Архив номеров
Современные подходы к интегральной оценке иммунного статуса человека в условиях радиационного воздействия. Обзор (часть 2)
DOI: 10.21870/0131-3878-2025-34-3-43-60
Хоменко П.О.1, Кодинцева Е.А.1, Аклеев А.А.2
«Радиация и риск». 2025. Том 34. № 3, с.43-60
Сведения об авторах
Хоменко П.О. – мл. науч. сотр.
Кодинцева Е.А. – науч. сотр., рук. центра коллективного пользования, к.б.н. УНПЦ РМ ФМБА России. Контакты: 454141, Челябинск, ул. Воровского, 68-А. Тел.: +7(351)232-79-23; e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра. . Аклеев А.А. – проф. кафедры, д.м.н. ЮУГМУ Минздрава России. 1 ФГБУН «Уральский научно-практический центр радиационной медицины ФМБА России», Челябинск2 ФГБОУ ВО «Южно-Уральский государственный медицинский университет»
3 Минздрава России, Челябинск
Аннотация
Важность интегрального подхода к оценке иммунного статуса человека на основе изучения показателей иммунитета в динамике после радиационного воздействия продиктована не только необходимостью формирования групп риска среди облучённых лиц, но и особой значимостью изучения роли иммунных нарушений в патогенезе отдалённых последствий облучения. Однако в экологической иммунологии, в частности, при оценке воздействия ионизирующего излучения на организм человека, такой анализ крайне затруднён, часто невозможен. В последние годы особенности иммунного статуса человека изучаются в комплексе с установленными или потенциальными молекулярно-генетическими маркерами наследственной пред-расположенности к различным патологическим состояниям с многофакторной этиологией. Представленная часть аналитического обзора содержит современную научную информацию о методических подходах к интегральной оценке иммунного статуса человека на основе комплексного анализа показателей иммунитета, метаболического и гормонального статуса, а также других математико-статистических методов и математического моделирования процессов, происходящих в иммунной системе. Каждый подход базируется на собственной методической базе, которая стремительно совершенствуется, но при практическом применении имеет как преимущества, так и ограничения.
Ключевые слова
иммунный статус человека, оценка иммунного статуса, математические модели в иммунологии, статистический анализ, радиационная иммунология, экологическая иммунология, радиобиология, здравоохранение.
Список цитируемой литературы
1. Хоменко П.О., Кодинцева Е.А., Аклеев А.А. Современные подходы к интегральной оценке иммунного статуса человека в условиях радиационного воздействия. Обзор (часть 1) //Радиация и риск. 2025. Т. 34, № 2. С. 142-158.
2. Шмакова Т.В., Вифлеемский А.Б., Литовская А.В. Интегральная оценка иммунного гомеостаза у лик-видаторов ракет и её роль в профилактике нарушений здоровья //Медицина труда и промышленная экология. 2010. № 12. С. 5-10.
3. Петленко С.В., Иванов М.Б., Лось С.П., Голубков А.В., Комнатный С.Б., Богданова Е.Г., Пикалова Л.В. Новый подход к интегральной оценке иммунной системы человека в условиях воздействия ком-плекса факторов химически опасных объектов //Медлайн.ру. 2010. Т. 11. С. 195-216. [Электронный ре-сурс]. URL: https://medline.ru/public/art/tom11/sample_art.phtml?n_art=17&n_tom=11&lng= eng&ysclid=m67mur4m98542947897 (дата обращения 22.01.2025).
4. Ракитинский В.Н., Юдина Т.В., Сааркоппель Л.М. Развитие проблемы интегральной оценки функционального состояния организма работающих //Лабораторная служба. 2013. Т. 2, № 3. С. 6-9.
5. Крючкова Е.Н., Сааркоппель Л.М., Юдина Т.В. Оценка функционального потенциала организма работников вредных производств //Медицина труда и промышленная экология. 2015. № 9. С. 79.
6. Зацаренко С.В., Кузьмина Е.Г. Интегральные показатели иммунитета в выявлении вторичных иммунодефицитов и аллергии //Российский иммунологический журнал. 2018. Т. 21, № 4. С. 662-664.
7. Травникова О.Е., Добродеева Л.К., Мартынова Н.А., Калинин А.Г. Модель комплексной оценки иммунных реакций человека //Экология человека. 2009. № 8. С. 44-49.
