web analytics

Posts etiquetados con ‘epidemias’

Las reglas del contagio

Capitán Swing acaba de publicar el último libro de Adam Kucharski, “Las reglas del contagio. Cómo surgen, se propagan y desaparecen las epidemias”.  Aquí van algunos comentarios tras su lectura, que recomiendo a todos los seguidores de Matemáticas y sus fronteras.

 

Aunque la edición de este libro podría parecer oportunista en la actual pandemia de la Covid-19, nada más lejos de la realidad. La edición británica estaba ya lista en febrero, cuando la pendemia estaba lejos de ser la pesadilla que ahora padecemos. Y este libro no está dedicado especialmente a ella, sino que va mucho más allá.

Es cierto que el autor recuerda como la ciencia ha ido poco  apoco tomando más conocimiento de la propagación de las enfermedades. En particular, los trabajos fundacionales de Ronald Ross sobre la malaria, y el papel de los mosquitos en la misma, que le valieron el segundo premio Nobel de Medicina o Fisiología de la historia; o la creación del modelo SIR por Anderson Gray McKendrick y William Ogilvy Kermack; o la recreación de la labor detectivesca de John Snow para demostrar que el cólera era causado por el consumo de aguas contaminadas con materias fecales en Londres en el año 1854.

Pero si las matemáticas nos enseñan como se comporta una epidemia y además como podemos controlarla, esos modelos, ¿no podrían servir para otros fines? Y así, Kucharski nos muestra como podemos usarlos para investigar como se pueden transmitir las ideas, o como se puede influir en el sentido de voto en unas elecciones, o como una noticia falsa se puede propagar a través de las redes sociales. A menudo nos referimos a algunos sucesos con el calificativo de virales: este libro justifica el nombre. Y puestos a hablar de fenómenos virales, Kucharski hace un repaso inquietante a los virus informáticos, y nos enseña el peligro en el que vivimos porque los programas informáticos (como los virus biológicos) contienen cadenas de otros programas, y es más, los propios virus informáticos pueden mutar (tal y como lo hacen los biológicos) y pasar a ser incontrolables.

Pero también se pueden usar estas enseñanazas en el buen camino. ¿Cómo evitar que se propaguen estallidos de violencia? ¿Cómo conseguir que los ciudadanos sigan buenas prácticas? ¿Cómo evitar delitos y asesinatos? ¿Cómo usar los datos que compartimos sobre nosotros mismos para que puedan servir para mejorar nuestra salud y nuestro bienestar general? Porque continuamente estamos compartiendo datos, sin saberlo muchas veces, y no siempre estos son usados en nuestro beneficio.

Recomiendo entusiásticamente la lectura de este libro. La lectura es muy ágil y realmente apasionante. Cuando lo vaya leyendo y entre en internet, en sus cuentas de correo, en su redes sociales, bien con su móvil, bien con su ordenador, no dejará de sentir algo de desazón.

 

Adam Kucharski

 

Sobre el autor

Reproducimos la ficha biográfica que aporta la editorial.

Adam Kucharski es profesor asociado y miembro del Departamento de Epidemiología de Enfermedades Infecciosas de la Escuela de Higiene y Medicina Tropical de Londres. Su investigación utiliza modelos matemáticos y estadísticos para comprender los brotes de enfermedades y los efectos del comportamiento social y la inmunidad en la transmisión y el control. De 2013 a 2017 obtuvo un Premio de Desarrollo Profesional del Consejo de Investigación Médica en Bioestadística. Gran parte de su trabajo consiste en desarrollar nuevos enfoques matemáticos y estadísticos para comprender la dinámica de los brotes de enfermedades infecciosas, y está particularmente interesado en cómo combinar diferentes fuentes de datos para descubrir la dinámica de transmisión y el impacto de las intervenciones. Esta investigación cubre infecciones de transmisión directa como la gripe y el ébola, así como los arbovirus como el dengue y el virus del Zika. La participación pública también es una parte importante de su trabajo: además de organizar eventos en escuelas, museos y festivales, ha trabajado en varios proyectos que vinculan la ciencia ciudadana con la recopilación de datos a gran escala. Es miembro de TED y ganador en 2016 del Premio Rosalind Franklin a la Mejor Conferencia y del Premio Wellcome Trust Science Writing 2012. Ha escrito para medios como The Observer, Financial Times, Scientific American y New Statesman.

