Modelo dis reto para o i lo eritro itário da
Malária
Botu atu
Modelo dis reto para o i lo eritro itário da
Malária
Monograa apresentada ao Instituto de
Bio iên ias da Universidade Estadual
Paulista "Júlio de Mesquita Filho",
Campus de Botu atu, para obtenção do
título de Ba harel em Físi a Médi a.
Orientadora: Profa.Dra. Claudia Pio Ferreira
Botu atu
FICHA CATALOGRÁFICA ELABORADA PELA SEÇÃO TÉCNICA DE AQUISIÇÃO E TRATAMENTO
DA INFORMAÇÃO
DIVISÃO DE BIBLIOTECA E DOCUMENTAÇÃO - CAMPUS DE BOTUCATU - UNESP
BIBLIOTECÁRIA RESPONSÁVEL
: SELMA MARIA DE JESUS
Santos, Caroline Zeppellini dos..
Modelo discreto para o ciclo eritrocitário da Malária / Caroline
Zeppellini dos Santos. - Botucatu [s.n], 2009.
Trabalho de conclusão (bacharelado – Física médica) –
Universidade Estadual Paulista, Instituto de Biociências de Botucatu,
2009
Orientadora: Claudia Pio Ferreira
1. Malária - Aspectos imunológicos 2. Modelagem matemática
Palavras-chave: Autômato celular; Ciclo eritrocitário; Malária;
Modelagem matemática;
PrimeiramenteagradeçoaDeuspelaminhaexistên ia,porguiarmeus aminhosepor
ter me propor ionado oragem, força e esperança para superar todas as di uldades no
período de graduação. A minha família, prin ipalmente a minha mãezinha, por sempre
estar ao meu lado epornão mediresforços para meauxiliare viabilizara realização dos
meus sonhos.
Agradeço ao meu noivo João W. Dorigon e a sua família por nun a deixarem de
a reditar nomeu poten ial,sempre mein entivar eapoiar.
Agradeçoaos amigosde turma,poissempreestiverampresentes naminha aminhada
de graduanda me dando força e me propor ionando momentos de distração. Agradeço
prin ipalmente aos amigos Karen Pieri, Cristina Toshie, Lana Taniguti, Rafel Souza,
Pedro RafaelCosta,JuanGuilhermoMartimeDanielAkira. Tambémagradeço,aos
fun- ionáriosdo departamentode bioestatísti a, porpropor ionaremum ambiente agradável
paraodesenvolvimentodessetrabalhoepormeso orreremmuitas vezes quandopre isei.
Em espe ial agradeço à professora Claudia Pio Ferreira, não só por ser minha
ori-entadora, mas também, pela disposição em transmitirseus onhe imentos e experiên ia,
por sempre ter me dado onselhos de extrema importân ia para minha vida prossional
e a adêmi a. Agradeço pela pa iên ia, pela dedi ação e por tudo que me ensinou no
de orrer desses anos.
Muito obrigada atodos por ontribuiremdiretamenteouindiretamentenarealização
desse trabalho.
Este trabalho foi nan iado pela Fundação de Amparo à Pesquisa do Estado de São
mas pelo destemor em enfrentá-los.
Não me deixe implorar pelo alívio da dor,
mas pela oragem de ven ê-la.
Não me deixepro urar aliados na batalha da vida,
mas a minha própria força.
Não medeixe supli ar om temor aito para ser salvo,
masesperar pa iên ia para mere er a liberdade
Nesse trabalho, estudou-se algunsaspe tosdadinâmi ado i lo eritro itáriodo
para-sitada maláriaP. fal iparum eatravés das informaçõesobtidas props-se um modelo de
autmatos elulares, om ênfase no estudo dos fatores de isivos que levam a interrupção
do i loeritro itáriopelos merozoítose onsequenteapare imentodosgametó itos,forma
infe tantedos mosquitos. Tambémfoifeitauma análisedasérie temporaldaparasitemia
de pa ientes infe tados. A partir da omparação entre os resultados de simulação e os
dadosexperimentaismostrou-sequediferençano omportamentodas séries temporais de
parasitemiaestá rela ionada om diferentes efetividadesdosistemaimuneno ontrole da
infe ção.