8. Хофман Дж., Купер-Виллис Э. Симметрия, сложность и устойчивость в сетевой теории иммунной системы //Математические модели в иммунологии и медицине. М.: Мир, 1986. С. 110-123.
9. Lee H.Y., Topham D.J., Park S.Y., Hollenbaugh J., Treanor J., Mosmann T.R., Jin X., Ward B.M., Miao H., Holden-Wiltse J., Perelson A.S., Zand M., Wu H. Simulation and prediction of the adaptive immune re-sponse to influenza A virus infection //J. Virol. 2009. V. 83, N 14. P. 7151-7165.
10. Bodnar M., Forys U. A model of immune system with time-dependent immune reactivity //Nonlinear Anal. Theory Methods Appl. 2009. V. 70, N 2. P. 1049-1058.
11. Nesterenko V.G. Role of asymmetry in the immune network //Folia Biol. 1986. V. 32, N 4. P. 256-272.
12. Stakheyeva M., Eidenzon D., Slonimskaya E., Patysheva M., Bogdashin I., Kolegova E., Grigoriev E., Choinzonov E., Cherdyntseva N. Integral characteristic of the immune system state predicts breast cancer outcome //Exp. Oncol. 2019. V. 41, N 1. P. 32-38.
13. Стахеева М.Н., Эйдензон Д.В., Чердынцева Н.В., Чойнзонов Е.Л., Богдашин И.В. Интегральная оценка иммунной системы как новый критерий для назначения эффективной иммунотерапии у боль-ных со злокачественными новообразованиями //Российский биотерапевтический журнал. 2018. Т. 17, № 1s. С. 68-69.
14. Земсков А.М., Земсков В.М., Земскова В.А., Воронцова З.А., Золоедов В.И. Инновационно-анали-тические технологии по итогам традиционного иммунологического мониторинга больных //Вестник но-вых медицинских технологий. 2019. Т. 26, № 2. С. 40-43.
15. Соколов Е.И., Гришина Т.И., Штин С.Р. Интегральный подход к оценке взаимосвязи изменений пока-зателей иммунного статуса и маркёров неспецифического воспаления при ИБС //Архивъ внутренней медицины. 2013. № 5(13). С. 57-60.
16. Крючкова Е.Н., Истомин А.В. Сааркоппель Л.М., Яцына И.В. Детерминанты адаптационных резер-вов организма подростков различных регионов //Здравоохранение Российской Федерации. 2017. Т. 61, № 3. С. 143-147.
17. Юдина Т.В., Сааркоппель Л.М., Крючкова Е.Н. Интегральный подход к оценке состояния здоровья работников вредных производств //Здравоохранение Российской Федерации. 2016. Т. 60, № 2. С. 101-104.
18. Смирнова О.А. Математическое моделирование влияния ионизирующей радиации на иммунную сис-тему млекопитающих //Физика элементарных частиц и атомного ядра. 1996. Т. 27, № 1. С. 243-292.
19. Смирнова О.А. Радиация и организм млекопитающих: модельный подход. М., Ижевск: Регулярная и хаотическая динамика: Институт компьютерных исследований, 2006. 224 с.
20. Чигвинцев В.М. Математическая модель для описания функционирования и взаимосвязи иммунной и нейроэндокринной систем с учётом воздействия химических факторов среды обитания: дис. ... канд. физ.-мат. наук. Пермь, 2019. 160 с.
21. Perelson A.S., Weisbuch G. Immunology for physicists //Rev. Mod. Phys. 1997. V. 69, N 4. P. 1219-1268.
22. Du S.Q., Yuan W. Mathematical modeling of interaction between innate and adaptive immune responses in COVID-19 and implications for viral pathogenesis //J. Med. Virol. 2020. V. 92, N 9. P. 1615-1628.
23. Nowak M., May R.M. Virus dynamics: mathematical principles of immunology and virology: mathematical principles of immunology and virology. Oxford: Oxford University Press, 2000. 250 р.
24. Driver R.D. Ordinary and delay differential equations. New York: Springer, 2012. 503 р.
25. Fachada N., Lopes V., Rosa A. Agent-based modelling and simulation of the immune system: a review //EPIA 2007 – 13th Portuguese Conference on Artificial Intelligence. 2007.