Y para que ustedes lo conozcan mejor, les dejo con esta conferencia

Imagen de previsualización de YouTube

__________

Manuel de León (CSIC, Fundador del ICMAT, Real Academia de Ciencias, Real Academia Canaria de Ciencias, Real Academia Galega de Ciencias)

 

Etiquetas: , , ,
Categorias: Covid-19

La propagación de una epidemia usando cadenas de Markov (IV)

Las cadenas de Markov se han revelado de una enorme utilidad en numerosos campos, en particular, en la predicción y el control del desarrollo de una epidemia. En esta entrada vamos a considerar dos situaciones diferentes, referidas al virus VIH del SIDA y al virus SARS-CoV-2 de la Covid-19, analizadas mediante dos modelos sencillos.

Andrey Markov

Como habíamos comentado en entradas anteriores, una cadena de Markov es un proceso estocástico o conjunto de variables aleatorias (en cantidad discreta o continua, según el contexto) caracterizadas por la propiedad Markoviana, es decir, se refleja que el valor o estado de la variable asociada a un instante concreto de tiempo determina el siguiente estado del sistema en estudio, pero éste no depende de los estados asociados a las variables aleatorias anteriores. En otras palabras, “el futuro depende del pasado, pero sólo a través del presente”.

Las aplicaciones de las cadenas de Markov en el estudio de epidemias se desarrollan en paralelo a aquéllas realizadas desde el uso de ecuaciones diferenciales. El lector habitual de este blog puede observar ese paralelismo en dos de nuestras recientes entradas. En concreto, el modelo SIR en la entrada Las matemáticas del coronavirus Covid-19 es construido en el contexto determinístico, mientras que nuestros comentarios en la entrada Las matemáticas contra la malaria y el modelo SIR destacaban el papel crucial de Anderson Grey McKendrick en la formulación estocástica del modelo SIR.

Es importante incidir sobre las diferencias fundamentales entre el mundo determinista y el mundo estocástico, tanto para identificar la herramienta matemática usada como para entender el objeto en estudio. A pesar de que hablamos en ambos casos de ecuaciones diferenciales, éstas son concebidas de manera diferente:

  • En el contexto determinista, las ecuaciones diferenciales regulan la evolución de los números de susceptibles, de infectados y de recuperados – equivalentemente, sus proporciones – en cada instante de tiempo t, concibiendo estos números como funciones de t (el tiempo), de modo que cada uno de estos números es una función real de variable real.
  • En el contexto estocástico, las ecuaciones diferenciales involucran a la distribución de probabilidad conjunta de los números de susceptibles, de infectados y de recuperados en el instante de tiempo t, concibiendo estos números como variables aleatorias y tenemos, en el caso del modelo SIR, tres variables aleatorias asociadas (los números de susceptibles, infectados y recuperados) a cada instante de tiempo t.

Como consecuencia de lo anterior, la solución del sistema de ecuaciones diferenciales en un contexto determinista permite dibujar los números de susceptibles, de infectados y de recuperados en función del tiempo y la curva representando a uno de estos números, por ejemplo, el número de infectados I(t) en el instante t, sobre unos ejes cartesianos es única como función real de t. Por el contrario, cuando se resuelve el sistema de ecuaciones diferenciales en el contexto estocástico se obtiene la distribución de probabilidad conjunta de los números de susceptibles, de infectados y de recuperados en cada instante de tiempo t. Si, por ejemplo, nos centramos en el número de infectados I(t) en el instante t, entonces es posible dibujar la probabilidad de que I(t) = i como una curva como función de t, para cada valor i entre 0, 1, …, N, siendo N el tamaño total de la población. Esas curvas, y tenemos una para cada valor i, expresan cómo de verosímiles son cada uno de los valores posibles de la variable aleatoria I(t). Informalmente hablando, esto equivale a lo siguiente:

