用于分数沃尔特拉积分微分方程的统一 Haar 小波配置框架及其在肿瘤-免疫动力学建模中的应用

方程为何能助力抗癌

现代医学越来越依赖计算机与数学来理解疾病的生长和治疗的作用。本文介绍了一种求解一类艰难方程的新方法，这类方程描述具有“记忆”性质的系统，例如肿瘤随时间与免疫系统及抗癌药物的相互作用。通过使这些方程更易、更快地求解，作者为更逼真的计算模型打开了大门，这些模型最终可能帮助设计更有效的癌症疗法。

捕捉带有记忆的系统

许多现实过程不仅对当前发生的事作出反应，它们还依赖于数小时、数天或数年的过去。带常规导数的传统方程常常忽略这种历史性。论文聚焦于一种更丰富的模型类别——分数沃尔特拉积分微分方程。这类方程结合了三类要素：具有记忆效应的变化率、普通的变化率，以及汇总到当前时刻为止整个过去影响的积分。这类模型出现于从具有“记忆”先前温度的材料中的热传导，到带延迟反馈的群体动态等问题。在生物学中，它们对肿瘤生长与免疫反应等过程尤为相关，因为过去的暴露和持续效应会对当前状态产生重要影响。

用简单构件驯服复杂行为

为了解决这些要求很高的方程，作者基于信号处理中的一种工具——Haar 小波。Haar 小波是一种非常简单的分段方块函数，在较短时间区间内要么“开”要么“关”。通过在不同尺度上堆叠许多这样的方块，几乎任何平滑曲线都可以被逼近。新框架的关键思想是将方程中最高阶的导数表示为这些小波块的和，然后通过逐步积分恢复所有低阶导数及解本身。方法不再直接与艰难的连续方程搏斗，而是将问题转换为计算机能高效求解的标准代数方程组。

从记忆与历史到矩阵与数值

该技术的核心是所谓的运算矩阵。这些矩阵描述了 Haar 构件在被积分时的行为，无论是常规意义下的积分还是分数意义上的“记忆”积分。一旦构造出这些矩阵，分数导数、普通导数和依赖历史的积分都可以使用相同的小波基来表达。作者随后在一组精心选择的点上强制满足原方程，这一策略称为配点法（collocation）。这会产生一个线性系统，未知量是小波系数。求解该系统即可得到整个时间区间的近似解。详尽的数学分析表明，随着小波块数量的增加，解的误差大致按分辨率的平方下降——这表明误差具有可靠且可预测的收敛性。

将方法付诸检验

为了验证其方法在实践中的有效性，作者将其应用于若干具有已知精确解的测试问题。在每种情况下，他们发现基于小波的方法都能非常紧密地跟踪真实解，误差在分辨率细化时迅速减小。他们还将性能与其他流行数值技术进行了比较，这些技术依赖切比雪夫多项式、伯努利多项式或谱方法。在相同的细化水平下，Haar 小波方法由于其稀疏且易构造的矩阵，通常在更短的计算时间内实现更小的误差。这种简洁、速度与精度的组合在大规模模拟或参数扫描中尤为重要。

模拟肿瘤与免疫系统之间的缓慢博弈

除了测试用例外，论文最引人注目的应用是肿瘤—免疫—药物相互作用模型。在该模型中，肿瘤的生长由分数导数控制，表示癌细胞如何记住其微环境中的过去条件。免疫反应包含一个历史项，将早期肿瘤水平的影响在时间上展开，反映了免疫细胞缓慢的募集与激活过程。药物变量描述免疫治疗药物如何进入和离开体内、增强免疫活性并直接损伤肿瘤细胞。基于现实参数值的模拟显示了一个初始的肿瘤扩张阶段，随后是治疗驱动的回缩，并最终稳定在远低于初始的肿瘤负担。模拟还揭示了系统中记忆强度（由分数阶编码）能显著影响治疗成效。

对未来癌症建模的意义

通俗地说，作者创建了一个数值“引擎”，可以把具有记忆和延迟的高度复杂方程转化为科学家和临床医生可以使用的实用工具。他们的结果表明，该引擎可以准确追踪肿瘤如何生长、免疫系统如何随时间响应以及间歇给药如何塑造结果——而不会带来难以承受的计算成本。尽管该工作仍以数学和探索性为主，但它为未来的研究提供了稳健的基础，研究者可以在将治疗方案付诸临床前先在计算机上测试不同的给药时序，从而帮助将疗法更好地适配于具有复杂历史依赖性的真实肿瘤。

引用: 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

关键词: 分数微积分, Haar 小波, 肿瘤-免疫建模, 数值方法, 免疫治疗