Единая коллокационная схема на базисе вейвлетов Хаара для дробных интегро-дифференциальных уравнений Вольтерры с применением к моделированию взаимодействия опухоль-иммунитет

Почему уравнения помогают бороться с раком

Современная медицина всё больше опирается на вычисления и математику, чтобы понимать, как растут болезни и как действуют терапии. В статье представлена новая методика решения сложного класса уравнений, описывающих системы с «памятью», например взаимодействие опухоли с иммунной системой и лекарствами во времени. Упростив и ускорив решение таких уравнений, авторы открывают путь к более реалистичным компьютерным моделям, которые в перспективе могут помочь в разработке более эффективных противораковых методов лечения.

Учет систем, помнящих своё прошлое

Многие реальные процессы реагируют не только на текущие условия, но и на то, что происходило в течение часов, дней или лет. Традиционные уравнения с обычными производными часто не отражают такой истории. В работе рассматривается более богатый класс моделей — дробные интегро-дифференциальные уравнения Вольтерры. Эти уравнения объединяют три компонента: скорости изменения с эффектом памяти, обычные скорости изменения и интегралы, аккумулирующие влияние всей предшествующей истории до текущего момента. Такие модели встречаются в задачах от теплопроводности в материалах, «помнящих» предыдущие температуры, до динамики популяций с запаздывающей обратной связью. В биологии они особенно актуальны для процессов вроде роста опухоли и иммунного ответа, где важны предшествующее воздействие и длительные эффекты.

Простыми блоками приручать сложное поведение

Чтобы справиться с такими требовательными уравнениями, авторы опираются на инструмент из обработки сигналов — вейвлеты Хаара. Вейвлет Хаара — очень простая блокоподобная функция, которая на коротких временных интервалах либо «включена», либо «выключена». Сложив много таких блоков на разных масштабах, можно аппроксимировать практически любую гладкую кривую. Ключевая идея новой схемы — представить высшую производную в уравнении как сумму таких вейвлет-блоков, а затем по шагам интегрировать, чтобы восстановить все нижележащие производные и само решение. Вместо того чтобы непосредственно решать трудное непрерывное уравнение, метод переводит задачу в стандартную систему алгебраических уравнений, которые компьютеры умеют эффективно решать.

От памяти и истории к матрицам и числам

Суть техники заключается в так называемых операционных матрицах. Эти матрицы описывают, как ведут себя вейвлет-блоки при интегрировании, как в обычном смысле, так и в дробном «памятном» смысле. После построения этих матриц дробная производная, обычные производные и интеграл, зависящий от предшествующей истории, могут быть выражены в общей вейвлетной базе. Затем авторы налагают исходное уравнение в ряде тщательно выбранных точек — стратегия, известная как коллокация. В результате получается линейная система, неизвестными которой являются вейвлет-коэффициенты. Решение этой системы даёт приближённое решение на всём временном интервале. Подробный математический анализ показывает, что по мере увеличения числа вейвлет-блоков погрешность решения убывает примерно пропорционально квадрату разрешающей способности — свидетельство надёжной и предсказуемой точности.

Проверка метода на практике

Чтобы убедиться в работоспособности подхода, авторы применяют его к нескольким тестовым задачам с известными точными решениями. В каждом случае их метод на базе вейвлетов очень точно повторяет истинный ответ, и ошибки быстро уменьшаются при повышении разрешения. Они также сравнивают производительность с другими распространёнными численными техниками, основанными на многочленах Чебышева, Бернулли или спектральных методах. При одинаковом уровне уточнения подход на базе вейвлетов Хаара даёт меньшие ошибки при меньших затратах времени вычисления, во многом благодаря разреженным и простым для построения матрицам. Такое сочетание простоты, скорости и точности особенно важно для больших симуляций или при исследовании большого числа параметров.

Моделирование медленного танца между опухолью и иммунной системой

Кроме тестовых примеров, наиболее впечатляющим приложением работы является модель взаимодействий опухоль–иммунитет–лекарство. В ней рост опухоли описывается дробной производной, отражающей способность раковых клеток «помнить» прошлые условия микроокружения. Иммунный ответ включает член истории, который распространяет влияние прежних уровней опухоли во времени, что моделирует медленный набор и активацию иммунных клеток. Переменная лекарства описывает, как иммунотерапевтический агент поступает и выводится из организма, усиливает активность иммунитета и прямо повреждает опухолевые клетки. Моделирование с реалистичными значениями параметров показывает начальную фазу роста опухоли, затем регрессию под действием лечения и последующую стабилизацию на значительно более низком уровне опухолевой массы. Результаты также демонстрируют, как сила «памяти» системы, задаваемая дробным порядком, может существенно влиять на успех терапии.

Что это значит для будущего моделирования рака

Проще говоря, авторы создали числовой «движок», превращающий математически сложные уравнения с памятью и задержкой в практичные инструменты для учёных и клиницистов. Их результаты показывают, что этот движок способен точно отслеживать рост опухолей, временную реакцию иммунной системы и влияние прерывистой дозировки лекарств — и всё это без чрезмерных вычислительных затрат. Хотя работа остаётся математической и исследовательской по своей природе, она предоставляет прочную основу для будущих исследований, которые могли бы протестировать различные схемы лечения в компьютере прежде чем испытывать их в клинике, помогая адаптировать терапии к сложной, зависящей от истории природе реальных опухолей.

Цитирование: Hamood, M.M., Sharif, A.A. & Ghadle, K.P. A unified Haar wavelet collocation framework for fractional volterra integro-differential equations with application to tumor-immune dynamics modeling. Sci Rep 16, 12552 (2026). https://doi.org/10.1038/s41598-026-42803-6

Ключевые слова: дробное исчисление, вейвлеты Хаара, моделирование опухоль-иммунитет, численные методы, иммунотерапия