Si fuéramos capaces de reproducir un número n grande de situaciones prácticas de la propagación de una epidemia de tipo SIR entre los individuos de una población y contabilizásemos, en un instante de tiempo t concreto, la frecuencia relativa de aparición de cada valor i entre esas n situaciones, esas frecuencias relativas serían una estimación de la probabilidad de que I(t) = i, tanto más precisa cuanto mayor sea el número grande n de situaciones observadas.

Andrey Kolmogorov

En este punto, la llave que formaliza el comportamiento asintótico que, cuando n tiende hacia infinito, subyace en nuestro comentario es uno de los resultados fundamentales de la Teoría de la Probabilidad moderna, las leyes de los grandes números, que permiten acceder a la definición axiomática de probabilidad – formulada por el matemático ruso Andrey Nikolaevich Kolmogorov (Tambov, 1903 – Moscú, 1987) – desde la noción de probabilidad frecuentista vigente hasta principios de 1930. Para ello es necesario aludir a la convergencia en probabilidad (ley débil) o a la convergencia casi segura (ley fuerte).

Una vez hecha, quizás no muy brevemente, esta puntualización sobre modelos deterministas versus modelos estocásticos, nos centramos en el contexto estocástico y comentamos sobre dos modelos de epidemias basados en cadenas de Markov. Hemos usado dos artículos científicos en los que el lector interesado en profundizar más allá de este blog podrá encontrar más detalles y bibliografía.

 

La epidemia del VIH/SIDA

En el artículo titulado “Modelo estocástico para la epidemia del VIH/SIDA”, de Erick Manuel Delgado-Moya y Aymée Marrero-Severo, se construye una sencilla cadena de Markov de la siguiente forma:

Se definen, como en las variantes del modelo SIR, cuatro posibles estados para un individuo de la población en cuestión: S (susceptible), I (infectado), N (individuo muerto por muerte natural) y E (individuo muerto a causa de la enfermedad). Como unidad de tiempo se emplea el año, generando entonces una cadena de Markov en tiempo discreto cuando el estado de un individuo es registrado, por ejemplo, el día 1 de marzo de cada año, si éste se sometiera a pruebas diagnósticas con una periodicidad anual. Las probabilidades asociadas a la evolución del estado de un individuo entre dos etapas consecutivas, es decir, desde una revisión diagnóstica y la siguiente, se denotan por

α: probabilidad de mantenerse en el estado de susceptible.

β: probabilidad de mantenerse en el estado de infectado.

μ: probabilidad de muerte natural.

γ: probabilidad de, estando en el estado susceptible, pasar al estado de infectado.

ε: probabilidad de muerte por la enfermedad, dado que está en el estado infectado.

 

Debemos recordar que, para obtener una matriz de transición, se deben cumplir las relaciones

α+γ+μ= 1   y  β+μ+ ε = 1.

Las probabilidades anteriores están ligadas a las transiciones

de modo que la matriz de transición viene dada por

 

Sin entrar en los detalles del estudio de Erick Manuel Delgado-Moya y Aymée Marrero-Severo, una cuestión interesante está asociada a cómo influir para mejorar los resultados en el tratamiento terapéutico de un paciente. Tendríamos, por tanto, que influir sobre el parámetro ε, que se suele parametrizar como una función o índice de eficacia. Claro que, si reducimos la mortalidad con el tratamiento, también podríamos estar contribuyendo a aumentar el número de infectados.

