Кластер природа и человек: кластер » Человек и природа»

( a ) Свет отражается от SLM и проходит через поляризационную оптику таким образом, что интенсивность света, падающего на камеру, модулируется в соответствии с фазовым сдвигом, вносимым SLM. Связь и обратная связь реализуются компьютером. ( b ) Изображение ПМС, записанное камерой в этой конфигурации. Осцилляторы заштрихованы, чтобы показать, к какому кластеру они принадлежат, а связность сети обозначена наложенными серыми линиями. Фазовые сдвиги, применяемые квадратными областями, обновляются в соответствии с уравнением (5).

Изображение в полный размер

Динамические осцилляторы, образующие сеть, реализованы в виде квадратных участков пикселей, выбранных из мозаики 32 × 32 массива SLM. На рис. 2b показан экспериментально измеренный кадр камеры, снятый для 1 из 11-узловых сетей, рассмотренных ранее на рис. 1 (полное видео представлено в дополнительном фильме 1). Патчи были окрашены в ложный цвет, чтобы показать структуру кластера, а ссылки в сети наложены друг на друга, чтобы проиллюстрировать связность. Фазовый сдвиг i й регион, x _i , обновляется итеративно в соответствии с: тривиальное решение x _я =0. Уравнение (5) является эквивалентом уравнения (1) в дискретном времени. В зависимости от значений β , σ и δ уравнение (5) может показывать постоянную, периодическую или хаотическую динамику. Нет никаких экспериментально наложенных ограничений на матрицу смежности A _ij , что делает эту систему идеальной платформой для изучения синхронизации в сложных сетях.

На рис. 3 показана усредненная по времени среднеквадратическая ошибка синхронизации для всех четырех нетривиальных кластеров, показанных на рис. 2b, как функция силы обратной связи β при постоянном значении σ . Качественно аналогичные результаты мы получаем, если σ выбрать в качестве параметра бифуркации при постоянном значении β . На рис. 3c–e мы изображаем наблюдаемые внутрикластерные отклонения для трех конкретных значений β , обозначенные вертикальными линиями на рис. 3a,b, показывающие различную степень частичной синхронизации, которая может иметь место в зависимости от параметров.

( a ) Ошибка CS как самообратная связь, β , варьируется. Для всех рассмотренных случаев δ =0,525 и σ =0,67 π . Цвета обозначают рассматриваемый кластер и соответствуют рис. 1. ( b ) MLE рассчитан на основе моделирования. ( c – e ) Временные трассировки ошибки синхронизации для четырех кластеров, показывающие изолированную десинхронизацию пурпурного кластера и изолированную десинхронизацию переплетенных синих и красных кластеров.

Изображение в натуральную величину

Детали расчетов приведены в разделе «Методы». Дополнительный фильм 1 иллюстрирует экспериментально зарегистрированное поведение сети для случая β = 0,72 π , где система четко разделена на четыре синхронизированных кластера плюс один несинхронизированный узел.

Вместе на рис. 3a, c–e показаны два примера бифуркации, обычно наблюдаемой в эксперименте и моделировании: изолированная десинхронизация, когда один или несколько кластеров теряют стабильность, а все остальные остаются синхронизированными. При β =0,72 π (рис. 3в) синхронизируются все четыре скопления. При β = 1,4 π (рис. 3г) пурпурный кластер, содержащий четыре узла, разделился на два меньших кластера по два узла в каждом, а два других кластера остаются синхронизированными.

Между β =0,72 π и β =1,767 π два кластера, показанные на рис. 1 красным и синим соответственно, подвергаются изолированной десинхронизации вместе. На рис. 3а кривые ошибки синхронизации для этих двух кластеров визуально неразличимы. Синхронизация этих двух кластеров взаимосвязана: они всегда будут либо синхронизироваться вместе, либо не синхронизироваться вообще. Хотя при визуальном осмотре сети не очевидно, что красные и синие кластеры вообще должны формироваться, их переплетенные свойства синхронизации можно понять интуитивно, изучив связность сети. Каждый из двух узлов в синем кластере связан ровно с одним узлом в красном кластере. Если синий кластер не синхронизирован, красный кластер не может синхронизироваться, поскольку два его узла получают разные входные данные. Групповой анализ обрабатывает это автоматически и дает поперечный блок 2 × 2 на рис. 1с.