26. Chiacchio F., Pennisi M., Russo G., Motta S., Pappalardo F. Agent‐based modeling of the immune system: NetLogo, a promising framework //BioMed Res. Int. 2014. V. 2014, N 1. P. 907171. DOI: 10.1155/2014/907171.
27. Shinde S.B., Kurhekar M.P. Review of the systems biology of the immune system using agent‐based mo-dels //IET Syst. Biol. 2018. V. 12, N 3. P. 83-92.
28. Quintela B.M., dos Santos R.W., Lobosco M. On the coupling of two models of the human immune response to an antigen //Biomed Res. Int. 2014. V. 2014, N 1. P. 410457. DOI: 10.1155/2014/410457.
29. Скобцов Ю.А. Современные иммунологические модели и их приложения //Вестник МГТУ им. Н.Э. Ба-умана. Серия «Приборостроение». 2022. № 3 (140). С. 61-77.
30. Афанасова Е.П. Прогнозирование развития и исходов, разработка сетевых и математических моде-лей для совершенствования диагностики и анализа терапии острого эндометрита: дис. ... докт. мед. наук. Курск, 2014. 360 с.
31. Cappuccio A., Tieri P., Castiglione F. Multiscale modelling in immunology: a review //Brief. Bioinform. 2016. V. 17, N 3. P. 408-418.
32. de Castro L.N., Von Zuben F.J. aiNet: an artificial immune network for data analysis //Data mining: a heuristic approach. Eds.: H.A. Abbass, R.A. Sarker, C.S. Newton. London: Idea Group Publ., 2001. P. 231-260.
33. Palsson S., Hickling T.P., Bradshaw-Pierce E.L., Zager M., Jooss K., O'Brien P.J., Spilker M.E., Palsson B.O., Vicini P. The development of a fully-integrated immune response model (FIRM) simulator of the immune response through integration of multiple subset models //BMC Syst. Biol. 2013. V. 7. P. 95. DOI: 10.1186/1752-0509-7-95.
34. Братусь А.С., Бочаров Г.А., Огородник Е.С., Самокатов В.С. Математическая модель адаптивного иммунного ответа на основе процесса распознавания в стохастической системе «ключ-замок» методами искусственного интеллекта //Математические модели и численные методы в биологии и меди-цине: материалы XV конференции, 1-3 ноября 2023 г. М.: ИВМ РАН, 2023. С. 1-12.
35. Pertseva M., Gao B., Neumeier D., Yermanos A., Reddy S.T. Applications of machine and deep learning in adaptive immunity //Annu. Rev. Chem. Biomol. Eng. 2021. V. 12. P. 39-62.
36. Curion F., Theis F.J. Machine learning integrative approaches to advance computational immunology //Genome Med. 2024. V. 16, N 1. P. 80. DOI: 10.1186/s13073-024-01350-3.
37. Chin A., Rider N.L. Artificial intelligence in clinical immunology //Artificial Intelligence in Medicine. Cham: Springer International Publ., 2022. P. 1397-1410.
38. Русяева Н.В., Голодников И.И., Кононенко И.В., Никонова Т.В., Шестакова М.В. Методы машинного обучения в дифференциальной диагностике сложно классифицируемых типов сахарного диабета //Сахарный диабет. 2023. Т. 26, № 5. С. 473-483.
39. Дмитриева Н.Ю. Возможности машинного обучения для диагностики орфанных заболеваний //Реальная клиническая практика: данные и доказательства. 2023. Т. 3, № 3. С. 36-39.
40. Khanzode K.C.A., Sarode R.D. Advantages and disadvantages of artificial intelligence and machine learning: a literature review //Int. J. Lib. Inf. Sci. (IJLIS). 2020. V. 9, N 1. P. 30-36.
41. Duffy D., Rouilly V., Libri V., Hasan M., Beitz B., David M., Urrutia A., Bisiaux A., LaBrie S.T., Dubois A., Boneca I.G., Delval C., Thomas S., Rogge L., Schmolz M., Quintana-Murci L., Albert M.L. Functional analysis via standardized whole-blood stimulation systems defines the boundaries of a healthy immune response to complex stimuli //Immunity. 2014. V. 40, N 3. P. 436-450.
42. Ярец Ю.И. Интерпретация результатов иммунограммы. Гомель: ГУ «РНПЦ РМиЭЧ», 2020. 38 с.
Полная версия статьи