Palavras- have: Autmato elular; modelagem matemáti a; i lo eritro itário;
Inthiswork,someaspe tsoftheerythro yte y leofthemalariaparasitewas
in orpo-ratedintoa ellularautomatamodeltosimulatedthemajorfa torsleadingtodisruption
of the erythro yte y le and onsequent appearan e of gameto ytes, whi h infe ted the
mosquitoes. Furthermore, the time series of parasitaemia of infe ted patients was
an-alyzed and ompared to simulated data. The results suggested that dieren es in the
temporalpatterns of the asexual parasitaemia are asso iated with dierent ee tiveness
of the immune system in ontrolling the infe tion.
Key-words: Cellularautomata;mathemati almodeling;erythro yte y le;merozoites;
Resumo 4
Abstra t 5
1 Introdução 11
2 Objetivos 14
3 Metodologia 14
3.1 Cara terização das séries temporais . . . 14
3.2 AutmatosCelulares . . . 16
3.2.1 Parâmetros do Modelo . . . 16
3.2.2 Conguração Ini ial. . . 17
3.2.3 Regras de Transição . . . 18
4 Resultados e Dis ussões 19 4.1 Cara terização das séries temporais . . . 19
4.2 AutmatosCelulares . . . 28
5 Con lusão 40 A Autmatos Celulares 41 A.1 Históri o . . . 42
A.2 Construção . . . 43
A.3 Classi açãode Wolfram . . . 46
B Algoritmo Genéti o 47 B.1 Históri o . . . 48 B.2 Estrutura bási a de um AG . . . 49 B.3 Elementosdo AG . . . 50 B.3.1 Codi ação . . . 50 B.3.2 Função Adaptação . . . 51 B.3.3 Seleção. . . 51
B.3.5 Mutação . . . 53 B.3.6 Atualização . . . 53 B.3.7 Finalização . . . 54 B.4 Parâmetros Genéti os . . . 54 B.5 Exemplo de AG . . . 55 Referên ias 56
1 Esquema do i lo de vidadoparasita damalária. . . 12
2 Parasitemiadafase assexuadaesexuada(gametó itos)emfunçãodotempo. 20
3 O grá o em vermelho orresponde ao resultado de simulação da
para-sitemiaemfunção dotempodaformaassexuadaeempretoasérie
experi-mentaldopa iente731. No antosuperior, grá odavariaçãodo
P imune
emfunção dotempo. . . 28
4 O grá o em vermelho orresponde ao resultado de simulação da
para-sitemiaemfunção dotempodaformaassexuadaeempretoasérie
experi-mentaldopa iente463. No antosuperior, grá odavariaçãodo
P imune
emfunção dotempo. . . 29
5 O grá o em vermelho orresponde ao resultado de simulação da
para-sitemia em função do tempo da forma assexuada e em preto a série
ex-perimental do pa iente 1102. No anto superior, grá o da variação do
P imune
em função dotempo. . . 29 6 O grá o em vermelho orresponde ao resultado de simulação dapara-sitemiaemfunção dotempodaformaassexuadaeempretoasérie
experi-mentaldopa iente910. No antosuperior, grá odavariaçãodo
P imune
emfunção dotempo. . . 30
7 O grá o em vermelho orresponde ao resultado de simulação da
para-sitemiaemfunção dotempodaformaassexuadaeempretoasérie
experi-mentaldopa iente760. No antosuperior, grá odavariaçãodo
P imune
emfunção dotempo. . . 30
8 O grá o em vermelho orresponde ao resultado de simulação da
para-sitemiaemfunção dotempodaformaassexuadaeempretoasérie
experi-mentaldopa iente457. No antosuperior, grá odavariaçãodo
P imune
emfunção dotempo. . . 31
9 O grá o em vermelho orresponde ao resultado de simulação da
para-sitemia em função do tempo da forma assexuada e em preto a série
ex-perimental do pa iente 1249. No anto superior, grá o da variação do
sitemia em função do tempo da forma assexuada e em preto a série
