CC BY
39
35.0
30.0
25.0
20.0 15,0
I II III IV V VI VII VIII IX X XI XII Месяцы года
Рис. 6. Динамика объемов суммарных аттракторов фазового пространства метеопараметров среды для разных месяцев года в период 1994-1998 гг.
Значение показателей аттракторов экосреды имеет высокий порядок коэффициентов асимметричности (гХ=5,5^5,8) и объемов фазового пространства состояний (У=2,1*104^3,4*104) - для месяцев с наибольшей госпитализацией (зимне-весенний сезон) и этими же низкими показателями в летний период (гХ=2,5) (У=0,8*104), что согласуется с более низкими показателями заболеваемости населения в данное время года. Высокие клима-то-экологические контрасты территории и хаотический режим их динамики оказывают существенное влияние на уровень и характер заболеваемости населения.
Литература
1.Авцын А.П. и др. Патология человека на Севере.- М.: Медицина, 1985.- 215 с.
2. АдайкинВ.И. и др. // ВНМТ.- 2006.- Т.. XIII, №2.- С.39.
3.Еськов В.М. и др. Экологические факторы Ханты-Мансийского автономного округа / Ч. I. Безопасность жизнедеятельности человека на севере РФ.- Самара: Офорт, 2004.- 168 с.
4.Еськов В.М. и др. Экологические факторы ХМАО.- Ч. II.-Самара: Офорт, 2004.- 172 с.
5.Еськов В.М. Синергетика в клинической кибернетике. Монография.- Часть II. Особенности саногенеза и патогенеза в условиях ХМАО - Югры.- Самара: Офорт, 2007- 292 с.
6.В.П. Зуевский и др. Окружающая среда и здоровье населения Ханты-Мансийского округа.- Сургут: СурГУ, 2001.- 70 с.
7.Системный анализ, управление и обработка информации в биологии и медицине. Ч. VI. / Под ред. А.А.Хадарцева, В.М.Еськова.- Самара: Офорт, 2005.- 196 с.
8.В.И. Хаснулин и др. // Бюллетень СО РАМН.- №3 (117) .2005.- Новосибирск.
THE SYSTEM ANALYSIS AND SYNTHESIS OF INFLUENCE OF DYNAMICS OF CLIMATIC AND ECOLOGICAL FACTORS ON DISEASE OF THE POPULATION IN NORTH
V.M. ES’KOV, A.G. NAZIN, S.N. RUSAK, O.E. FILATOVA,
K.A. KHADARZEVA
Summary
In the present questions of studying of dynamics changes of ecological and meteorological factors environments in phase space of conditions and influence of such chaotic dynamics on quality of human life in the North are considered within the framework of the theory of chaos and stochastic laws with use of author's methods.
Key words: weather and climatic contrasts, chaotic attractors
УДК 616.4-074/-078
МЕДИКО-БИОЛОГИЧЕСКАЯ ТРАКТОВКА ПОНЯТИЯ СТАЦИОНАРННЫХ РЕЖИМОВ БИОЛОГИЧЕСКИХ ДИНАМИЧЕСКИХ
СИСТЕМ
А.С. АНУФРИЕВ, В.М. ЕСЬКОВ, А.Г. НАЗИН, В. ПОЛУХИН,
С.А. ТРЕТЬЯКОВ*., К.А. ХАДАРЦЕВА**
Обсуждаются новые подходы в идентификации интервалов стационарных режимов функционирования биологических динамических систем с использованием метода минимальной реализации.
