сначала моделирование проводится в цепочках с более удобными параметрами. Показано, что в цепочках, с параметрами близкими к параметрам цепочек ДНК, заряд может только незначительно перемещаться по цепочке, осциллируя в области своего начального положения. При модельных значениях частоты колебаний сайтов цепочки и коэффициента трения, которые значительно превышают соответствующие значения параметров цепочек ДНК, заряд может продвигаться по цепочке на достаточно большое расстояние.
Связанные с полом различия в старении человеческого мозга были изучены с использованием большого массива экспериментальных данных. В качестве источника данных был использован открытый архив CamCan: магнитные энцефалограммы, зарегистрированные совместно с магнитно -резонансными изображениями головы, были получены для каждого из 434 испытуемых (в возрасте от 18 до 87 лет лет, средний возраст 54,7 ±18,4 ): 217 женщин (средний возраст от 18 до 87 лет 54,5 - 18,4) и 217 м/с (возраст 18,4 лет, средний возраст 54,8 ± 18,3)18,3). Записи были разделены на 10-летние возрастные группы, каждая из которых состояла из равного числа мужчин и женщин, чтобы правильно рассчитать средние интерсексуальные характеристики. С помощью массового решения обратной задачи на функциональных томограммах было рассчитано пространственное распределение элементарных спектральных компонентов. Физиологический шум был устранен путем совместного анализа функциональной томограммы на основе МЭГ и магнитно-резонансного изображения для каждого пациента. Затем многоканальные спектры были преобразованы во временные ряды мощности элементарных диполей тока. Суммарная электрическая мощность была рассчитана в шести общепринятых частотных диапазонах (дельта-ритм 1–4 Гц, тета-ритм 4–8 Гц, альфа-ритм 8–13 Гц, бета-ритм 1–21 Гц, бета-ритм 2–30 Гц, гамма-ритм 30–48 Гц), а также были изучены половые различия в возрастных изменениях. Было установлено, что в самой молодой возрастной когорте (18–29 лет) суммарная электрическая мощность мозга у мужчин в 1,5 раза выше, чем у женщин. У взрослых (30–69 лет) показатели у мужчин и женщин примерно равны, а в более старших возрастных группах (70–87 лет) суммарная электрическая мощность мозга у мужчин выше. Зависимости от возраста в различных частотных диапазонах у мужчин и женщин, как правило, различаются, за исключением более высоких частот 21–48 Гц. Можно сделать основной вывод о том, что после усреднения по половому признаку суммарная электрическая мощность человеческого мозга остаётся неизменной на протяжении всей жизни — от 18 до 87 лет. Предложенный метод совместного анализа данных магнитоэнцефалографии и магнитно-резонансной томографии может быть использован для дальнейшего изучения половых различий в источниках мозговой активности в связи с возрастными изменениями.
Одно из современных направлений в клеточной биоэнергетике – это исследования молекулярных механизмов эффективного переноса протонов в белках и поверхностных протонпроводящих структурах в биологических мембранах. В данной работе разработана математическая модель молекулярного механизма направленного транспорта протонов вдоль липидных мембран. Рассмотрено движения протонов в квазиодномерных латеральных доменных структурах в многокомпонентных липидных мембранах, которые, как предполагается, играют роль протонпроводящих поверхностных структур. В работе предложена модель тройной системы, включающей подсистему цепочек водородных связей поверхностных молекул воды, взаимодействующих с подсистемами полярных групп и углеводородных цепей липидных молекул. Показано, что в рассмотренной тройной системе могут возникать коллективные возбуждения солитонного типа, приводящие к латеральному транспорту протонов, сопровождающемуся движением солитонов, которые представляет собой локальные области сжатия в подсистеме полярных групп липидов и структурные дефекты в подсистеме углеводородных цепей липидных молекул мембраны. Результаты моделирования показали, что латеральный перенос протонов в этой связанной системе не зависит от электрического поля вдоль мембраны и может определяться упругими полями деформации и кривизной мембраны, создаваемых белками и ионными каналами, встроенными в биомембраны.