ex-perimental do pa iente 1288. No anto superior, grá o da variação do
P imune
em função dotempo. . . 32A.1 Exemplo de tipos de vizinhança, a saber, von Neumann de raio(a)
r = 1
e(b)r = 2
, Moore om ( )r = 1
e(d)r = 2
,e (e) arbitrária. . . 43A.2 Bordaperiódi a. . . 44
A.3 Bordareexiva. . . 44
A.4 Bordade valores xos. . . 45
B.1 AG Bási o. . . 50
Lista de Tabelas 1 Coe ientes de orrelação ruzada (
r
) om diferentes atrasos temporais (d
). 21 2 Cara terização dasérie temporaldopa iente 1249. . . 223 Cara terização dasérie temporaldopa iente 457. . . 23
4 Cara terização dasérie temporaldopa iente 760. . . 23
5 Cara terização dasérie temporaldopa iente 1288. . . 24
6 Cara terização dasérie temporaldopa iente 1102. . . 24
7 Cara terização dasérie temporaldopa iente 731. . . 25
8 Cara terização dasérie temporaldopa iente 910. . . 25
9 Cara terização dasérie temporaldopa iente 463. . . 26
10 Valores dos parâmetros utilizadosno modelo de autmatos elulares. . . . 33
11 Variáveisestatísti a para ara terização dasérie temporaldopa iente 731. 34
12 Variáveisestatísti a para ara terização dasérie temporaldopa iente 463. 34
13 Variáveisestatísti a para ara terização dasérie temporaldopa iente 760. 35
14 Variáveisestatísti a para ara terização dasérie temporaldopa iente 1102. 35
15 Variáveisestatísti a para ara terização dasérie temporaldopa iente 910. 36
16 Variáveisestatísti a para ara terização dasérie temporaldopa iente 457. 36
17 Variáveisestatísti a para ara terização dasérie temporaldopa iente 1249. 37
1 Introdução
Amaláriaéumadoençainfe iosaagudaou rni a ausada peloprotozoário
uni elu-lardogênero Plasmodium,transmitido pelapi ada domosquitoAnapholes. Essa doença
parasíti aseimps omoa prin ipalinfe ção endêmi a domundo,sendo responsávelpor
maisde 480 milhõesde asos porano,o asionandomaisde 2,3milhõesde mortesanuais.
Sua distribuição geográ a atinge prin ipalmente as regiões equatoriais de lima quente
e úmido já que as huvas propi iam o aumento da densidade dos mosquitos. Também
está presente nas regiões tropi ais e subtropi ais do planeta e prin ipalmente na Áfri a
Sahariana [1℄.
Esse protozoáriotem um i lode vida omplexo(Figura1)querequer um hospedeiro
humano(ondeo orrereproduçãopordivisão elular)eumhospedeiroinseto(ondeo orre
reprodução sexuada). O i lo parasitário tem ini io quando o mosquito infe tado pi a
uma pessoa não infe tada, ino ulando, na ir ulação da mesma, os esporozoítas. Estes
al ançam o fígado e mudam de fase após invadir as élulas do parênquima hepáti o,
tornando-seesquizontesedadivisãodos seusnú leosnas emosmerozoítosquesão
lança-dos na orrente sangüínea dando ini io a fase eritro íti a. Um esporozoíta multipli a-se
formandoaproximadamente20.000merozoítas,que são liberadosna ir ulação depoisde
1 ou 2 semanas. Nos eritró itos os merozoítos se transformam em esquizontes e ini iam
a fase de reprodução assexuada, de modo a gerar novos merozoítos que, por sua vez,
penetram em novos eritró itos. Cada merozoíta invade uma élula vermelha dosanguee
produz entre 8 e 32merozoítas, que são liberados nosangue em i los variáveis(de 24 a
72 horas) de a ordo om a espé ie envolvida. Depois de alguns i los eritro íti os (3 ou
4), alguns merozoítos se diferen iam em formas sexuadas hamadas de gametó itos [2℄.
