🔢 mathematics

Fundamental Properties, Comparative Analysis, and Application of Caputo and Riemann-Liouville Fractional Derivatives to a Cancer Cell Epidemic Model

本文确立了 Caputo 与 Riemann-Liouville 分数阶导数之间的理论区别，证明了前者在生物初值问题中的优越性，并将该框架应用于癌症细胞流行模型，以分析分数阶如何影响记忆效应、疾病进展以及免疫治疗反应。

原作者： Jenitha Borges M, John Borg S, Britto Antony Xavier G, Avinash N

发布于 2026-08-10

📖 1 分钟阅读🧠 深度阅读

原作者： Jenitha Borges M, John Borg S, Britto Antony Xavier G, Avinash N

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，科学的世界就像一座巨大且繁忙的城市，一切都在不断移动和变化。长期以来，科学家们一直使用一套非常特定的工具来预测事物的移动、生长或扩散方式。这些被称为“微积分”的工具，就像是一台只能拍摄当下瞬间快照的高速摄像机。它们在描述球在这一秒是如何根据前一瞬的运动状态滚下山坡时表现得非常出色。但如果球记得昨天的感觉呢？如果一种病毒不仅仅是对其当前所处的人产生反应，还携带了它之前感染过的每一个人的“记忆”呢？

这就是一个名为“分数阶微积分”的特殊数学分支发挥作用的地方。你可以把它想象成一台不仅能拍摄快照，还能记录过去完整视频的摄像机，将历史融合进现在。在这段视频中，变化的速率不仅取决于当前时刻，还取决于之前发生的一切。这种数学有两种主要的“镜头”：Caputo 镜头和 Riemann-Liouville 镜头。两者都能记录过去，但它们处理故事开端（即“初始条件”）的方式完全不同。一种镜头将故事的开始视为一张白纸，而另一种则会在开始时加入一个奇怪的、摇晃的故障。科学家们之所以在意这一点，是因为许多现实世界的事物——比如疾病如何传播或细胞如何生长——都拥有深刻的记忆。如果你用错了镜头，你的预测看起来可能更像是一个充满故障的游戏视频，而不是真实的生活。

这篇论文深入探讨了对比这两类镜头，并试图找出哪一个是研究一个非常严肃的问题——癌症细胞扩散——的最佳工具。来自圣心学院（Sacred Heart College）的数学家团队首先扮演了侦探的角色，拆解了 Caputo 和 Riemann-Liouville 方法的基本规则。他们从数学上证明，如果你尝试使用 Riemann-Liouville 镜头去测量一个恒定的、不变的值（例如健康细胞的稳定种群），它会在开始时产生一个奇怪的、无穷大的尖峰，这在现实世界中是讲不通的。然而，Caputo 镜头可以完美地处理这些稳态，给出一个干净的零。这至关重要，因为在生物学中，我们需要能够说：“在开始时，我们有 100 个健康细胞”，而不会让数学公式大声尖叫说这个数字实际上是无穷大。

随后，该团队将这些发现应用于构建了一个“分数阶癌症细胞流行模型”。想象一下一个数字模拟的战场，健康细胞和癌细胞正在交战。在一个标准模型中，战斗是基于当前存在谁而立即发生的。但在这种新模型中，细胞拥有“记忆”。癌细胞记得它们上周生长得有多快，而健康细胞记得过去损失了多少。研究人员运行了计算机模拟，观察当我们将“记忆旋钮”（称为分数阶 $\mu$ ）从 1（无记忆）调低到 0.75（强记忆）时会发生什么。

结果非常引人入胜。当记忆很强时（较低的 $\mu$ 值），癌症并不会扩张得那么快。系统似乎在“犹豫”，它较长时间地记住了最初健康的初始状态。就好像癌细胞是在厚厚的糖浆中而非水中移动；过去的力量阻碍了它们。模拟显示，在具有 0.75 的记忆因子时，癌细胞种群的增长速度远慢于标准模型，且健康细胞存活得更久。论文还测试了一个“治疗”场景，加入了一个代表免疫疗法（一种帮助免疫系统对抗癌症的治疗方法）的项。数学表明，这种治疗是以一种直观的、加性的方式发挥作用的：无论记忆设置如何，你添加的治疗越多，癌症受到的抑制就越强。

至关重要的是，作者证明了在处理这种生物模型时，尝试使用 Riemann-Liouville 镜头将会是一场灾难。因为该方法会对任何常数值在起始阶段产生数学上的“故障”（奇异性），这会导致模型无法使用现实世界的初始数值进行设定。相比之下，Caputo 镜头允许他们精确地设定初始细胞数量，并观察故事自然展开。论文得出结论，对于建模像癌症生长这样历史至关重要、且初始数值是真实且固定的事物，Caputo 导数是更优越的工具。它提供了一种在包含疾病“记忆”的同时，又不破坏物理或生物规则的数学一致性的方法。