К биологическим динамическим системам (БДС) относятся любые биосистемы (нейросети мозга, отдельные органы и функциональные системы организма (ФСО) человека), которые можно описывать вектором состояния х=(х1, Х2,...Хщ)Т в т-мерном фазо-
вом пространстве состояний. Наиболее широкое распространение получило описание БДС с помощью систем дифференциальных или разностных уравнений (ДУ и РУ). При этом удается исследовать режимы бифуркации рождения циклов или даже хаотические режимы поведения БДС [2,4,5]. Во многих случаях при изучении биологических и медицинских систем возникает также проблема изучения устойчивости таких систем, которые с позиций кибернетики описываются стационарными режимами (СР) вектора состояния х=(х], Х2,...Хщ)Т. При этом эти биологические динамические системы удовлетворяют условию стационарного режима вида dx/dt=0, а внешние возмущения способны вызывать отклонения положения вектора состояния системы (ВСС) от положения равновесия на некоторое расстояние Аг в фазовом пространстве состояний. В медицине такие отклонения вызваны заболеваниями (инфекция, травма, опухоли и др.) и они могут рассматриваться нами как возмущения (в моделях компартмент-но-кластерного подхода это представляется вектором ^)
Исследование устойчивости стационарных режимов технических и физических систем часто основывается на теории Ляпунова А.М. или адекватных ей теориях. При этом устойчивость линейных систем определяется отрицательностью действительных частей всех корней характеристического уравнения математических моделей (ММ) биосистем. Исследование устойчивости нелинейных систем требует рассмотрения невозмущенного и возмущенного движения. Если система после возмущения возвращается в исходное состояние, то состояние устойчивое, в противном случае - неустойчивое [1,2].
БДС, к которым относятся, как отмечено выше, ФСО человека, организм в целом и целые популяции, экосистемы и биосфера в общем, обладают рядом существенных отличий от физико-технических систем. Самым важным отличием является сложность структуры организации, которая в свою очередь может постоянно меняться. Причем может меняться и размерность фазового пространства щ, т.е. размерность вектора х. В этих случаях традиционные методы идентификации устойчивости СР для БДС становятся мало пригодны. В отличие от подходов, когда структура и функция физико-технического объекта заранее известны, для БДС часто используют метод «черного ящика». При этом характеристики связей между элементами системы остаются неопределенными, но динамика поведения идентифицируемой ММ адекватна динамике исследуемой БДС. Так как матрица А связей БДС определяется не однозначно, то мы получаем много моделей для одной БДС и возникает проблема выбора оптимальных матриц модели. В классическом подходе априори задается модель и множество ее режимов.
В НИИ биофизики и нейрокибернетики созданы программные продукты, обеспечивающие с помощью метода минимальной реализации (ММР) и метода адаптивного наблюдателя (МАН) идентификацию общих моделей БДС вида:
йх/ & = А(у )х - Ьх+пй (1)
у( )= Стх
При этом программа выдает ряд вариантов моделей (т.е. матриц А, С), и возникает задача выбора оптимальных параметров ММ (размерности фазового пространства щ, элементов матрицы щ и т.д.). Поскольку при исследовании устойчивости СР БДС считается, что все свойства системы неизвестны, то довольно часто мы используем систему «черного ящика».
По ответам на входные данные находится адекватная математическая модель (ММР, например). В классическом подходе ММ известна априори (т.е. известна матрица связей А). В случае слабо изученных БДС матрица связей не известна изначально и мы можем установить только соотношение между входными и выходными величинами. С помощью разработанных программ (ММР, метода адаптивного наблюдателя - МАН) можно построить ММ, динамика выхода которой с определенной точностью должна совпадать с динамикой выхода самой системы. Так как модель строится неоднозначно, возникает вопрос выбора оптимальной модели.
Существуют два ограничения, которые определяют понятие оптимальной ММ для БДС:
1. Погрешность измерений г матрицы А, ее собственных значений и векторов & и С должна быть в пределах 5-10% от величины выходного сигнала (это совпадает с погрешностью электрофизиологической и медицинской аппаратуры).
**Сургутский государственный университет, Сургут Тульский государственный университет, Тула
2. Порядок г идентифицируемого вектора состояний х (и матрицы А) не должен превышать число 7.
Существуют оптимальные значения г и щ, для которых и определяется адекватная ММ БДС, так как уменьшение погрешности г приводит к росту размерности щ и наоборот. В этом случае для БДС мы будем исследовать неизменность порядка матрицы А (размерности щ фазового пространства для вектора х) и собственных значений матрицы А (её инвариант).
При этом в классических исследованиях устойчивость БДС определяют для стационарных режимов самой модели. Далее модель переводят в возмущенное состояние и после чего её линеаризуют и исследуют на устойчивость в большом или малом. В нашем же подходе при изучении интервалов устойчивости БДС мы используем метод возмущений, когда внешними воздействиями изменяются не параметры системы, а сама БДС.