Esta de isãodeveser inuên iadapelaação dosistemaimune,jáqueaformasexuadado
plasmódioédestituída de açãopatogêni a.
Estudos mostramquearedução daparasitemia naformaeritro itáriadoparasita
ex-er e atividadesupressora sobre osgametó itos,istoporque os gametó itos são formas de
resistên ia do parasitoque se originam quando as ondiçõesambientaissão inadequadas
(respostasimunese ientes) paraa ontinuaçãodo i lo. A onstataçãode que
gametó -itos podem persistir por dias ou semana depois que a forma assexuada for eliminada é
Figura 1: Esquema do i lode vidado parasitada malária.
Para entender a transformação da forma assexuada para sexuada há ne essidade de
analisar as respostas dosistema imunitárioinduzidopeloplasmódio, já que são elas que
determinamaevoluçãoparainfe çãooudoença,eproteçãoounão. Sabe-sequeo
plasmó-dioinduz diferentes me anismosefetores, porém, ae iên ia desses me anismosdepende
doparasitaemquestão edoestágiode infe ção, istoporque, esse protozoárioapresentam
ara terísti as omo:
maior variedade e quantidade de antígenos quando omparados om as ba térias,
fungos, et ;
podemmodi arseusantígenosdesuperfí ienumpro esso onhe ido omovariação
antigêni a;
podemexpressardeterminadosantígenosapenasemum determinadoestágiode seu
desenvolvimentooriginando uma resposta estágio espe í o;
podem se ligar a ertos re eptores super iais do hospedeiro que não são afetados
pelas respostas imunológi as omo a superfí iedoeritró ito.
méto-pigmentohemozoína(produtode degradaçãodahemoglobina)nosma rófagos,que
inter-fere nas muitas funções dessa élula. Ele tambémliberagrande quantidade de antígenos
solúveis, queprejudi amarespostadohospedeironum pro esso denominadode distração
imune. Assim, osantígenos solúveisprovavelmente diluemosanti orpos ir ulantes,
pro-por ionando uma ortina de fumaça que impede que o anti orpo hegue ao orpo do
parasita[4℄.
O entendimento desses me anismos de es ape do plasmodium ao sistema imunitário
permite o desenvolvimento de novas drogas eva inasanti-malári as.
Neste trabalho desenvolveu-se um modelo matemáti o empregando o formalismo de
autmatos elulares para análise da dinâmi a do i lo eritro itário da Malária. O
prin- ipal objetivo do modelo é: reproduzir a parasitemia de pa ientes primo-infe tados pelo
P.fal iparum e omparar os resultados de simulações om resultados experimentais. Os
prin ipaisartigosestudados foram: On thestudy of thedynami aspe ts of parasitemia in
the blood y le of malaria; Plasmodium fal iparum parasitaemia des ribed by new
math-emati al model; Modelling the Transition of Asexual Blood Stages of Plas modium
fal- iparum to Gameto ytes. Na seção 3 des reve-se o modelo matemáti o proposto e a
ara terização das séries temporais de parasitemia simuladas e reais. Seção 4
suma-riza os resultados obtidos na seção anterior, os quais são onfrontados om resultados
experimentais. Faz-se então uma dis ussão matemáti a e uma interpretação biológi a
destesresultados. Naseção5tem-seasprin ipais on lusõesdoprojeto. Finalmente, nos
apêndi es A e B apresenta-se o formalismo de autmatos elularese algoritmogenéti o,
respe tivamente.