Наблюдаемые нами изолированные бифуркации десинхронизации предсказываются путем вычисления максимального показателя Ляпунова (MLE) поперечных блоков уравнения (4), показанного на рис. 3. Область устойчивости каждого кластера предсказывается отрицательным MLE. Хотя в этой сети четыре кластера, MLE всего три: два переплетенных кластера описываются двумерным блоком в блочно-диагонализованной матрице связи B. Эти расчеты устойчивости показывают те же бифуркации, что и в эксперименте.

Декомпозиция подгруппы и изолированная десинхронизация

Существование изолированной десинхронизации в сетевых экспериментах вызывает несколько вопросов. Поскольку сеть подключена, почему десинхронизация не приводит к рассинхронизации других кластеров? Каково отношение ID к структуре кластера и сетевой симметрии? Является ли ID явлением, общим для многих сетей? Мы даем ответы на все эти вопросы, используя геометрическое разложение группы, которое было разработано в работах 28, 29. . Этот метод позволяет записать конечную группу в виде прямого произведения подгрупп = ₁ × … ×, где количество подгрупп и все элементы в одной подгруппе коммутируют со всеми элементами в любой другой подгруппе. Это означает, что множество узлов, переставленных одной подгруппой, не пересекается с множеством узлов, переставленных любой другой подгруппой. Тогда каждый кластер (скажем, _j ) переставляется только одной из подгрупп (скажем, _k ), но не другими. Может быть несколько кластеров, переставленных одной подгруппой. Это случай красных и синих кластеров в сети симметрии 32 на рис. 1, потому что связанные _k не может иметь геометрического разложения, но может иметь более структурированное разложение, такое как сплетение ³⁰ .

Мы можем показать, что приведенная выше декомпозиция гарантирует, что все узлы, связанные с разными подгруппами, получают одинаковый общий ввод от узлов других подгрупп. Следовательно, узлы каждого кластера не будут видеть эффекты индивидуального поведения других кластеров, связанных с другими подгруппами. Это позволяет кластерам иметь одинаковую синхронизированную динамику, даже если другой кластер десинхронизируется. Если это состояние стабильно, у нас есть ID.

Чтобы увидеть это, пусть _k , подгруппа , переставьте только кластер _m и π будет перестановкой индексов узлов в _{m 900 06} за одну перестановку R _г , г ε _к . Предположим, что x _i не входит в _m ; таким образом, он не переставляется на R _g и напомним, что A коммутирует со всеми перестановками в , тогда мы имеем (просто концентрируясь на членах из _m ),

где π ( l ) есть, вообще говоря, еще один узел в _{m 9 0006} и суммы по другим кластерам не изменились. Это показывает, что все узлы в _m связаны с i -м узлом одинаковым образом (тот же фактор A _ij ). Точно так же, если мы используем перестановку R _g′ на кластере _m′ , содержащем x _i , мы можем показать, что все узлы _m связаны в так же к узлам в _м . Следовательно, узлы _m получают одинаковую входную сумму от узлов _m независимо от того, синхронизированы узлы _m или нет. Это объясняет, как кластер _м могут стать десинхронизированными, но узлы _m все еще могут быть синхронизированы — все они имеют один и тот же вход, несмотря на десинхронизацию _m , что делает _{m 9001 4 инварианта потока синхронного состояния. Если он также стабилен, это случай ID. Этот аргумент легко обобщается на случай, когда k переставляет узлы нескольких кластеров, так как это просто добавит другие подобные суммы к уравнению (6). Последний случай объясняет переплетающуюся десинхронизацию в эксперименте и является более общей формой ИД.}

Симметрии для различных сетевых топологий

Насколько распространена описанная выше ситуация с идентификатором? Мы рассмотрели статистику симметрии для некоторых классов случайных и полуслучайных типов графов, которые предполагают, что при наличии симметрии возможность для динамики ID будет общей, хотя стабильность для нее будет зависеть от динамических систем узлов сети. Подчеркнем, что мы не пытаемся сравнивать статистику симметрии для разных моделей графов, а только генерировать сети с различной топологией (например, случайные, древовидные и двудольные), чтобы показать общие явления.