Прогрессирующий фиброз определяет риск летального исхода при хронических заболеваниях печени. Существующие методы диагностики не позволяют выявить молекулярные изменения, происходящие при переходе от ранних повреждений к необратимому рубцеванию. Зачастую они основаны на бинарных классификациях, которые не позволяют выявить биологические факторы, определяющие прогрессирование заболевания. Мы сопоставили профили экспрессии генов, отличающие прогрессирующий (F3-F4) фиброз от раннего (F0-F2), чтобы определить их клеточное происхождение и возможность трансляции на уровне белков при различных этиологиях заболевания. Мы проанализировали общедоступные данные массового секвенирования РНК (E-MTAB-6863), чтобы выделить гены, отличающие ранний фиброз от прогрессирующего. Затем мы деконвертировали эти сигналы с помощью секвенирования РНК отдельных ядер (single-nucleus RNA-sequencing, snRNA-seq; GSE179548), чтобы определить конкретные типы клеток. Мы проверили отобранные гены протеомным анализом на мультиомном наборе данных по гепатоцеллюлярной карциноме, сравнивая вирусную и метаболическую этиологию. Мы выявили сигнатуру из 105 генов, связанных с прогрессирующим фиброзом и отвечающих за организацию внеклеточного матрикса и развитие эпителия. Данные snRNA-seq указывают на то, что этот сигнал в первую очередь характерен для холангиоцитов, а не для звёздчатых клеток печени, что указывает на дуктулярную реакцию. Протеомная валидация показала различия. Структурные маркеры (COL1A1, THY1) оставались повышенными независимо от этиологии. Метаболические и дуктулярные маркеры (AKR1B10, KRT23, SPP1) были специфичны для метаболических нарушений (неалкогольная жировая болезнь печени, алкогольная болезнь печени). Прогрессирующий фиброз обусловлен реакцией эпителия желчевыводящих путей, а не только отложением матрикса. Фиброзный каркас одинаков у всех пациентов. Сопутствующие метаболические изменения зависят от этиологии. Это говорит о том, что эффективные биомаркеры должны быть адаптированы к специфическому метаболическому контексту заболевания, а не представлять собой универсальную панель для оценки фиброза.
Монослои дихалькогенидов переходных металлов (ДПМ) очень перспективны для многих областей применения, как и графен и слои гексагонального нитрида бора (h-BN), особенно в оптике в качестве излучателей и детекторов, а также в электронике в качестве транзисторов. Это связано в первую очередь с тем, что они обладают прямой запрещённой зоной Eg, которая зависит от внешних приложенных электрических полей. Для создания такого электрического поля предлагается использовать индуцированную полем поляризацию сегнетоэлектрического полимерного слоя, такого как поливинилиденфторид (ПВДФ) и поли(винилиденфторид-трифторэтилен) P(VDF-TrFE). Эти полимеры в сегнетоэлектрической фазе могут создавать значительную поляризацию в очень тонких слоях толщиной около 5 Å. Комбинируя такие сегнетоэлектрические слои со слоями ДПМ, можно создавать гибридные наноструктуры, которые удобны для разработки новых фотодетекторов с контролируемыми свойствами. Выдающиеся свойства этой гибридной структуры обусловлены, в частности, сверхвысоким электрическим полем, возникающим из-за сегнетоэлектрической поляризации в ПВДФ или P(VDF-TrFE), которое воздействует на слои ДПМ и регулирует ширину запрещённой зоны Eg. В этой работе мы смоделировали такую гибридную структуру на основе ПВДФ и слоёв MoTe2, h-BN и графена и изучили её особенности и свойства. Для расчета всех основных свойств используются методы теории функционала плотности (ТФП), реализованные в программе Quantum ESPRESSO. Полуэмпирический метод PM3, реализованный в программном пакете HyperChem, применяется для моделирования и изучения как отдельных слоев гибридной структуры, так и особенностей их совместного взаимодействия, а также для изучения колебательных мод. Полученные результаты убедительно демонстрируют сильное влияние на ширину запрещенной зоны Eg и частоты колебательных мод всех исследуемых наноструктур за счет воздействия сегнетоэлектрической поляризации P и индуцированного поляризацией электрического поля E, которое влияет на все слои гибридной гетероструктуры.
В статье обсуждается влияние замены ионов кальция Ca2+ в определенных позициях гидроксиапатита на ионы железа Fe2+ и Fe3+. Показано, как методом моделирования молекулярной динамики с применением косоугольной ячейки в периодических граничных условиях найти плотность гидроксиапатита. Полученные значения плотности хорошо согласуются с известными данными и результатами расчетом методами теории функционала плотности. Также описан процесс выпаривания ионов, плавления и сублимации разных образцов гидроксиапатита. Результаты молекулярно-динамического моделирования показывают заметные различия в температурах структурных перестроек для гидроксиапатита с замещениями ионами Fe2+ и Fe3+. Так, образец гидроксиапатита с ионами Fe2+ испытывает значительные структурные перестройки уже в диапазоне температур 727–827 °С, что согласуется с экспериментальными данными по распаду катион-замещенного гидроксиапатита с ионами железа при температурах около 800 °С.