A aluna Caroline Z. Santos realizou estágio no Departamento de Bioestatísti a do
Instituto de Bio iên ias da UNESP/Botu atu de Julho de 2007 à Dezembro de 2009,
om a Profa. Dra Claudia P. Ferreira, no tema de modelagem matemáti a. Durante
o estágio a aluna se familiarizou om o ambiente Linux, aprimorando seus
onhe imen-tos em Linguagem de Programação C, pro essador de texto latex e outros pa otes do
Linux, omo por exemplo, os pa otes grá os xmgra e e gnuplot. Foi bolsista bolsista
do PIBIC/CNPq-Ini iação Cientí a- no período de Janeiro de 2008 à Julho de 2008
(sob responsabilidade do Prof. Dr. Hyun Mo Yang do IMECC/UNICAMP) e bolsista
ClaudiaPioFerreira. Resultados par iaisdotrabalhoforamapresentados em ongressos,
omo oCongresso interno de ini iação ientí adauni amp- em2008 (Campinas- SP),
CONFIAM-Congressodefísi aapli adaamedi ina-em2009(Botu atu-SP),Workshop
daPós -Graduação" iên ia,mer ado e so iedade-em2009 (Botu atu-SP) eEn ontro
regionalde matemáti aapli ada e omputa ional(Petrópolis- RJ).
2 Objetivos
Nessetrabalhopretende-sereproduziraparasitemiadepa ientesprimo-infe tados om
o protozoário da malária utilizandoo formalismode autmatos elulares. Os dados das
simulaçõesserão omparados om dados experimentais. Com isso, os diferentes padrões
observados na séries temporais de parasitemia assexuada serão expli ados por diferentes
e iên ia da resposta imune de ada indivíduo.
3 Metodologia
A apresentação da metodologia será dividida emduas partes: na primeira faremos a
ara terização/des rição das sériestemporaisde pa ientes primo-infe tadospeloparasita
da maláriaP. fal iparum e na segunda apresentaremos o modelo de autmatos utilizado
para reproduzir as séries experimentais.
3.1 Cara terização das séries temporais
Parafazera ara terizaçãosele ionamos8pa ientesdentrode um grupode 334 asos
oletados (adultos afro-ameri anos) do USPHS (United States Publi Health Servi e),
quando a terapia da malária era re omendada para tratamento da neurosílis. Foram
realizados exame mi ros ópi o dosangue quase diariamente, sendo que emprin ípio,
0.1
ml de sangue foi examinado, om ex eção de asos om elevada densidade que tiveram
um maior volume examinado. A dete ção limiar foi er a de 10 PRBC/ml [5℄. Desses
examesduas lassesdeparasitasnas élulassanguíneasvermelhas(PRBC)foram ontadas
separadamente: parasitasassexuadas (in luindogametó itosimaturos om menos de um
Os pa ientes sele ionados não re eberam nenhum tipo de tratamento para malária
e os dados experimentais estavam ompletos ou semi- ompletos (faltando pou os dados
rela ionados a medida diária da parasitemia, sendo essas falhas não onse utivas). Para
a análise da série temporal, foi feita uma interpolação log-linear nos dados in ompletos
[6℄. Destes 8 pa ientes, alguns foram ino ulados om esporozoítas e outros por sangue
infe tado.