Ciclo de replicación del virus del SIDA

Surge entonces un interesante problema vinculado al control del número de infectados que, en el caso del SIDA, se puede abordar desde la abstinencia, la reducción de las prácticas sexuales o el uso de barreras profilácticas (preservativos), así como desde los beneficios de un adecuado tratamiento terapéutico. Como un procedimiento alternativo al realizado por los autores, mencionamos que es posible abordar el problema de control – resultante desde la introducción de costes – usando la teoría de la decisión Markoviana que combina cadenas de Markov con técnicas de Optimización Matemática.

La lucha contra el coronavirus SARS-CoV-2 de la Covid-19

Describimos ahora, de manera concisa, el modelo diseñado en el reciente artículo “COVID-19: Estimating spread in Spain solving an inverse problem with a probabilistic model”, de Marcos Matabuena, Carlos Meijide-García, Pablo Rodríguez-Mier y Víctor Leborán. Con nuestros comentarios no pretendemos reproducir su contenido, sino poner de manifiesto cómo es posible partir de un modelo sencillo, basado en una cadena de Markov, y generar una variante más avanzada prescindiendo de los principios Markovianos.

Previamente, es obligado hacer dos observaciones necesarias para entender cómo describir una cadena de Markov en tiempo continuo desde elementos más sencillos. En concreto, una cadena de Markov en tiempo continuo, denotada por {X(t): t0}, podemos describirla a través de combinar dos elementos:

  • La sucesión de estados visitados, {Xn: n=0,1,…}, que resulta ser una cadena de Markov en tiempo discreto, denominada cadena encajada, y tiene una matriz de transición específica.
  • La sucesión de tiempos de permanencia en los estados visitados que, en el supuesto de que el proceso acceda al estado i, implica que el tiempo de permanencia en ese estado es una variable aleatoria exponencial de parámetro α(i), de manera que el tiempo medio de permanencia en el estado i es 1/α(i), y no depende de los estados anteriormente visitados antes de acceder a i, ni del estado que se visitará cuando el proceso abandone i.

El lector avanzado dentro de la teoría de procesos estocásticos observará que la anterior descripción se refiere a una cadena de Markov en tiempo continuo regular y no de cualquiera, pero esta descripción es suficiente para nuestro objetivo en este ejemplo.

En este caso, el modelo de Marcos Matabuena, Carlos Meijide-García, Pablo Rodríguez-Mier y Víctor Leborán contiene las siguientes variables:

S(t):  número de individuos susceptibles en el instante t

I1(t): número de individuos infectados que están incubando el virus en el instante t

I2(t):  número de individuos infectados que han pasado el periodo de incubación, pero no muestran síntomas de la enfermedad en el instante t

I3(t):  número de individuos infectados que han pasado el periodo de incubación y presentan síntomas en el instante t

R1(t): número de individuos recuperados que son todavía capaces de infectar a otros en el instante t

R2(t): número de individuos recuperados que no son capaces de infectar a otros en el instante t

M(t): número de fallecidos acumulados hasta el instante t

Entonces, I(t) = I1(t) + I2(t) +I3(t) representa el número total de infectados en el instante de tiempo t, y R(t) = R1(t) + R2(t) es el número de recuperados.

El siguiente gráfico es una representación esquemática de las transiciones entre los siete compartimentos o subpoblaciones que las variables anteriores generan:

Representación esquemática tomada desde el artículo de Marcos Matabuena, Carlos Meijide-García, Pablo Rodríguez-Mier y Víctor Leborán, arxiv.org/abs/2004.13695

 

Si queremos alimentar la sopa de letras surgida desde el modelo SIR, entonces la anterior figura es un ejemplo de otra variante del modelo SIR.