Мы рассмотрели 10 000 реализаций трех случайных и полуслучайных сетей со 100 узлами в каждой: (1) случайно связанные узлы (случайные графы), аналогичные графам Эрдёша–Реньи ³¹ , сгенерированные, как описано выше, но со 100 узлами и 50 случайными ребрами. удален; (2) безмасштабные (древовидные) графики Барабаси и Альберта ^32,33 ; и (3) случайные двудольные графы ²³ с использованием функции RandomBipartite в Sage с 90 узлами в 1 разделе и 10 в другом.

Случайные графы были сгенерированы, начиная со 100 полностью соединенных узлов и случайным образом удаляя 50 ребер. Безмасштабные графики Барабаси и Альберта были основаны на исходном алгоритме предпочтения Барабаси и Альберта ³² с использованием подпрограммы Sage RandomBarabasiAlbert. У них было 100 узлов с 99 ребрами и древовидной структурой. Двудольные сети были сгенерированы с помощью процедуры Sage RandomBipartite ( n ₁ , n ₂ , p ), которая генерирует граф с двумя наборами узлов ().0005 n ₁ в первом разделе и n ₂ во втором разделе, где n ₁ + n _{2 9001 4 =100) и соединения от узлов в первом разделе к узлам в второй раздел добавляется с вероятностью p . Мы использовали n 1 = 10, n 2 = 90 и p = 0,85. Было сгенерировано десять тысяч реализаций каждого типа графа. Мы протестировали несколько 10 000 реализаций и видим очень небольшие различия в статистике между реализациями одного и того же класса, что заставляет нас полагать, что мы делаем выборку справедливо и достаточно, чтобы доверять нашим результатам. Мы также проверили эквивалентные (изоморфные) графы, чтобы увидеть, сколько повторений у нас было. Случайные системы давали в среднем 1 эквивалентную пару на 10 000 реализаций. Случаи без масштаба дали <0,01% эквивалентных графиков. Судя по всему, мы далеки от максимального количества неэквивалентных графов ни для одного из классов. Даже имея всего 100 реализаций, основные тенденции в числе симметрий и других статистических данных очевидны, хотя такие небольшие выборки иногда пропускают те случаи симметрии, которые не слишком распространены в классе.}

На рис. 4 показаны различные топологии сетей. На рис. 5а показано кумулятивное распределение симметрии для каждого типа сети. Все они в целом имеют одинаковое распределение, но в разных масштабах симметрии. Почти все графы для каждого типа имеют несколько нетривиальных кластеров и более одной подгруппы. Среднее количество кластеров для случайных сетей, сетей Барабаси и Альберта и двудольных сетей составляет 11, 19 и 15 соответственно. Среднее количество подгрупп составляет 8, 15 и 15 соответственно. Процент случаев, когда количество подгрупп меньше количества кластеров (переплетенных случаев), составляет 98,45, 98,48 и 0% соответственно. Таким образом, в этих сетях одновременно присутствуют симметрии, кластеры и подгруппы, а значит, и сценарий для ID.

Типы проанализированных графов: ( a ) полный граф с удаленными случайными ребрами, ( b ) древовидные графы Барабаси-Альберта и ( c ) двудольные графы. Показанное количество узлов меньше (20–25), чем фактическое количество, использованное в расчетах (100), так что топологическая структура каждого типа ясна.

Полноразмерное изображение

Сети бывают случайными, Барабаси и Альберта (БА на рисунке) и двудольным случаем (БП на рисунке). Статистические данные представляют собой ( a ) кумулятивное распределение числа симметрий (пунктирная линия — медиана), ( b ) количество нетривиальных кластеров и ( c ) количество количество подгрупп в разложении. Статистика была рассчитана с использованием 10 000 реализаций каждой сети.

