In this paper, we consider a space–time fractional advection dispersion equation (STFADE) on a finite domain. The STFADE is obtained from the standard advection dispersion equation by replacing the first-order time derivative by the Caputo fractional derivative of order α ∈ (0, 1], and the first-order and second-order space derivatives by the Riemman–Liouville fractional derivatives of order β ∈ (0, 1] and of order γ ∈ (1, 2], respectively. For the space fractional derivatives Dxβu(x,t) and Dxγu(x,t), we adopted the Grünwald formula and the shift Grünwald formula, respectively. We propose an implicit difference method (IDM) and an explicit difference method (EDM) to solve this equation. Stability and convergence of these methods are discussed. Using mathematical induction, we prove that the IDM is unconditionally stable and convergent, but the EDM is conditionally stable and convergent. Numerical results are in good agreement with theoretical analysis.

In this paper, a new alternating direction implicit Galerkin--Legendre spectral method for the two-dimensional Riesz space fractional nonlinear reaction-diffusion equation is developed. The temporal component is discretized by the Crank--Nicolson method. The detailed implementation of the method is presented. The stability and convergence analysis is strictly proven, which shows that the derived method is stable and convergent of order $2$ in time. An optimal error estimate in space is also obtained by introducing a new orthogonal projector. The present method is extended to solve the fractional FitzHugh--Nagumo model. Numerical results are provided to verify the theoretical analysis.

Fractional differential equations are becoming increasingly used as a powerful modelling approach for understanding the many aspects of nonlocality and spatial heterogeneity. However, the numerical approximation of these models is demanding and imposes a number of computational constraints. In this paper, we introduce Fourier spectral methods as an attractive and easy-to-code alternative for the integration of fractional-in-space reaction-diffusion equations described by the fractional Laplacian in bounded rectangular domains of $$\mathbb {R}^n$$ . The main advantages of the proposed schemes is that they yield a fully diagonal representation of the fractional operator, with increased accuracy and efficiency when compared to low-order counterparts, and a completely straightforward extension to two and three spatial dimensions. Our approach is illustrated by solving several problems of practical interest, including the fractional Allen–Cahn, FitzHugh–Nagumo and Gray–Scott models, together with an analysis of the properties of these systems in terms of the fractional power of the underlying Laplacian operator.

Abstract Tumour spheroids are common in vitro experimental models of avascular tumour growth. Compared with traditional two-dimensional culture, tumour spheroids more closely mimic the avascular tumour microenvironment where spatial differences in nutrient availability strongly influence growth. We show that spheroids initiated using significantly different numbers of cells grow to similar limiting sizes, suggesting that avascular tumours have a limiting structure; in agreement with untested predictions of classical mathematical models of tumour spheroids. We develop a novel mathematical and statistical framework to study the structure of tumour spheroids seeded from cells transduced with fluorescent cell cycle indicators, enabling us to discriminate between arrested and cycling cells and identify an arrested region. Our analysis shows that transient spheroid structure is independent of initial spheroid size, and the limiting structure can be independent of seeding density. Standard experimental protocols compare spheroid size as a function of time; however, our analysis suggests that comparing spheroid structure as a function of overall size produces results that are relatively insensitive to variability in spheroid size. Our experimental observations are made using two melanoma cell lines, but our modelling framework applies across a wide range of spheroid culture conditions and cell lines.

Abstract Fibrosis, the pathological excess of fibroblast activity, is a significant health issue that hinders the function of many organs in the body, in some cases fatally. However, the severity of fibrosis-derived conditions depends on both the positioning of fibrotic affliction, and the microscopic patterning of fibroblast-deposited matrix proteins within afflicted regions. Variability in an individual’s manifestation of a type of fibrosis is an important factor in explaining differences in symptoms, optimum treatment and prognosis, but a need for ex vivo procedures and a lack of experimental control over conflating factors has meant this variability remains poorly understood. In this work, we present a computational methodology for the generation of patterns of fibrosis microstructure, demonstrating the technique using histological images of four types of cardiac fibrosis. Our generator and automated tuning method prove flexible enough to capture each of these very distinct patterns, allowing for rapid generation of new realisations for high-throughput computational studies. We also demonstrate via simulation, using the generated fibrotic patterns, the importance of micro-scale variability by showing significant differences in electrophysiological impact even within a single class of fibrosis.

Abstract Mathematical models are routinely calibrated to experimental data, with goals ranging from building predictive models to quantifying parameters that cannot be measured. Whether or not reliable parameter estimates are obtainable from the available data can easily be overlooked. Such issues of parameter identifiability have important ramifications for both the predictive power of a model, and the mechanistic insight that can be obtained. Identifiability analysis is well-established for deterministic, ordinary differential equation (ODE) models, but there are no commonly-adopted methods for analysing identifiability in stochastic models. We provide an accessible introduction to identifiability analysis and demonstrate how existing ideas for analysis of ODE models can be applied to stochastic differential equation (SDE) models through four practical case studies. To assess structural identifiability , we study ODEs that describe the statistical moments of the stochastic process using open-source software tools. Using practically-motivated synthetic data and Markov-chain Monte Carlo (MCMC) methods, we assess parameter identifiability in the context of available data. Our analysis shows that SDE models can often extract more information about parameters than deterministic descriptions. All code used to perform the analysis is available on Github.