Это в свою очередь должно привести к структурной или параметрической перестройке БДС и ММ. Последнее должно отразиться на порядке фазового пространства или собственных значениях матрицы А модели БДС. При этом мы идентифицируем квазилинейное (в биологическом смысле) поведение системы, а затем - матрицы А и их собственные значения.
Поскольку имеются существенные отличия в динамике поведения биосистем от физико-технических и других систем, то необходимо в ходе проведения наблюдений, например над больными, постоянно выполнять ряд функций, связанных с идентификацией СР и устойчивости БДС, находящихся в СР. Особое внимание при этом приходится обращать на размерность х. Это требует выполнения ряда условий.
Во-первых, необходимо постоянно контролировать параметры вектора х, т.к. БДС находится в постоянном движении. Причем меняться может не только положение вектора состояния х в щ-мерном фазовом пространстве, но и размерность самого фазового пространства, параметры матрицы А, & С, коэффициент синергизма и другие важные параметры ММ. В настоящее время в НИИ биофизики и медицинской кибернетики при СурГУ разработаны такие мониторинговые системы на базе ЭВМ, которые обеспечивают идентификацию всех особенностей ММ для довольно широкого класса биосистем (нейросети мозга, биомеханические системы мышц, функциональные системы организма млекопитающих, популяции и колонии организмов в лабораторных условиях). Они позволяют не только в макроинтервалах времени (секунды, десятки и сотни секунд реального времени) исследовать такие процессы, но и в микроинтервалах, т. е. в пределах сотен миллисекунд. Последнее до недавнего времени было практически невозможно.
В ходе многолетних исследований нами было установлено, что очень часто наблюдаются такие режимы поведения БДС, когда система движется не только около точки покоя, но и одновременно меняются линейные свойства самих биосистем. Причем такое стационарное состояние животного может сопровождаться не только изменением линейного поведения биосистемы (ФСО, в частности), но и при определении ММ вектор х меняет свои координаты или размерность. Исходя из этого, мы дали новую трактовку метода идентификации устойчивости СР.
В наших исследованиях устойчивость СР БДС понимается теперь как ширина Аи& интервалов параметров внешних управляющих воздействий, в пределах которых матрицы А и их собственные значения не претерпевают существенных изменений. Причем такой подход легко можно реализовать с помощью ЭВМ в рамках реального медицинского наблюдения.
Для этого надо определить величину возмущения (физиотерапевтические процедуры, фармацевтические препараты, операция и т.д.) и его длительность т.. Как и в классическом случае, задается возмущение (изменяются параметры возмущающих воздействий), но теперь исследуются не линеаризованные и возмущенные феноменологически построенные системы уравнений, а сами получаемые по ответам от БДС (марковским параметрам у) математические модели, их матрицы и инварианты, например, в виде систем разностных уравнений вида:
х(+1) = Ах()+Вы() (2)
у(() = Сх()
При этом, изменяя амплитуды и длительности внешних воздействий, исследуются получаемые матрицы А и их собственные значения. Если при увеличении или уменьшении амплитуды (энергии) воздействия не изменяются существенно инварианты
матрицы А, то значит, что БДС не претерпевает существенных изменений. Однако в любом случае мы имеем «дребезг» марковских параметров при использовании предлагаемой процедуры идентификации ММ БДС. Такой «дребезг» всегда существует из-за погрешностей измерений физических приборов и самих методов измерений. Он очень характерен для таких биосистем. Существенно, что выбор оптимальных параметров устойчивости БДС совпадает с процедурой выбора оптимальных параметров воздействующих стимулов. Продемонстрируем эту процедуру для экспериментов с изучением устойчивости респираторных нейронных сетей (РНС) дыхательного центра млекопитающих. Это довольно характерная БДС, которая изменяется в ходе различных патологических состояний. Например, в ходе беременности у женщин существенно изменяются параметры внешнего и клеточного дыхания. Эти изменения могут быть смоделированы в рамках моделей (1) или (2) в том числе и на предмет устойчивости СР. Однако мы более детально рассмотрим экспериментальные данные на животных, т.к. они демонстрируют широкие возможности математического моделирования БДС в таких интервалах времени. Последнее вообще никто не пытался выполнить из-за сложностей идентификации БДС в микроинтервалах времени. Сразу заметим, что успешное решение задач структурной и параметрической идентификации в микроинтервалах времени параметров математической модели РНС (а на их основе и идентификации интервалов устойчивости респираторных нейронных сетей - РНС) невозможно без решения задач выбора оптимальной длительности т входного воздействия, выбора частоты квантования Ещах реального непрерывного сигнала и оценки интервала Т регистрации ответа исследуемой РНС.