Изображение полного размера

Мы также изучали симметрии, кластеры и разложения на подгруппы в графах малого мира. Графы маленького мира ^31,34 были сгенерированы, начиная с кольца ближайших соседей связанных узлов, затем добавляя фиксированное количество ребер, чтобы получить то же количество ребер, что и случайные графы в тексте. Мы обнаружили, что нам нужно добавить много ребер помимо обычных нескольких, используемых для создания эффекта маленького мира, потому что добавление всего нескольких ребер за пределы кольца редко приводило к какой-либо симметрии. В результате примеры с малым миром приблизились к тому, чтобы быть похожими на случайные графы, поэтому мы не отображаем их результаты, хотя каждая из двух систем имеет симметрию, которой нет у другой; следовательно, они кажутся не совсем идентичными.

Наконец, мы рассмотрели некоторые искусственные и естественные сети. Искусственными сетями являются электросеть Непала ³⁵ и электросеть Меса-дель-Соль ³⁶ . Мы показываем сетку Непала, так как ее малый размер легче отобразить на рис. 6. Кроме того, показана блочная диагонализация матрицы связи. Здесь мы рассматриваем сетку аналогично исх. 1, в котором все электростанции идентичны с одной и той же двунаправленной связью по каждому краю, что соответствует модели в уравнении (1). В этой модели глобальная синхронизация (обычное желаемое состояние) является решением уравнений движения. Однако, как мы указывали, если кластеры, индуцированные симметрией, существуют, CS также является решением уравнений движения. Непальская сеть имеет 86 400 симметрий, три нетривиальных кластера (плюс два тривиальных) и три подгруппы (по одной на каждый нетривиальный кластер). Это означает, что эта сеть может быть разделена на три набора синхронизированных кластеров. Это также означает, что в зависимости от точной динамики, параметров и стабильности глобального и кластерного состояний возможно, что состояние CS может быть путем к десинхронизации глобального состояния в решетке Непала или других решетках с аналогичной динамикой.

Цвета используются для обозначения рассчитанной структуры кластера. Матрица (вставка) показывает структуру диагонализированной матрицы связи, аналогичной рис. 1а. Цвета по диагонали указывают, какой кластер связан с каждым столбцом.

Изображение полного размера

Электрическая сеть Меса-дель-Соль имеет 4096 симметрий, 20 нетривиальных кластеров и 10 подгрупп. Сеть имеет три переплетенных кластера, два с четырьмя кластерами и один с пятью кластерами. Это показано на рис. 7 в виде круговой диаграммы сети Меса-дель-Соль, которая из-за размера сети (132 узла) намного лучше раскрывает структуру кластера. Как показывает пример Непала, структура симметрии делает возможной глобальную синхронизацию, CS и ID в сети Меса-дель-Соль. Отметим, что приведенный выше анализ симметрий рассматривает только топологию сети. Динамика реальных электрических сетей лучше описывается комплексной матрицей полной проводимости, для которой симметрии могут быть разными.

Цвета используются для обозначения кластеров. Узлы, окрашенные в белый цвет, представляют собой тривиальные кластеры, содержащие только один элемент.

Изображение в натуральную величину

Многие другие сети изучались на предмет симметрии в ссылках 28, 29 с целью поиска мотивов и избыточности, но не динамики. Этими сетями были генетические взаимодействия В-клеток человека, генетических взаимодействий Caenorabhditis elegans, генетических взаимодействий, наборы данных BioGRID (человек, Saccharomyces cerevisiae , Drosphila и Mus musculus ), Интернет (уровень автономных систем) и энергосистема США. Все сети имели множество симметрий в диапазоне от порядка 10 ¹³ до 10 ^{11 298} и могли быть разбиты на множество подгрупп (от 3 до более чем 50). Подгруппы на 90% и более состояли из основных факторов (не переплетенных между собой), состоящих из различных порядков n симметричной группы S _n . Следовательно, рассматриваемые как динамические сети, все они могут отображать идентификатор в правильных ситуациях.