Strategic management of populations of interacting biological species routinely requires interventions combining multiple treatments or therapies. This is important in key research areas such as ecology, epidemiology, wound healing and oncology. Despite the well developed theory and techniques for determining single optimal controls, there is limited practical guidance supporting implementation of combination therapies. In this work we use optimal control theory to calculate optimal strategies for applying combination therapies to a model of acute myeloid leukaemia. We consider various combinations of continuous and bang-bang (discrete) controls, and we investigate how the control dynamics interact and respond to changes in the weighting and form of the pay-off characterising optimality. We demonstrate that the optimal controls respond non-linearly to treatment strength and control parameters, due to the interactions between species. We discuss challenges in appropriately characterising optimality in a multiple control setting and provide practical guidance for applying multiple optimal controls. Code used in this work to implement multiple optimal controls is available on GitHub.

The titre of virus in a dengue patient and the duration of this viraemia has a profound effect on whether or not a mosquito will become infected when it feeds on the patient and this, in turn is a key driver of the magnitude of a dengue outbreak. As mosquitoes require 100-1000 times more virus to become infected than a patient, the transmission of dengue virus from a patient to a mosquito is a vulnerability that may be able to be targeted to improve disease control. The intrinsic variability in the within-host dynamics of viraemias is explored for a population of patients using the method of population of models (POMs). A dataset from 207 patients is used to calibrate 20,000 models for the infection kinetics for each of the four dengue virus serotypes. The effect of adding defective dengue virus interfering particles to patients as a therapeutic is evaluated using the calibrated POMs in a bang-bang optimal control setting.

Abstract Multiple Myeloma (MM) is a plasma cell cancer that occurs in the bone marrow. A leading treatment for MM is the monoclonal antibody Daratumumab, targeting the CD38 receptor, which is highly overexpressed in myeloma cells. In this work we model drug evasion via loss of CD38 expression, which is a proposed mechanism of resistance to Daratumumab treatment. We develop an ODE model that includes drug evasion via two mechanisms: a direct effect in which CD38 expression is lost without cell death in response to Daratumumab, and an indirect effect in which CD38 expression switches on and off in the cancer cells; myeloma cells that do not express CD38 have lower fitness but are shielded from the drug action. The model also incorporates competition with healthy cells, death of healthy cells due to off-target drug effects, and a Michaelis-Menten type immune response. Using optimal control theory, we study the effect of the drug evasion mechanisms and the off-target drug effect on the optimal treatment regime. We identify a general increase in treatment duration and costs, with varying patterns of response for the different controlling parameters. Several distinct optimal treatment regimes are identified within the parameter space. Author summary In this work we investigate a model of Multiple Myeloma, a cancer of the bone marrow, and its treatment with the drug Daratumumab. The model incorporates proposed mechanisms by which the cancer evades Daratumumab by reduced expression of the receptor CD38, which is the drug target and normally abundent in the cancer cells. The model includes an off-target effect, meaning that the drug treatment destroys some healthy cells alongside the targeted cancer cells. Both mechanisms can reasonably be expected to reduce the efficacy of the drug. We investigate the model using optimal control methods, which are used to find the drug dose over time which best balances the financial and health costs of treatment against cancer persistence, according to a specified cost function. We show that this drug resistence and off-target effect prolongs the optimal treatment and increase the burden of both the disease and drug. We analyse the distinct effects of the controlling parameters on each of these costs factors as well as the time course, and identify conditions under which extended treatment is required, with either intermittant treatment or a steady reduced dose. Extended treatment may be indefinite or for a fixed period.

Acute myeloid leukaemia (AML) is a blood cancer affecting the haematopoietic stem cells of the myeloid cell line. AML is routinely treated with chemotherapy, and so it is of great interest to develop optimal chemotherapy treatment strategies. In this work, we incorporate an immune response into a stem cell model of AML, since we find that previous models lacking an immune response are inappropriate for deriving optimal control strategies. Using optimal control theory, we produce continuous controls and bang-bang controls, corresponding to a range of objectives and parameter choices. Through example calculations, we provide a practical approach to applying optimal control using Pontryagin's maximum principle. In particular, we describe and explore factors that have a profound influence on numerical convergence. We find that the convergence behaviour is sensitive to the method of control updating, the nature of the control, and to the relative weighting of terms in the objective function. All codes we use to implement optimal control are made available.