El modelo construido para las anteriores variables aleatorias sirve a los autores para extraer interesantes conclusiones para España, con comentarios específicos sobre sus Comunidades Autónomas, aunque no lo hagan directamente desde una cadena de Markov en tiempo continuo, sino un proceso inspirado en ella. En concreto, usan una matriz de transición de la cadena encajada de la forma

Sin embargo, la experiencia de los autores y la literatura existente ha llevado a éstos a reemplazar la hipótesis de exponencialidad sobre los tiempos de permanencia por otras distribuciones de probabilidad que hacen que el proceso estocástico (S(t), I1(t), I2(t), I3(t), R1(t), R2(t), M(t)) no sea Markoviano, pero sí se ajuste mejor a la incidencia del virus SARS-CoV-2 sobre la población española. Aparentemente, la dependencia de los estados de destino en las transiciones en la siguiente tabla (por ejemplo, el tiempo de permanencia en el estado I3 depende del estado final de transición R1 y M) nos lleva a sospechar que el proceso (S(t), I1(t), I2(t), I3(t), R1(t), R2(t), M(t)) no conserva, ni tan siquiera, las virtudes de un proceso de Markov determinista por partes (piecewise-deterministic Markov process). El modelo resultante no es estacionario y tiene una estructura de dependencia compleja.

Las distribuciones usadas por Marcos Matabuena, Carlos Meijide-García, Pablo Rodríguez-Mier y Víctor Leborán.

 

Para el resto de detalles, de tanta actualidad en los días que vivimos, remitimos al lector al artículo original de los autores.

_____

Manuel de León (Instituto de Ciencias Matemáticas CSIC, Real Academia de Ciencias) y Antonio Gómez Corral (Universidad Complutense de Madrid)

Etiquetas: , , ,
Categorias: Covid-19

Sopa de letras: Más allá del modelo SIR

En entradas anteriores hemos hablado del modelo SIR y de su exitosa trayectoria desde sus orígenes. Por eso, no es de extrañar que un siglo después siga siendo el modelo de referencia en Epidemiología Matemática. No obstante, siguiendo la máxima pragmática, un modelo es tan bueno como su capacidad para ser útil. En este sentido, algunas objeciones al modelo SIR han impulsado el desarrollo de variantes que describiremos en este artículo y aproximaciones alternativas, como las variantes estocásticas o los modelos en “red” (epidemic networks) que reservamos para futuras entradas en este blog.

 


Imagen por microscopio electrónico del SARS-CoV-2 (en naranja). Fuente: National Institute of Allergy and Infectious Diseases

La Biología no actúa de manera instantánea: el modelo SEIR

La primera objeción más frecuente es que el término de la derecha de la ecuación para la evolución de los susceptibles

implica indirectamente que un infectado se vuelve infeccioso instantáneamente. Evidentemente, el virus infecta progresivamente al sujeto, aunque los síntomas sólo se aprecian unos días después de la infección. Como discutimos en El aspecto del enemigo, uno de los desafíos del SARS-CoV-2 es el tiempo en el que un infectado es asintomático, pero puede infectar a otros susceptibles. El modelo SEIR incluye un estado intermedio, E (abreviatura de “Expuestos”), que trata de simular ese periodo de latencia. No siempre los individuos etiquetados en el estado E transmiten la enfermedad; por ejemplo, en el caso de la tuberculosis, se refiere a un estado anterior a la infección activa y durante el cual los bacilos – de la especie Mycobacterium tuberculosis – están en fase latente, de manera que el individuo está infectado pero no puede transmitir la tuberculosis a otros, pero porta bacilos latentes en su organismo que, tarde o temprano, progresarán hacia una infección activa.

Figura 1: Esquema del modelo SEIR. El estado E representa a los sujetos “expuestos” a la infección pero que aún no presentan síntomas.

 

Este modelo introduce mucha flexibilidad al incorporar dos nuevos parámetros, el tiempo de latencia, tL, y la probabilidad de que un sujeto asintomático sea infeccioso, e. Es el más utilizado estos días para hacer predicciones cuantitativas de la epidemia de coronavirus, algunas destacadas en prensa, como aquellas de los grupos de Imperial College, Oxford, o las iniciativas colectivas CEMAT o Healthdata.