Esses dados foram plotados e de maneira a quanti ar as diferenças e similaridades
entre aparasitemiados pa ientes, deniu-se 11parâmetrospara ara terizaçãodas séries
temporais daparasitemia. São eles:
1. (In l.ini ial) - in linação ini ial: oe iente angular da regressão linear obtida
utilizando todos os dados de
log(parasitemia + 1)
desde o primeiro ponto omin linação positivana série temporalaté oprimeiromáximo lo al;
2. (N.maxs)-númerodemáximoslo ais: adeniçãodemáximoédadapor:
log(parasitemia+
1)
notempot
éummáximoseémaiorquelog(parasitemia + 1)
notempot − 3, t −
2, t − 1
emaior ouigual alog(parasitemia + 1)
notempot + 1, t + 2, t + 3
;3. (Log.max) -valordo
log(parasitemia + 1)
nomáximo global;4. (In l.max)-in linaçãodos máximoslo ais: oe ienteangulardaregressãolinear
feitasobre os dados de
log(parasitemia + 1)
de todos os máximoslo ais;5. (Mg) -média geométri a dointervaloentre máximos lo ais onse utivos;
6. (Dp) - desvio padrão dologdos intervalos entre máximos lo ais onse utivos;
7. (+/1) e (+/2): respe tivamente, proporção de observações positivas na primeira
metade e na segunda metade do intervalo entre o primeiro e o último dia positivo
(parasitemiamaior ou iguala 10);
8. (T.serie) - tamanho da séries: diferença entre o último e primeiro diapositivo da
série temporal( om parasitemiamaior que 10);
9. (r) - oe ientede orrelaçãodenido por:
r =
σ
xy
σ
x
σ
y
,
σ
x
=
v
u
u
t
n
X
i=1
(x
i
− ¯
x)
2
,
σ
y
=
v
u
u
t
n
X
i=1
(y
i+d
− ¯
y)
2
,
σ
xy
=
n
X
i=1
(x
i
− ¯
x)(y
i+d
− ¯
y),
x =
¯
1
n
n
X
i=1
x
i
,
y =
¯
1
n − d
n
X
i=d
y
i
.
onde
x
i
éaparasitemia assexuadanotempoi(i=
1,2,3.. n),y
i
éaparasitemiasex-uadadotempoi, déoatraso temporale néonúmerototalde dias de parasitemia.
10. (A) - área abaixo da urva dividida pela soma total da parasitemia: a área foi
al ulada pela regrado trapézio dadapor:
A =
h[p
0
+ 2(p
1
+ p
2
+ ...) + p
n
]
2
,
(1)onde p é a parasitemia e h é o intervalo entre dois dias onse utivos de análise de
parasitemia. 11. (R)rugosidade:
rg = p
i
,
rg
1
=
p
i−1
+ p
i
+ p
i+1
3
,
R =
s
P
n−1
i=1
(rg
1
− rg)
2
n − 2
.
(2)onde
p
i
éa parasitemia nodiai.
3.2 Autmatos Celulares
Osautmatos elulares(verapêndi eA)sãomodelosmatemáti ossimples ompostos
por um grande número de elementos idênti os que interagem entre si atravás de regras
bem determinadas. Estes omponentes são arranjados numa rede (regular ou não), e
asso ia-se a ada sítio da rede um autmato, o qual é representado por uma variável
dis reta quepode assumir um onjunto nito de valores[8, 9℄.
O modelode autmatos elularesproposto simulaadinâmi ado i loeritro itárioda
malária,e mostraaevolução temporaldaparasitemia tantoassexuada. Nesse trabalhoé
ummodelobidimensional,detrêsestados( élulasaudável, élulainfe tada, élulamorta),
om atualizaçãoparalela, ondição de ontornoperiódi a, vizinhançade Moorede raio2,
onde ada passode tempo
t
orrespondeaum diadeparasitemia easregrasde transiçãoentre os estados são probabilísti as.