Мы предлагаем решение этих задач в рамках линейной модели РНС вида (2), параметры которой могут быть идентифицированы методом минимальных реализаций. При частичной минимальной реализации последовательности, состоящей из к
марковских параметров у, размерность щ системы линейного
приближения будет определяться соотношением 2щ+1=к [26, 27, 30]. Тогда минимальная продолжительность Т регистрации ответа БДС, например, РНС на предъявляемый стимул длительностью т связана неравенством Т>(2т+1)т . Следовательно, ограничение на величину т задается в виде
Т (3)
т <-------- (3)
2щ +1
При использовании ММР длительность входного воздействия т будет равняться шагу счета разностной модели (3), т.е. периоду дискретизации времени при регистрации ответа РНС или моделей других БДС. Оценка допустимого интервала т е[тщщ тщах] - это более сложная задача. Наш критерий оценки указанного интервала и оптимального значения т основан на следующем алгоритме. Если при изменении т, например, путем перехода от т к т2 математические модели исследуемых БДС, например, РНС не претерпевают значительных изменений, то считается, что Т2 находится внутри искомого интервала, т.е. т е[ттщ ттах]
При классическом подходе для сравнения состояния системы при разных воздействиях обычно анализируют нормы матриц А модели и, если вариация нормы не превышает некоторую величину, то считают, что динамическая система пребывает приблизительно в том же состоянии.
Наши экспериментальные данные показали обратное. Даже простые БДС могут существенно изменять свою структуру (например, менялся порядок модели т для РНС в ходе нейрофизиологического эксперимента) без существенного изменения нормы матрицы. Вследствие этого нами предлагается в качестве показателя состояния использовать такие инварианты системы, как собственные числа получаемые в результате эксперимента матрицы А при одинаковом порядке щ.
Пусть в результате эксперимента при длительности входного импульса Т] была получена матрица А], а при длительности входного импульса Тq=gТ], где q=2, 3,..., к, получена матрица Ад. Обозначим значения матрицы А] через Л],., Лщ, а собственные з н ач е н ия Ад - Л ,..., Лщ ■ Тогда, если среди л и Л. попарно найдутся с точностью до перенумерации такие значения, что
Л) = Л,, где 1=1,..., щ, (4)
то считаем, что сравниваемые линейные модели идентичны.
Из (3) и (4) следует процедура нахождения верхней границы интервала, когда исследования производятся в рамках одной и той же линейной модели РНС при кратном изменении длительности входного стимула. Для выбранного определенного значения т, удовлетворяющего неравенству (3), производится идентификация методом ММР матрицы А и находятся ее собственные значения X. (i = 1,...,m)- Затем, последовательно увеличивая q
на единицу и проводя новую идентификацию, находим X (i = 1,...,m) и такое значения q*, для которого уже не будет
выполняться с точностью до перенумерации равенство (4). В результате найденное значение - =(q" - iV будет являться
max \Ч !