Раковые скопления | Что такое раковый кластер?

Что такое раковый кластер?

Возможные очаги рака, как правило, привлекают много внимания в новостях и других средствах массовой информации. Ежегодно в департаменты здравоохранения штатов поступает информация о 1000 подозреваемых очагах рака. Но что такое раковый кластер?

Люди могут быть обеспокоены тем, что в их сообществе есть кластер рака, если они считают, что в этом районе больше, чем обычно, раковых заболеваний. Часто возникает опасение, что рак может быть вызван каким-либо канцерогеном (возбудителем рака) в окружающей среде.

У ученых есть конкретное определение кластера рака. Центры США по контролю и профилактике заболеваний (CDC) и Национальный институт рака (NCI) определяют раковый кластер как большее, чем ожидалось, число случаев рака, которое возникает в группе людей в определенной географической области в течение определенного периода времени. период времени . Каждая часть этого определения важна.

Большее, чем ожидалось, количество случаев рака…

Чтобы увидеть, больше ли случаев рака, чем ожидалось, необходимо сравнить количество наблюдаемых случаев с тем, что обычно наблюдается в аналогичной группе людей – например, группа одного возраста, пола и этнической принадлежности.

Тип(ы) наблюдаемого рака также важен. Все виды рака должны быть одного типа или типы рака, которые, как известно, имеют одну и ту же причину.

Рак — это группа из более чем 100 различных заболеваний. Каждый тип рака имеет свои факторы риска и причины. Истинные кластеры рака редко включают более одного типа рака. Чтобы он считался истинным кластером, он обычно должен иметь одну из следующих характеристик:

• Существует большее, чем ожидалось, количество определенного типа рака (или типов рака, которые, как известно, имеют общую причину).
• Зарегистрировано несколько случаев редкого вида рака.
• Это тип рака, который обычно не наблюдается у определенной группы людей (например, у детей рак обычно наблюдается у взрослых).

Если избыточные случаи рака включают множество различных типов рака в течение многих лет, маловероятно, что это настоящий раковый кластер или он вызван одним фактором окружающей среды или воздействием.

То, что происходит внутри группы людей…

Рак не влияет на все группы людей одинаково. Например, это редко встречается у детей и становится более распространенным с возрастом. Некоторые виды рака чаще встречаются у мужчин, чем у женщин (и наоборот), а некоторые чаще встречаются у определенных расовых или этнических групп или у людей с другими общими характеристиками (например, употребление табака в анамнезе). Эти факторы необходимо принимать во внимание при определении того, превышает ли ожидаемое число случаев рака в группе людей.

В определенной географической области…

Необходимо тщательно определить границы области, в которую включаются случаи рака. Перемещение границ (например, увеличение или уменьшение области) может сделать более или менее вероятным наличие кластера рака.

За определенный период времени

Количество случаев рака необходимо учитывать за определенный период времени при определении того, превышает ли ожидаемое количество случаев.

Период времени также важен при поиске возможных причин кластера. Например, есть исключения, но для большинства видов рака, связанных с экологическими причинами, часто существует многолетняя (даже десятилетия) задержка между временем воздействия и первым появлением рака. Из-за этого может быть важно выяснить, подвергались ли люди, пострадавшие от рака, каким-либо общим контактам в прошлом (и не обязательно в настоящем). Чем раньше это было, тем сложнее это определить.

Совокупность раковых заболеваний, которые не соответствуют всем частям этого определения, с гораздо меньшей вероятностью являются истинными кластерами рака.

Обратите внимание, что определение кластера рака не включает ничего о раковых заболеваниях, имеющих общую причину . Может оказаться, что у кластера действительно есть общая причина после его исследования, но чаще оказывается, что общую причину найти невозможно. Это обсуждается более подробно позже.