Денге, одно из самых распространенных вирусных инфекционных заболеваний XXI века, переносимых комарами, поражает примерно 100-400 миллионов человек во всем мире. Отсутствие окончательного лечения привело к проведению нескольких исследований в лабораторных условиях и in silico в поисках потенциальных противовирусных препаратов. РНК-геликаза вируса денге (DENV) является жизненно важным белком, который играет важную роль в репликации вируса. В этом исследовании была проанализирована противовирусная активность флаванона нарингенина и его производных методами in silico и in vitro, направленная на фермент геликазу DENV NS3. В этом исследовании скрининг in silico, основанный на молекулярном докинге и свойствах ADMET 20 производных нарингенина, выявил молекулы, такие как 6-фторнарингенин, в качестве подходящего соединения. Кроме того, сравнительное моделирование MD и исследование MM-PBSA таких комплексов, как NS3-нарингенин, NS3-6-фторнарингенин и NS3-ST-610 (стандартная молекула ингибитора), показало, что нарингенин способен образовывать стабильный комплекс с ферментом геликазой NS3 из DENV2. Эти результаты настоящего исследования предсказывают многообещающую противоденговую природу соединения нарингенина в качестве ингибитора репликации.
В естественных условиях на растения воздействует комплекс неблагоприятных факторов внешней среды, в ответ на которые изменяется РНК профиль. На сегодняшний день проводятся исследования РНК профилей в условиях воздействия одного фактора, однако работ по метаанализу ответных реакций у дуба черешчатого (Quercus robur L.) не проводилось. В связи с этим целью нашего исследования стало проведение метаанализа данных экспрессии генов RNA Seq, связанных с засухой, стрессом от заражения мучнистой росой и поедания насекомыми для выявления дифференциально экспрессируемых генов (ДЭГ), включая транскрипционные факторы (ТФ). В результате было обнаружено четыре перекрёстных ДЭГ при воздействии всех стресс факторов: histone H4, flavonol synthase, acyltransferase GLAUCE like и неохарактеризованный ген, содержащий домен DUF1223. Результаты анализа РНК профилей с помощью программы iTAK v1.6 показали участие 225 ТФ, из которых 159, ассоциированы с ответом на поедание насекомыми, 24 ТФ, связанных с поражением мучнистой росой и 42 ТФ, участвующих в реакции на засуху. Было обнаружено, что происходит подавление четырех общих ТФ при засухе и повреждении насекомыми. При стрессах вызванными мучнистой росой и насекомыми выявлено 9 ТФ, среди которых с повышенной экспрессией были три гена WRKY и по одному из семейств AP2/ERF, NAC, MYB и GRAS, оставшиеся два ТФ принадлежали семейству MYB related. Пересечения в экспрессии ТФ между засухой и мучнистой росой не обнаружено. Результаты анализа коэксперссии (WGCNA) позволили выявить 14 модулей из которых шесть обладали наибольшей связью с признаком и были использованы для дальнейшего определения генов хабов. В результате анализа коэкспрессии было выявлено шесть генов хабов, из них три автоматически аннотированных NAC, GDSL, CESA3 и оставшиеся не охарактеризованные. Результаты метаанализа показали, что устойчивость растения к различным стрессам обеспечивается как специфическими, так и общими механизмами, при этом ключевую роль играют коэкспрессионные модули и ТФ, что позволяет выделить потенциальные гены кандидаты для дальнейших исследований и селекции.
Проведен сравнительный анализ регрессионных моделей машинного обучения для прогнозирования изменений относительной численности природных популяций красной полевки на один год вперед. Для обучения, валидации и тестирования моделей случайного леса и многослойного персептрона использовали демографические и климатические данные для восточного сектора Субарктики в целом, а также отдельно для двух пунктов региона. Каждый набор данных, содержащий ежегодные наблюдения за различными показателями, в модели представлен как вектор признаков (целевой признак – относительная численность на один год вперед; предикторы – популяционные и климатические данные), без привязки к временной структуре. При традиционном прогнозировании временных рядов будущие значения получают на основе последовательности прошлых значений, в то время как предсказание по векторам рассматривает каждое наблюдение как отдельную точку в пространстве признаков, формируя векторные представления данных. Показано, что многослойный персептрон демонстрирует лучшие результаты и точность прогноза по всем выборкам. Случайный лес характеризуется меньшей устойчивостью и точностью. В целом по региону и отдельным пунктам предпочтительнее использовать нейросетевые методы, например, многослойный персептрон. В случае необходимости выполнения быстрого моделирования или интерпретируемости можно использовать модель случайного леса. На примере популяций красной полевки показано, что точный прогноз относительной численности мелких грызунов на один год вперед можно получить, используя ограниченный по времени набор данных о состоянии популяций и условиях их обитания. Модели машинного обучения могут применяться для решения задач эпидемиологии и защиты растений.