3.2.1 Parâmetros do Modelo
Temos nove parâmetros, todos inspirados em dados biológi os,sendo que 2 são
L
∈ [100, 450]
: tamanho da redeutilizadanas simulações. Os dadosde parasitemiados pa ientes apresentam valores máximos entre
10
4
a10
5
; bg∈ [10
−4
, 10
−2
]
: proporção ini ial de élulas infe tadas na rede. Inspirado nos
artigosde Masonondeassume-se que1a25esporozoítossão ino uladoapóspi ada
de um mosquitoinfe tadoe, adaum gera um esquizonteoqual produz de 20000 a
40000 merozoítosos quais são liberados nosangue apósa fasehepáti a dadoença;
tprim
∈ [6, 14]
: tempoque o sistemaimune levapara responder à infe ção. Simulao tempo que o sistema imunue (SI) leva para montar uma resposta imunológi a
efetiva paraa doença;
NMER
∈ [8, 32]
: númerodemerozoítosliberadosapósae losãoda élulainfe tada.O valor depende do tipo de Plasmodium onsiderado, para o P. Fal iparum é de 8
a32, emmédia de 12 a16;
te l
∈ [1, 2]
: tempode in ubaçãodoparasita. OvalordependedotipodePlasmod-ium onsiderado, para oP. Fal iparum éde 1a 2 dias;
Pimune: efetividade da resposta imunológi a para a malária. Ajustado de a ordo
om os dadosexperimentais;
pinfe
∈ [10
−5
, 10
−3
]
: entrada no sistema de élulas infe tadas vindas de outros
lugares. Simulao pro esso de difusão das élulas;
pmort: inverso do tempode vidade uma élula saudável. A vidamédia das
hemá- ias e de 100 a 120 dias na orrente sanguínea, após este período são removidas
prin ipalmentepeloorgão baço. Mantido xoem 0,008;
prepl: reposição do sistemahematopoiéti o. Mantido xoem
0, 95
.3.2.2 Conguração Ini ial
Ini ialmentetemos bg por entoda rede o upadas por élulas infe tadas( élulas
ver-melhas parasitadas) distribuídas aleatóriamente na rede e
1 − bg
o upadas por élulasum ontadore lode=1queregistraonúmerode diasquea élulasestá infe tada(simula
o i lo do merozoíta no interior da hemá ea). Em relação a vizinhança de ada élula,
utilizou-se a de Moore de raio2.
3.2.3 Regras de Transição
A adapassodetempo,aatualizaçãodossistemaa onte edaseguinteforma: primeiro,
sorteia-se aleatoriamente o valor de
eP asso
dentro do intervaloeclode = [1, 2]
. Depois,apli a-seas seguintes regrasde transição para ada élula:
a. sítio o upado por élula saudável: Célula saudável tem probabilidadeiguala
pmort
de virar élula morta. Assim, sorteia-se um número aleatório entre 0 e 1. Se o
número sorteado for menor que
pmort
então a élulas saudável vira élula morta,senão segue omo élulasaudável;
b. sitio o upado por élula infe tada:
Se
eclode = eP asso
a élulainfe tadarompe,passaaser élulasmorta,eguarda-senum vetor a posição da élula infe tadapara que nonal do laço o orra ainfe ção
das élulassaudáveisvizinhasaesta élulainfe tadaquee lodiu. Senãose
eclode 6=
eP asso
temos que veri ar se o sistema imunológi o já teve tempo de dete tar a infe ção. Essa ondição é dada pelo testet < tprim
. Neste aso temos duaspossibilidade:
1. Se o resultado do teste for verdadeiro, ainda não temos a atuação do sitema
imunológi o. A úni a possibilidade então é a morte natural. Sortea-se um
númeroaleatório
xe
para omparar ompmort
. Sexe < pmort
a élulamorre,se não permane e infe tadae in rementa-se
eclode = eclode + 1.