Некоторые важные моменты, которые следует учитывать

При рассмотрении возможности существования кластера рака важно помнить, что рак является распространенным явлением. Только в Соединенных Штатах каждый год диагностируется более миллиона новых видов рака, и почти у 4 из 10 человек в Соединенных Штатах в течение жизни разовьется рак. Таким образом, нередки случаи, когда несколько человек в относительно небольшой области заболевают раком примерно в одно и то же время.

Даже если избыточное количество случаев, зарегистрированных в кластере рака, выглядит значительным на основе статистики, это не обязательно означает, что рак вызван чем-то уникальным для этой области. Некоторое скопление случаев рака происходит случайно, но люди, как правило, замечают и сообщают о ситуациях, когда показатели кажутся выше среднего.

Если избыточные случаи рака не кажутся случайными, возможно, их следует изучить более внимательно, чтобы выяснить, могут ли они иметь общую причину. Изучение раковых кластеров позволяет ученым выявить области повышенного риска рака, а также попытаться выяснить, что вызывает увеличение риска. Например, изучение кластеров злокачественной мезотелиомы привело к открытию связи между воздействием асбеста и этим редким видом рака.

Для большинства хорошо задокументированных кластеров рака, которые, как было установлено, были вызваны общим воздействием, воздействие имело место на рабочем месте, а не в сообществах, где жили люди. Воздействие на рабочем месте может с большей вероятностью вызвать рак, поскольку уровень воздействия может быть выше и может длиться дольше, чем в других условиях. Воздействие на рабочем месте также может быть легче идентифицировать, потому что группа подверженных воздействию людей лучше определена и ее легче отследить по сравнению с группами в сообществе. Вот почему связь между раком и многими вызывающими рак веществами (канцерогенами) часто впервые обнаруживают в исследованиях рабочих. Конечно, кластеры рака также могут возникать в сообществах.

Как сообщается о кластерах рака?

Люди, обеспокоенные возможным очагом рака, могут сообщить об этом в местный или государственный отдел здравоохранения. Процедуры различаются в зависимости от штата, но большинство отделов здравоохранения сначала запрашивают информацию, например:

• Тип(ы) и количество затронутых раковых заболеваний
• Любые предполагаемые воздействия, которые могут вызвать рак
• Район и период времени, в котором произошли случаи
• Конкретная информация о каждом человеке, который считается затронутым
• Конкретная информация о самих раковых заболеваниях

Как исследуются кластеры рака?

Когда сообщается о кластере рака, департамент здравоохранения сначала проверяет предоставленную исходную информацию. На основании этого можно определить, что большинство подозрительных скоплений 90 763, а не 90 764, являются истинными скоплениями, и дальнейшее расследование не требуется. Согласно рекомендациям CDC, некоторые факторы, которые не подтверждают необходимость дальнейшего расследования, включают:

• Случаи рака у членов семьи, которые являются кровными родственниками (особенно раковые заболевания, о которых известно, что они тесно связаны генетически)
• Различные виды рака, о которых неизвестно, связаны ли они друг с другом
• Несколько случаев очень распространенных видов рака, особенно когда пораженные люди имеют обычный возраст и пол для этих видов рака
• Рак среди людей, которые не жили в том же районе в то время, когда должно было произойти воздействие, чтобы вызвать этот рак

Если отдел здравоохранения сочтет, что потенциальный кластер нуждается в дальнейшем изучении, он соберет дополнительную информацию. Им нужно убедиться, что это рак, и что они знают конкретный диагноз. Например, существует несколько типов лейкемии, и важно знать, какой тип у каждого человека. Они также могут захотеть узнать, есть ли какие-то общие факторы риска рака, общие для пострадавших людей. Для этого они могут связываться с пациентами или родственниками или просматривать медицинские записи. Департамент здравоохранения рассмотрит количество случаев заболевания в пострадавшем районе и поблизости, чтобы увидеть, действительно ли случаев больше, чем ожидалось. Ученые из отдела здравоохранения могут также изучить отчеты в медицинской литературе, чтобы узнать, были ли отмечены другие кластеры, подобные этому, в прошлом.

