基于甲型流感病毒的免疫反應代理模型構建以及估參問題的研究.pdf

1、近些年，各種病毒大規(guī)模傳播的情況時有發(fā)生，給人類的健康甚至生命安全帶來了嚴重威脅。其中，很具有代表性的就是甲型流感病毒（Influenza A Virus，IAV）。為了加強人們對病毒的免疫抵抗能力并且抑制病毒的蔓延，學者們對免疫系統(tǒng)進行了大量的研究實驗。在眾多研究方法中，模擬建模實驗一直倍受青睞。其中，基于Agent代理的模型（Agent based models，ABM）和微分方程模型（Differential equations，

2、DE）是兩種應用最為廣泛的模擬建模方法。相對于臨床實驗和生物實驗，模擬建模研究方法利用虛擬的模型縮短了科研的實驗周期，提高了科研效率。在應對流感疫情時，模擬建模方法能夠快速建立模型，在最短的時間內掌握傳染機制，避免大規(guī)模疫情的出現(xiàn)。這兩種建模方法給科研工作帶來了極大的幫助，但是也存在著無法被忽視的缺陷。ABM模型在估參時無法有效的與實驗數據結合，所以導致估參效果差；另外，復雜的ABM模型還需要依賴于強大的計算機軟硬件資源，估參效率低。D

3、E模型雖然在估參方面表現(xiàn)優(yōu)異，但是在建模方面卻無法對復雜的免疫系統(tǒng)進行多維度多層次的刻畫描述。
　　本文為了解決ABM模型和DE模型在免疫系統(tǒng)建模研究方面的缺陷，研究提出了代理回歸方法（IABMR）。首先，本方法建立了一個基于代理Agent的免疫系統(tǒng)模型，模擬人體肺部在甲型流感病毒感染下的免疫反應情況；然后，把粒子群優(yōu)化算法和Loess回歸模型進行整合，結合真實實驗數據，完成了免疫系統(tǒng)的建模與估參研究。研究方法具體過程如下。免疫系

4、統(tǒng)建模階段。在分析了細胞生物學知識與實際情況之后，本文把系統(tǒng)中的同一種細胞群細化為三種細胞狀態(tài)，增加了模型的維度和層次。同時，確定了系統(tǒng)中的兩層交互關系：不同種類的細胞之間的相互作用；同種細胞不同狀態(tài)之間的相互作用。在此基礎之上，建立細胞狀態(tài)轉換圖和轉換方程。最后，利用基于Agent的建模方法，模擬刻畫了在IAV感染下多維度的肺部免疫系統(tǒng)的ABM模型。尋優(yōu)估參階段。首先利用稀疏網格配點法生成一個四維輸入參數向量空間。然后提取ABM模型多

5、次運算之后的輸入數據和輸出數據對Loess非參回歸進行訓練，直到建立針對免疫系統(tǒng)的Loess回歸模型。非參回歸可以對同一數據進行多次不同擬合，以探索數據中可能隱藏的某種關系。最后，把粒子群智能優(yōu)化算法PSO與Loess回歸模型結合，對ABM模型進行參數尋優(yōu)。實驗結果與分析階段。本文在完美實現(xiàn)IABMR本身算法的基礎上，進行了多組對比實驗。首先，對方法本身進行縱向效果對比。通過對向量空間大小、實驗重復次數、數據噪聲以及樣本時間點個數等關鍵

6、參數進行不同配置的設置，比較每種配置的平均相對誤差。結果顯示，參數向量空間越大，重復次數越多，噪聲越小以及樣本時間點越多都對實驗結果有正向影響。然后，把 IABMR方法與貪心 ABM方法以及 ODE模型進行橫向對比實驗。實驗結果表明，IABMR算法的估參效率和精確度都高于貪心 ABM算法，并且模型刻畫的精細程度也優(yōu)于ODE模型。綜上，本文把基于Agent的建模理念、Loess非參回歸以及粒子群優(yōu)化等智能算法進行了有效的結合。建立的IAB