Si recuerdan de nuestras entradas anteriores, definimos el ritmo (o factor) reproductivo básico, R0, como el número medio de contagios propagados por cada persona contagiada. Para el modelo SIR este parámetro tomaba el valor

 

Bajo la luz del modelo SEIR, este parámetro toma la forma

Es decir, el modelo SIR subestima R0. Eso son malas noticias, aunque tiene bastante sentido: los sujetos asintomáticos siguen propagando la infección, aunque no sean conscientes de ello, con probabilidad e, y su impacto aumenta con el tiempo medio de latencia, tL.

¿Es el confinamiento o la vacunación la solución a nuestros problemas?

La siguiente pregunta que podemos hacernos concierne la eficacia (a nivel epidemiológico, no a nivel biológico) de vacunar a la población. Esto se puede hacer antes del brote de la epidemia, en cuyo caso, nuestro modelo sería idéntico a un modelo SIR o SEIR, salvo por el hecho de que la población susceptible sería sólo una fracción de la población total; es decir, es necesario incorporar un nuevo estado V para aquellos individuos sobre los que la vacuna induce algún grado de protección. Otra interpretación de este tipo de intervención es el confinamiento que estamos sufriendo estos días. En este escenario, los pacientes diagnosticados son hospitalizados y aislados para evitar que contagien a otros susceptibles. En tal caso, el modelo suele denominarse SITR (Figura 2).

Figura 2: Esquema del modelo SITR. Una fracción de los pacientes infectados es “tratada” (es decir, tratados clínicamente, aislados, vacunados) o confinada de tal manera que se evita que una proporción de infectados infecte a otros pacientes.

El estado T también puede entenderse como un modelo con cuarentena (Q, del inglés quarantine) en el que los pacientes infectados diagnosticados son aislados. Este modelo también es muy versátil porque se pueden contemplar situaciones en las que después del aislamiento y durante un tiempo tA,  una fracción δ sigue siendo infecciosa. En este caso, R0 tomaría el valor

donde γ es inversamente proporcional al tiempo medio que se tarda en detectar a un nuevo infectado y ponerle en aislamiento. De nuevo, el modelo arroja mucha información sobre la importancia de realizar tests a la población (a través del parámetro γ) y de ser cautelosos con las altas hospitalarias hasta garantizar que los pacientes no son infecciosos (a través de tA).

Durante la epidemia del SARS-CoV-1 (el predecesor del Covid-19), algunos grupos utilizaron un modelo generalizado de éste (¡que casi contiene todas las letras del alfabeto!) llamado SEQIJR (Figura 3), que permite distinguir entre estar en cuarentena (Q) y estar aislado (J).

Figura 3: El modelo SEQIJR, un modelo con expuestos (E), pacientes en cuarentena (Q) y aislados (J).

No obstante, como dice el saber popular, a veces menos es más y los modelos complejos (con muchas letras en su nombre) traen consigo una significativa incertidumbre en sus parámetros que puede limitar su utilidad predictiva, por lo que no siempre son “mejores” desde un punto de vista práctico.

¿Qué pasa si no se desarrolla inmunidad perfecta?

Nuestra última sopa de letras trata de responder a una pregunta que está en el aire estos días: ¿qué pasará si después de haber estado infectado, se puede recaer de nuevo?

Para responder a esta pregunta, se ha estudiado una familia de modelos conocidos genéricamente como modelos “endémicos”, todos ellos variantes del modelo SIRS.

Figura 4: Modelo SIRS. Los recuperados pueden perder la inmunidad y volver a ser susceptible perpetuando los ciclos de epidemia/control. La gripe estacional es un ejemplo de infección “endémica”.