верхней границей длительности входного стимула, когда действует одна и та же математическая модель, а следовательно и состояние системы остается неизменным. Найденное значение Тmax также характеризует нижнюю границу частоты внешнего электрического стимула f , = 1J-
Важным элементом при выборе допустимого интервала длительности стимула является нижняя граница внешнего управляющего воздействия - T-in. С одной стороны эту границу необходимо знать для задания оптимального Т , с другой стороны значение -min, фактически, определяет период квантования сигнала при использовании АЦП. Мы прелагаем следующее решение этой задачи. Пусть некоторым образом, например согласно (3), задается исходная величина тт стимула. По результатам экспериментальной идентификации определяется матрица Ат модели вида (4) имеет собственные значения X, K, X ■ Тогда можно
выбрать некоторое фиксированное q<1 (для удобства q= 1) и последовательно возрастающие />1 (например, /=2,3,..., /), такие, что образуется последовательность q/l убывающих элементов, меньших 1. Определяя новую длительность -1 = (q — )// стимула и выполняя идентификацию, получаем новую матрицу Ат и соответствующие ей собственные числа X X . Тогда если
У^1 , . . . , Л-
среди X и X- попарно найдутся с точностью до перенумерации такие значения, что
(X)т = X где i=1, ...,m, (5)
то будем считать, что в рамках этого приближения сравниваемые линейные модели идентичны. Последовательно увеличивая / и получая новые X,..., Xm, можно найти граничное значение /, для которого уже не будет выполняться с точностью до перенумерации равенство (5). Это значение / определит нижнюю границу интервала длительностей стимула Tmin=(q-T)/(l -1). Соответственно может быть определена верхняя граница частоты внешнего электрического стимула fmax=1/-min.
Для проверки (5) существует необходимость извлечения корня l-го порядка из Ат (при q=T), что приводит к получению / матриц и такого же числа наборов собственных значений. В этом случае ЭВМ по программе производит перебор максимум l наборов собственных значений, останавливаясь в этой процедуре при не выполнении (5). Зная границы допустимого и интервала длительностей стимула - ^-in, -max ], можно определить оптимальную величину длительности стимула - как
- 1 - (6)
2
из соображений возможности сдвига границ указанного промежутка при функционировании РНС.
.гАн-Л-
Рис. 1. Зависимость вторичных рефлекторных ответов (СБС-ответ) 10-го внутреннего межреберного нерва от длительности стимуляции
В острых экспериментах по идентификации математических моделей экпираторных нейронных сетей - ЭНС, например, кошки (на рис. 1) при кратном изменении длительности стимула т = дтх, т = 5 мсек, а д=2,3,4 мы получали возрастающую
последовательность перроновых кор-
ней: Л = 1,55; Л2 = 2,44; Л = 3,70; Л4 = 5^ уд°влетв°ряющих условию (4), что говорит об относительно неизменном состоянии исследуемой динамической системы.
В качестве примера также покажем, что при идентификации компартментной структуры инспираторной нейронной сети -ИНС кошки условие (4) также выполнялось. На рис. 2 и рис. 3 представлены ответы диафрагмального нерва кошки при стимуляции (с увеличением амплитуды стимула и увеличением длительности стимула соответственно) инспираторных структур ретикулярного гигантоклеточного ядра (интегральная активность). Для случая и=18В в интервале
Ге[Гт;п,Гтах ]=[15 Мс, 210мс] собственные значения матрицы А удовлетворяли условиям теоремы Фробениуса - Перрона, а при кратном изменении длительности раздражающих импульсов выполнялись условия (4) и (5) приблизительной неизменности собственных значений матрицы А.
В табл. 1 указаны (в усл. единицах) значения марковских параметров для разных вариантов длительностей раздражающего стимула (случай ИНС и их интегральных выходов - рис. 3 ).
Рис. 2. Инспираторная активность (при изменении амплитуды стимула) диафрагмального нерва кошки при стимуляции инспираторных структур ретикулярного гигантоклеточного ядра (интегральная активность)
Таблица 1
Марковские параметры для различных длительностей стимула (в условных единицах)
Ух Уі У2 Уз У4 У5 Уб Уі Уз У?
т=15 мс 5,0 11,5 15,5 17,0 16,7 14,5 11,0 7,0 4,0
т=20 мс 6,0 12,0 17,0 18,5 19,0 16,7 9,1 3,0 1,0
z=50 мс 14,0 20,0 22,1 22,0 22,0 18,0 14,0 11,0 6,0
т=100мс 14,5 22,9 27,0 28,3 26,0 20,0 15,0 11,0 2,9
При этом для амплитудных изменений допустимым был интервал (6, 22) В. За пределами указанных интервалов наблюдались либо нелинейные свойства сети (для амплитудных изменений), либо значительно (более 5%) изменялись инварианты матрицы А. Рассчитывая оптимальное значение длительности стимула по (6), была получена средняя величин т=112,5 мс (6).
