Быстрое определение степени тяжести течения инфекционного заболевания позволяет разработать адекватную схему лечения. Цель работы: разработка алгоритма определения степени тяжести инфекционного заболевания с использованием стехиометрического моделирования метаболической активности лимфоцита. В данной работе был предложен алгоритм определения степени тяжести течения инфекционного заболевания с использованием стехиометрического моделирования. Стехиометрическая модель построена с учетом метаболических особенностей лимфоцита, что позволяет включать в модель метаболиты, легко измеряемые в клинике, такие как глюкоза, лактат, кислород и углекислый газ. Применение разработанного алгоритма позволит существенно сократить время определения степени тяжести инфекционного заболевания. Разработанный алгоритм можно использовать не только метаболических цепочек лимфоцитов. Его можно использовать для анализа степени тяжести и характера течения других заболеваний человека, вызванных, например, ДНК-вирусными инфекциями.
Rapid determination of the degree of severity of the infection allows the development of an adequate regimen. In this paper, it was proposed an algorithm for determining the degree of severity of the infectious disease with the use of stoichiometric modeling. Objective: To develop an algorithm determine the severity of infectious disease modeling using stoichiometric metabolic activity of lymphocytes. The stoichiometric model is built based on metabolic characteristics of lymphocytes, which allows to include in the model metabolites easily measured in the clinic, such as glucose, lactate, oxygen and carbon dioxide. The use of the algorithm will significantly reduce the time of determining the severity of the infection. The developed algorithm can be used not only metabolic chains lymphocytes. It can be used to analyze the severity and nature of the flow of other human diseases caused by, for example, DNA viral infections.
1. Дроздов-Тихомиров Л.Н., Серганова В.В., Скурида Г.И. Внутренние стационарные метаболические потоки в мультиферментных системах: Синтез лизина из ацетата продуцентом Corynobacteriumglutamicum // Биотехнология. – 1986. – № 2 (8). – С. 28-37.
2. Наркевич А.Н., Виноградов К.А., Корецкая Н.М., Наркевич А.А. Использование прогностических математических моделей для выявления больных туберкулезом легких // Туберкулез и болезни легких. – 2014. – Т. 91, № 9. – С. 44-45.
3. Сергеева И.В., Тихонова Е.П., Камзалакова Н.И., Булыгин Г.В. Особенности метаболических процессов в лимфоцитах при острых респираторных вирусных инфекциях // Иммунопатология, аллергология, инфектология. – 2012. – № 1. – С. 60-64.
4. Солончук Ю.Р. Особенности метаболических механизмов иммунного ответа у больных абсцессом легких и атопической бронхиальной астмой / Ю.Р. Солончук, Н.И. Камзалакова, М.М. Петрова // Сибирское медицинское обозрение. – 2009. – № 6. – С. 15-19.
5. KauffmanK.J., PrakashP., EdwardsJ.S. Advancesinfluxbalanceanalysis // CurrentOpinioninBiotechnology. –2003. – Vol. 14, № 5. – P. 491–496.
6. Lee K., Berthiaume F., Stephanopoulos G.N., Yarmush D.M., Yarmush, M.L. Metabolic flux analysis of postburn hepatic hypermetabolism // Metab. Eng. – 2000. – Vol. 2. – P. 312–327.
7. Machado D., Costa R.S., Rocha M., Ferreira E.C., Tidor D., Rocha I. Modeling formalisms in Systems Biology // AMB Express. – 2011. – Vol. 1, No. 45. – P. 70.
8. Raman K., Chandra N. Flux balance analysis of biological systems: applications and challenges // Briefings in Bioinformatics. –2009. – Vol. 10, No. 4. – P. 435-449.
9. Sharma N.S., Ierapetritou M.G., Yarmush M.L. Novel quantitative tools for engineering analysis of hepatocyte cultures in bioartificial liver systems // Biotechnol. Bioeng. – 2005. – Vol. 92. –Р. 321–335.
10. Varma A., Boesch B.W., Palsson B.O. Biochemical production capabilities of Escherichia coli // Biotechnology and Bioengineering. –1993. – Vol. 42, № 1. – P. 59-73.