При необходимости департамент здравоохранения штата или местного департамента может обратиться к федеральным агентствам за помощью в расследовании. CDC является агентством, которое чаще всего занимается кластерными исследованиями рака. Другие агентства, такие как Агентство по охране окружающей среды (EPA) и Национальный институт наук об окружающей среде и здоровье (NIEHS), также могут помочь в расследовании.

Более тщательное расследование может включать в себя сбор более подробных историй болезни у пострадавших людей, а также анализ крови или других биологических жидкостей как у пострадавших, так и у здоровых людей. Это может также включать сбор и тестирование проб из окружающей среды (воздух, почва, питьевая вода и т. д.), особенно если есть опасения по поводу определенного типа воздействия в качестве возможной причины.

Предполагаемые очаги рака могут вызвать большое беспокойство и замешательство в обществе. Очень важно, чтобы государственные органы информировали членов сообщества с самого начала и на протяжении всего расследования. Это должно включать предоставление людям реалистичного представления о том, что может быть найдено, а что нет.

Каковы возможные результаты кластерного исследования?

Существует 3 основных возможных результата исследования кластера рака:

• В большинстве случаев исследование покажет, что предполагаемый кластер не является истинным кластером рака.
• Реже при обследовании обнаруживается истинный кластер рака, но причина не может быть найдена.
• В редких случаях при исследовании обнаруживается очаг рака, причину которого можно определить.

Чтобы проиллюстрировать этот момент, в научном обзоре более 500 кластерных исследований рака, проведенных за 20 лет, только примерно в 1 из 8 было обнаружено истинное увеличение заболеваемости раком, и только в одном случае была обнаружена явная причина увеличения.

Возможно, это не раковая опухоль.

Во многих случаях исследователи могут определить, что «кластер» рака не является истинным кластером. Например, число случаев на самом деле может быть не выше, чем ожидалось, если принять во внимание другие факторы, которые могут объяснить это увеличение (например, возраст людей, пол и употребление табака). Или типы рака могут быть не связаны друг с другом.

Это может быть кластер рака, и его причина найдена.

Иногда удается подтвердить истинный кластер рака и установить его причину. В этот момент могут быть предприняты шаги по ее устранению. К сожалению, это не является обычным результатом исследований кластеров рака.

Это может быть кластер рака, но причина не может быть идентифицирована.

Даже если статистика показывает, что это может быть настоящий кластер, важно знать, что очень редко удается найти причину. Этому может быть несколько причин. Например:

Случайные закономерности могут образовывать кластер: Даже если число случаев в районе превышает ожидаемое, это все равно может быть вызвано не одним фактором или воздействием. Ожидается, что больше случаев рака в Соединенных Штатах будет происходить в крупных населенных пунктах или в местах, где население, как правило, старше. Но даже при этом, по большей части, случаи рака в Соединенных Штатах распределяются случайным образом по всей стране.

Как и в случае любой случайной закономерности, в одних местах будет больше случаев, чем ожидалось, и меньше, чем ожидалось, в других. Области с большим количеством случаев, чем ожидалось, с большей вероятностью будут замечены. Но многие из них будут связаны с «эффектом яблочка» (что-то вроде рисования мишени на стене после того, как были брошены дротики). Предположим, вы взяли карту Соединенных Штатов и начали рисовать случайные круги разного размера в разных местах. Вы обнаружите, что некоторые круги содержат больше раковых клеток, чем ожидалось, а некоторые — меньше. Некоторые из кругов с большим количеством случаев могут быть кластерами, имеющими одну причину, но большинство из них будут случайными.

Случайные закономерности являются наиболее распространенной причиной кластера рака без установленной причины.

Может быть очень трудно выяснить, какое из многих воздействий может быть причиной: За редкими исключениями, ученые не могут сказать, какой триггер (если таковой имеется) мог вызвать рак у любого человека, будь то это часть кластера или нет. Люди не похожи на лабораторных животных — их среда не контролируется строго. В течение жизни люди подвергаются воздействию бесчисленных природных и искусственных веществ, и, что еще более усложняет ситуацию, они могут взаимодействовать друг с другом.