Рис. 3. Инспираторная активность (при изменении длительности стимула) диафрагмального нерва кошки при стимуляции инспираторных структур ретикулярного гигантоклеточного ядра (интегральная активность)
Используя алгоритмы отыскания -min, и -max, мы определяем оптимальные значения -, которые обеспечивают нам сходящуюся процедуру построения математической модели РНС и дают возможность судить о структурной устойчивости по отношению к внешнему стимулу длительностью -.
Наличие перронова корня для рассмотренных случаев говорит о возможности существования окончательно неотрицательной матрицы межкомпартментных связей, что указывает на согласованный, взаимоподдерживающий характер взаимодействий между компартментами как для случая ЭНС, так и для случая ИНС. Нами разработана процедура (алгоритмы, программные продукты и теория) метода отыскания интервалов устойчивости РНС, которая может быть применима для любых биологических динамических систем, к которым относятся не только РНС, но и ФСО беременных женщин при гестозах или больных сахарным диабетом 2-го типа (иногда эти заболевания были сочетанными). Представленные методы идентификации интервалов устойчивости БДС находят применение при отыскании интервалов устойчивости ФСО человека к различным экологическим факторам среды, а также популяций и экосистем к внешним условиям.
Важно подчеркнуть универсальность метода анализа отклика БДС и анализа интегральных марковских параметров на внешние предъявляемые раздражители (возмущения).
Дополнительно, в рамках теории хаоса и синергетики, мы сейчас рассчитываем параметры аттракторов вектора состояния организма человека при женских патологиях, а также при цереброваскулярных метаболических нарушениях. В этом случае для изучения устойчивости БДС к «дребезгу» марковских параметров требуется ввести элементы стохастичности в исходно детерминистские модели биообъектов. Именно это было сделано нами с учетом возможных значений погрешностей измерений в пределах 5-10 % и наблюдаемостью «дребезга» марковских параметров при изучении различных БДС. Учет стохастичности (а в общем случае - хаотичности) марковских параметров дополнительно влияет и на определение интервалов устойчивости БДС.
Литература
1. Воеводин В.В., Кузнецов ЮА. Матрицы и вычислениями Наука, 1984.- 230 с.
2. Еськов В.М. Введение в компартментную теорию респираторных нейросетей.- М. Наука, 1994.-156 с.
3. Еськов В.,Филатова О.Компьютерная идентификация респираторных нейронных сетей .-Пущино: ОНТИ РАН,1994.-94 с.
4. В.М. Еськов и др. Синергетика в клинической кибернетике. Ч. I.- Самара: Офорт, 2006 - 233 с.
5. В. М. Еськов и др. Синергетика в клинической кибернетике: монография.- Часть II. Особенности саногенеза и патогенеза в условиях Ханты-Мансийского автономного округа - Югры / Под ред. А.И. Григорьева.- Самара: Офорт, 2007.- 292 с.
6. Малинецкий Г.Г., Потапов А.Б. Нелинейная динамика и хаос. Основные понятия. М. УРСС, 2006.- 237 с.
7. Хакен Г. Принцип работы головного мозга.- М: PerSe., 2001.- 352 с.
8. Filatova O.E./ Neural network world.- 1998.- №°3.- P. 329
9. Es'kov V., Filatova O.// Biophys-№3.- 1999.- P. 510-517.
MEDICAL-BIOLOGICAL INTERPRETATION OF THE NOTION OF-
BIOLOGICAL DYNAMIC SYSTEM’S STAT IONAL REGIME
A.C. ANUFRIEV, V.M. ESKOV, A.G. NAZIN, V. POLUKHIN,
S.A. TRETIAKOV, K.A. KHADARTSEVA
Summary
The new methods to identification of stationary interval of biological dynamic systems were presented. The specific biological features of the use of this methods for study of respiratoryneuron brain systems with values of optimal models are described.