Генные сети, контролирующие экспрессию генов, играют первейшую роль в детерминации эпигенетических и биохимических свойств клеток. В то же время взаимосвязанность генных сетей с сетями других типов и уровней требует подходов, учитывающих эту комплексность. В статье данная проблема решается в аспекте вложенности генных сетей в клетки, которые сами являются узлами сети более высокого уровня, а именно клеточного ансамбля. Созданы информационные модели (объектная, реляционная и объектно-реляционная) управляющей генной сети над генетическими блоками, а также модели клеточного ансамбля как сети над клеточными управляющими генными сетями. Объединенная двухуровневая модель описывает генно-сетевые структуры в составе клеточных ансамблей с динамическими характеристиками основных молекулярно-генетических процессов. На основе моделей разработана платформа SETIES для исследования in silico молекулярно-генетических систем управления экспрессией генов про- и эукариот. Платформа включает в себя программные компоненты для дизайна и визуализации клеточных и межклеточных генных сетей, автоматического построения их математических моделей, моделирования сетевой динамики в бесклеточных системах, в клеточных линиях и клональных клеточных популяциях, а также в клеточных ансамблях с постоянной и динамической структурой. Счетные модули реализуют формализм обобщенных пороговых моделей, сочетающий в себе преимущества дискретных и непрерывных методов моделирования этих систем. Среди решаемых задач – построение диаграмм активности генов во времени, расчет кинетических кривых для концентраций мРНК и белков, выявление паттернов генной экспрессии как функциональных состояний генной сети, оценка параметрической устойчивости режимов, моделирование механизмов эпигенетического наследования, фенотипической гетерогенности и морфогенетического позиционирования. В целом, платформа реализуют парадигму «сети сетей», служащую основой для перспективных исследований в области системной и синтетической биологии.
Рассмотрены Интернет-ресурсы, предоставляющие свободный доступ к экспериментальным функциональным данным, включая данные электро- и магнитной энцефалографии, структурной и функциональной магнитно-резонансной томографии, полученным в ряде исследовательских проектов при изучении мозга человека. Использование таких ресурсов полезно для развития и отладки новых методов обработки и анализа энцефалограмм, а также для верификации и сравнения результатов.
Рассмотрены основные подходы к исследованию сердца человека с помощью неинвазивных измерений. Для изучения структуры сердца используются такие методы, как эхокардиография, компьютерная томография, магнитно-резонансная томография. Функция сердца изучается в основном с помощью электрокардиографии и магнитной кардиографии. Описаны наборы данных, доступные для использования при математическом моделировании сердца при изучении его работы и при диагностике. Предложен метод функциональной томографии, который преобразует набор временных рядов в пространственное распределение электрических или магнитных источников. Экспериментальные данные магнитной кардиографии, полученные в Центре нейромагнетизма Нью-Йоркского университета, в НИЦ «Курчатовский институт» и в Институте радиотехники и электроники им. В. А. Котельникова РАН, были использованы для реконструкции трехмерной функциональной структуры сердца и временных рядов электрической активности сердца. Токовый диполь, найденный по магнитной кардиограмме, был успешно локализован в пространстве реконструированной структуры сердца, а его амплитуда и направление изменялись в соответствии с фазой сердечного цикла. Метод может быть использован для детального изучения пространственного распределения элементарных источников электрической активности сердца человека по данным многоканальных неинвазивных измерений.
Предложен оригинальный подход к классификации коронавирусов, основанный на представлении анализируемого гена (N-гена белка нуклеокапсида) соответствующим вектором частот кодонов аминокислот и его последующего сравнения с вектором усредненных частот кодонов для аналогичных известных генов вирусного таксона (одного из четырех родов коронавируса). Для определения принадлежности анализируемого вектора частот к каждому рассматриваемому таксону нестандартным образом применяется метод главных компонент. Метод протестирован на 5769 N-генах коронавирусов четырех родов и показал надежность распознавания рода выше 95 %. Предлагаемый подход к классификации коронавирусов позволяет сократить размерность вектора частот кодонов до 28 компонент без снижения надежности, ограничиваясь рассмотрением наиболее значимых частот встречаемости кодонов аминокислот в N-гене. Подход относится к методам без выравнивания, которые в последнее десятилетие завоевывают все большую популярность для классификации вирусов.
Издательство
- Издательство
- ИМПБ РАН
- Регион
- Россия, Москва
- Почтовый адрес
- 142290, Московская обл, г Серпухов, г Пущино, ул Институтская, д 4
- Юр. адрес
- 142290, Московская обл, г Серпухов, г Пущино, ул Институтская, д 4
- ФИО
- Костеркина Ирина Марковна (ГЛАВНЫЙ БУХГАЛТЕР)
- Контактный телефон
- +7 (___) _______
- Сайт
- https://www.impb.ru/