 

En este caso, existe un equilibrio “endémico” en el que siempre habrá una fracción de la población infectada que puede dar lugar a ciclos de epidemia que se perpetúan periódicamente. La gripe estacional es un ejemplo de enfermedad endémica que, gracias a la vacunación masiva de sujetos susceptibles de alto riesgo, se mantiene bajo cierto control. Desgraciadamente, la gripe se cobra una factura de miles de fallecidos en España todos los años – y cerca del medio millón en todo el mundo –, por lo que no debemos minimizar el impacto de esta enfermedad tan común y generalizada.

Todos estos modelos comparten un aspecto común: todos predicen un crecimiento exponencial y un aplanamiento de la curva. No obstante, no dejan de ser modelos simplificados y pequeños cambios en la estimación de los parámetros, o una mala calidad de los datos hace muy complicado predecir el resultado final de la epidemia. No obstante, esperamos haber convencido al lector de la utilidad y versatilidad de las matemáticas para entender las epidemias y los mecanismos de intervención más eficaces.  También confiamos en que, cuando las circunstancias lo permitan, el lector pueda impresionar a amigos y parientes con esta fascinante sopa de letras que les hemos traído hoy.

Mario Castro Ponce (Universidad Pontificia Comillas), Manuel de León (Instituto de Ciencias Matemáticas CSIC, Real Academia de Ciencias) y Antonio Gómez Corral (Universidad Complutense de Madrid)

Etiquetas: , , ,
Categorias: Covid-19

2018: Año Internacional de la Biología Matemática

Este año que comienza, el 2018, ha sido proclamado Año Internacional de la Biología Matemática, por las dos sociedades: la European Mathematical Society (EMS) y la European Society for Mathematical and Theoretical Biology (ESMTB).

Los principales objetivos de esta celebración son señalar el incremento y la importancia de las aplicaciones de las matemáticas a la biología y a las ciencias de la vida y fomentar esta interacción. Es un camino de ida y vuelta donde no sólo las matemáticas se aplican, sino que la biología ha proporcionado importantes desafíos a ser afrontados por los matemáticos.

Hay programadas muchas actividades, entre ella estos Programas Temáticos:

  • Simons Semester on Mathematical Biology, December 2017-March 2018, Banach Center, Warsaw, Poland.
  • Intensive Research Program in Mathematical Biology, April-June 2018, Centre de Recerca Matemàtica, Barcelona, Spain.
  • Thematic Program in Mathematical Biology, September-December 2018, Institut Mittag-Leffler, Sweden.

El programa del CRM es hasta ahora el único a desarrollar en España. Otro de los grandes eventos será el 11th European Conference on Mathematical and Theoretical Biology (ECMTB 2018), a celebrar en Lisboa, Portugal, desl 23 al 27 de julio de 2018. Se hará en la Facultad de Ciencias de la Universidad de Lisboa. Será co-organizado con la Sociedad Portuguesa de Matemática (SPM).

Si se hace un recorrido por estos programas, el congreso y otras actividades, se puede percibir la enorme implicación de las matemáticas en la biología. De hecho, no se puede concebir hoy la biología sin ese aporte matemático, que va desde el uso de los sistemas dinámicos y la estadística a los modelos de población y a los de la propagación de epidemias, a las aplicaciones de las ecuaciones en derivadas parciales a la quimiotaxis y a la metástasis del cáncer. Las aplicaciones a la neurociencia serán también ampliamente tratadas. Y, como no, la avalancha de datos que genera la moderna investigación exige desarrollar nuevos algoritmos que identifiquen patrones y ayuden a construir modelos; la ciencia de datos se revela un poderoso instrumento en el siglo XXI. La teoría de juegos aplicada al cáncer, o las ideas de la evolución darwinista en esa misma dirección, como la teoría de grafos aplicada a la ecología.

Estos temas son solo muestras de esa implicación de las matemáticas. Este año 2018 será una excelente ocasión de exhibir todos esos avances.

_______

Manuel de León (CSIC, Fundador y Director del ICMAT, Real Academia de Ciencias, Real Academia Canaria de Ciencias, ICSU).

Etiquetas: , , , , ,
Categorias: General