Подумайте о том, как сложно было бы проверить все, с чем вы столкнулись, даже если бы вы знали, с чего начать. У следователей может быть несколько четких зацепок или отправных точек для распространенных воздействий среди пострадавших людей, но им необходимо рассмотреть все возможности. Найти единственное воздействие, которое может быть причиной, может быть все равно, что искать иголку в стоге сена.

Между воздействием вещества и раком часто проходит много времени: В кластерах, где причина известна (которые обнаруживаются в основном на рабочих местах), время между воздействием вещества и развитием рака составляет от нескольких лет до нескольких десятилетий. Воздействие очень маловероятно, чтобы сразу вызвать рак. И опять же, изучать людей и их окружение непросто.

Предположим, что группа людей живет в сообществе с большим, чем ожидалось, числом случаев заболевания определенным типом рака. Если есть потенциальная причина, следователи сначала должны выяснить, когда эти люди подверглись ее воздействию. Было ли это единичным событием или оно продолжалось? Это было 5 лет назад? 10? 20? А что общего было у людей, больных раком, в то время? Вдобавок к этому некоторые люди переедут в сообщество, а другие, возможно, уйдут. Должны ли быть включены случаи людей, которые переехали в город в последние годы? И можно ли найти уехавших?

Границы области кластера трудно определить: Определение географической области кластера не всегда так однозначно, как можно было бы подумать. Насколько большим должно быть «яблочко»? Должен ли он включать только район, где было обнаружено большинство случаев? Или он также должен включать более крупное сообщество или даже близлежащие сообщества? В этих областях могут быть случаи, которые могут быть связаны или не связаны с другими.

Не у всех, кто подвергся воздействию, может развиться рак: Чтобы сделать ситуацию еще более сложной, некоторые люди могут быть более или менее склонны заболеть раком после воздействия чего-либо, в зависимости от их генов. Маловероятно, что у всех, подвергшихся воздействию, разовьется рак. В то же время могут быть люди, которые не подвергались воздействию, у которых случайно развился тот же рак.

Даже после расследования часто остаются вопросы

Ученые делают все возможное, чтобы собрать воедино головоломку, когда есть кластер рака, но чаще всего они не находят вероятной причины. Это не всегда означает, что его нет; возможно, его просто невозможно найти доступными в то время методами.

Во многих случаях может не быть общей причины рака, но каждому может быть трудно быть уверенным в этом. Это может быть неудовлетворительным ответом для затронутых людей в сообществе, но это часто так.

Что делать, если я подозреваю кластер рака?

Опасения по поводу скоплений рака чаще всего возникают в школах, на рабочих местах и ​​в определенных районах общества. Если вы обеспокоены возможным кластером рака, обратитесь в местный или государственный отдел здравоохранения. Если вы не знаете, кому звонить в вашем регионе, у CDC есть список веб-ссылок на местные и государственные контакты по адресу . cdc.gov/nceh/clusters/statelocal.htm. (Также см. раздел «Дополнительные ресурсы».)

Некоторые ваши опасения могут развеяться во время первого телефонного звонка. Если нет, то министерство здравоохранения, вероятно, рассмотрит возможность проведения краткого расследования, а затем, при необходимости, проведет более полный анализ ситуации. В более сложных или неотложных ситуациях министерство здравоохранения может также вызвать экспертов из CDC или других федеральных агентств, чтобы они помогли провести более глубокое расследование.

Исследователи могли бы с достаточной долей уверенности выяснить, что настоящего скопления не существует, или что истинное скопление существует и, вероятно, вызвано определенным воздействием. Но во многих случаях, даже когда кажется, что существует кластер, единственную причину найти не удается.

Предполагаемые очаги рака могут быть очень неприятными для тех, кто ими поражен. Некоторых людей может утешить, если расследование не найдет четкой причины кластера, но других это может вызвать беспокойство или разочарование.