Key words: biological dynamic systems
УДК 612.62:616-006-07
ФУНКЦИОНАЛЬНОЕ СОСТОЯНИЕ НЕЙТРОФИЛОВ И АНТИОКСИ-ДАНТНЫЙ СТАТУС У КРЫС С АСЦИТНОЙ ОПУХОЛЬЮ ЯИЧНИКОВ
Т.П.ГЕНИНГ, Т.В.АБАКУМОВА, Д.Р.АРСЛАНОВА*
Экспериментальное воспроизведение модели асцитной опухоли яичника на лабораторных крысах позволяет изучать взаимоотношение организма и неоплазмы in vivo [3]. В последнее время особое внимание в медико-биологических исследованиях уделяется зависимости процессов канцерогенеза, иммунного ответа и проявлению антиоксидантных возможностей организма.
Гомеостаз в организме зависит от интенсивности перекис-ного окисления липидов (ПОЛ) в биомембранах и мощности антиоксидантных систем, в норме поддерживающих ПОЛ стационарно на низком уровне. Установлено, что неконтролируемая пролиферация клеток связана с повышением уровня перекисного окисления и дефицитом цАМФ, способным усиливать митохондриальное дыхание и тем самым снижать внутриклеточное рО2. Т.о., для малигнизации нормальных клеток и поддержания их в качестве неопластических необходима состояние повышенной гипероксии [4,10]. Цитотоксические вещества, выделяемые опухолевыми клетками в процессе инвазивного роста, вызывают деструктивные изменения в местах контакта со здоровыми тканями. С другой стороны, при воспалении или в зоне роста опухоли потенциальная способность фагоцитирующих клеток продуцировать активные формы кислорода (АФК) многократно увеличивается, что является повреждающим фактором по отношению как к чужеродным клеткам, так и здоровым клеткам организма. Одним из источников АФК в организме животного являются фагоцитирующие клетки (нейтрофилы, макрофаги), которые реализуют неспецифический иммунный ответ [5]. Физиологическая защита тканей от окислительного стресса обеспечивается специальной многоуровневой антиоксидантной системой, задачей которой является предохранение тканей от избыточного образования свободно-радикальных молекул.
Клетки асцитной опухоли существуют во взвешенном состоянии в накапливающейся перитонеальной жидкости, а мигрирующие из кровяного русла нейтрофилы (Нф) непосредственно реализуют свою функцию, тем самым увеличивая продукцию АФК. При этом потенциал системы «перекисное окислении -антиоксидант» возрастает, т.к. сопряженная система «перекисное окисление - антиоксидант» (ПОЛ-АО) подвержена разнонаправленным изменениям в процессе инвазивного роста опухоли.
Цель исследования - изучение функционального состояния нейтрофилов и системы ПОЛ-АО у крыс при развитии асцитной опухоли яичников.
Материал и методы. Использованы инбредные крысы возраста 4 мес. (m=120 гр) (n=10), которым внутрибрюшинно перевивали асцитную опухоль яичника (РОНЦ им. Н.Н Блохина). На 13-е сутки у животных-опухоленосителей под эфирным наркозом забирались асцитическая жидкость с опухолевыми клетками и периферическая кровь. Контрольную группу составляли интакт-ные 4-месячные самки, у которых исследовали яичники (n=12) и кровь (n=8). После центрифугирования (при 1000 оборотов 10 мин) в взвеси опухолевых клеток и гомогенате яичников определялись активность каталазы [6], глутатионредутазы [2], уровень малонового диальдегида (МДА) [1], сульфгидрильных групп и глутатиона восстановленного (GSH) (Ellman, 1972). Белок определяли по методу Брэдфорда (Bradford M.M, 1976).
В Нф асцитической жидкости и периферической крови крыс-опухоленосителей цитохимически определяли НСТ, уровень миелопероксидазы (МПО) [6], а также поглотительную способность Нф (рассчитывали фагоцитарный индекс (%) и фагоцитарное число). Результаты выражали в виде среднего цитохимического коэффициента. Статистическую значимость полученных результатов оценивали с помощью непараметрического критерия Манна - Уитни.
Результаты. Во взвеси опухолевых клеток и яичниках опытных животных по сравнению с контрольной группой наблюдается активация антиоксидантных ферментов наряду с увеличением содержания продуктов свободнорадикального окисления, т.е. наблюдается напряжение всей системы «ПО-антиоксидант».
* Кафедра физиологии и патофизиологии ИМЭиФК, Ульяновский ГУ 432000, г.Ульяновск, ул. Арх.Ливчака, д.2