技术摘要：Caputo 与 Riemann-Liouville 分数阶导数在癌症细胞流行病模型中的基本性质、对比分析及应用

问题陈述
本文探讨了 Caputo 与 Riemann-Liouville (RL) 分数阶导数在建模具有记忆效应的生物系统背景下的理论与实际区别。虽然分数阶微积分已被确立为建模复杂系统中遗传特性的工具，但对于初值问题而言，算子的选择至关重要。作者指出一个根本性的差异：RL 导数对常数的导数不为零（会在原点产生奇异性），而 Caputo 导数对常数的导数为零。这一区别给生物建模带来了挑战，因为在生物学中，初始条件（如初始细胞种群）是具有物理意义的常数，而原点处的奇异性则缺乏生物学解释。本研究旨在严谨地建立这两种算子的性质，并确定哪种算子更适用于癌症细胞流行病模型。

研究方法
本研究结合了解析推导、比较定理证明和数值模拟：

理论框架： 作者定义了 Gamma 函数和 Beta 函数，随后给出了 RL 和 Caputo 分数阶积分与导数的正式定义。他们系统地推导了基本性质，包括：
- 幂函数 ( $z^m$ ) 的分数阶导数与积分；
- 两个算子的线性性质；
- 通过修正项定理建立的两个算子之间的关系，该定理将 Caputo 导数表示为 RL 导数减去一系列初始值项之和；
- 逆运算性质，展示了分数阶积分如何恢复原始函数（直至由初始条件决定的多项式为止）。
对比分析： 本文利用图形插图和特定示例（例如常数函数 $f(z)=1$ 和二次函数 $f(z)=z^2$ ）来可视化两种导数的行为。这突显了 RL 导数在常数函数附近于原点处的奇异行为，以及 Caputo 导数消失的行为。
模型应用： 理论结果被应用于一个耦合的分数阶微分系统，用于模拟健康（ $H$ ）与癌症（ $C$ ）细胞种群。该模型整合了逻辑增长、细胞间竞争以及免疫治疗控制。模型采用了 Caputo 算子进行构建，以确保与经典初值条件（ $H(0)=H_0, C(0)=C_0$ ）相兼容。
数值模拟： 使用 Grunwald-Letnikov 近似方案求解该系统。在时间区间 $z \in [0, 12]$ 内，通过改变分数阶 $\mu \in \{1.0, 0.9, 0.75, 0.7\}$ 以及治疗强度进行模拟，以观察记忆效应和疾病进展。

核心贡献

解析澄清： 本文提供了严谨的证明，即常数的 Caputo 导数为零，而 RL 导数会产生正比于 $z^{-\mu}$ 的奇异项。这一点通过定理 3.4 和引理 3.3 进行了形式化处理。
修正项关系： 作者建立了定理 5.3，该定理通过由奇异核加权的初始值之和，明确量化了两个算子之间的差异。这从数学上证明了为什么 RL 形式化会在生物学语境中引入“伪”奇异项。
生物学算子选择： 研究表明，Caputo 形式化是生物学初值问题的自然选择，因为它允许直接设定物理初始数据，而不会在 $t=0$ 时引入非物理性的奇异性。
记忆效应量化： 通过数值模拟，本文阐明了较低的分数阶（ $\mu < 1$ ）会诱发亚扩散行为，有效地减缓了癌症进展的速度，并延长了系统对其初始状态的“记忆”。

结果

理论层面： 分析证实，对于在原点处初始值及低阶导数均为零的函数（例如 $f(z)=z^2$ ），Caputo 导数与 RL 导数是一致的。然而，对于常数函数或具有非零初始值的函数，两者表现出显著差异。
数值层面：
- 分数阶的影响： 当 $\mu$ 从 1.0 降低到 0.75 时，癌症细胞种群向平衡态的收敛速度变慢，且健康细胞被接管的时间被推迟。总细胞种群趋向于环境容纳量（ $K$ ）的速度变慢，反映了对初始低密度历史的保留。
- 治疗响应： 引入免疫治疗项（ $-\sigma C$ ）显示出癌症细胞密度的加性减少，这与 Caputo 算子的线性特征一致。较高的治疗强度（ $\sigma$ ）会导致健康细胞更快恢复。
- 相图： 对于 $\mu < 1$ 的轨迹在相平面中会划过更宽的弧线后才收敛至癌症主导的平衡态，这表明了增加的记忆效应和更慢的信息传播。

意义
本文声称其主要意义在于为使用分数阶微分方程进行应用数学生物学研究提供了一个数学一致且具有生物学可解释性的基础。通过严谨证明 Caputo 导数避免了 RL 形式化在常数初始状态下固有的奇异性，本研究验证了 Caputo 算子是模拟癌症细胞动力学的合适工具。这项工作弥合了抽象分数阶微积分理论与实际流行病学模型之间的鸿沟，展示了如何利用分数阶来调节生物系统的“记忆”。作者总结道，其分析为未来研究分数阶生物模型的稳定性、存在性与唯一性，以及开发更精确的数值方案提供了必要的理论依据。

类似论文