2. Se o resultado do teste for falso, temos que onsiderar a ação dos sistema
imunológi o. Neste aso, sorteia-se um número aleatório,
xe
para ompararom a probabilidade de morrer devido a ação do sistema imune. Assim, se
xe < P imune
ouxe < pmort
a élula morre, se não, ontinua infe tada e in rementa-seeclode = eclode + 1
.A ada passo de tempo, o valor de
P imune
é al ulado tomando por base oa ação do sistema imune (se
t < 6
temos queP imune = 0
). O valor deP imune
que age sobre a élula infe tada a ada instante é dado pela média aritméti a dos
últimosseis valores de
P imune
.. sitio o upado por uma élula morta:
Sorteia-se um número aleatório
xe
para omparar omprepl
. Casoxe < prepl
,outronúmeroaleatório
xe
ésorteado parade idirmosseanova élulaserásaudávelou infe tada. Se
xe < pinf
a élula novaé dotipo infe tado eeclode = 1
, senão aélulanovaédotiposaudável. Seaprimeira ondição(
xe < prepl
)nãoforsatisfeitaa élulasegue no estadomorta.
Esta regra simulaa reposição de élulas feita pelo sistema hematopoiéti o. A
on-tagemé feita sobre onúmero de élulasmortas. Se hámuitas élulasmortas então
a taxa de reposição é altasenão a taxa é baixa. Ela também simulao pro esso de
difusão das élulas (uxo sanguíneo).
Uma informação importante é que para ada élula infe tada que e lodiu, sortea-se o
númerode merozoítos liberados,
NMER
, quetem seuvalores olhido porum geradordenúmeroaleatórioquesegueumadistribuiçãogaussiana ommédiade8edesviopadrãode
8. Nesteinstanteo orreainfe çãodas élulassaudáveisnavizinhaçade élulasinfe tadas
queromperam. Simula-seassimumpro essodeinfe çãolo al. A élulaqueseráinfe tada
é es olhida aleatoriamente dentro da vizinhança de Moore de raio 2. Observe, que nem
todomerozoíto liberadotem su esso nopro esso de infe ção(por exemplo,se
NMER >
número de élulassaudáveis navizinhaçada élulas infe tada),fatoeste queé observado
biologi amente.
4 Resultados e Dis ussões
4.1 Cara terização das séries temporais
A Figura 2 mostra a evolução temporal da parasitemia assexuada e sexuada de oito
0
1
2
3
4
5
0
20
40
60
80
100
120
parasitemia
dia
S1102
assexuada
gametocitos
0
1
2
3
4
5
0
20
40
60
80
100
120
parasitemia
dia
S731
0
1
2
3
4
5
0
20
40
60
80 100 120 140
parasitemia
dia
S1288
0
1
2
3
4
5
0
20
40
60
80
100
120
parasitemia
dia
S463
0
1
2
3
4
0
10
20
30
40
50
60
parasitemia
dia
S1249
assexuada
gametocitos
0
1
2
3
4
0
5 10 15 20 25 30 35 40 45
parasitemia
dia
S760
0
1
2
3
4
0
5
10
15
20
25
30
35
parasitemia
dia
S910
0
1
2
3
4
5
0
10
20
30
40
50
60
70
parasitemia
dia
S457
Observe que a parasitemia é ara terizada por períodos de duração variados, sendo
o apare imento do primeiro máximo seguido por um número variado de máximos em
intervalos irregulares. Além disso, a análise dos grá os mostram ondas de parasitemia
assexuada seguidas por ondas de gametó itos em que as últimas estão deslo adas por
algunsdiasetêm menoresamplitudes, sugerindouma orrelação entre essas duasformas.
Per ebe-se também que na maioria dos pa ientes, o tempo de série,
T s
, da formaassexuada é maior que da forma sexuada, sendo que o tempo de série da formasexuada
surge após o primeiro máximo lo al da forma assexuada. Isso pode ser um argumento
positivoparadenirqueaformasexuadaéumaformaderesistên iadoparasitaaosistema
imune,logoquandoadensidadedeparasitadaformaassexuadaégrandeosistemaimune
age forçando a gametogênese.
A Tabela1mostraos oe ientes de orrelação ruzada om atrasostemporaisde 0 a
12dos pa ientes sele ionados anteriormente:
Tabela 1: Coe ientes de orrelação ruzada (
r
) om diferentes atrasos temporais (d
).(
d
)|
Pa iente. 731 463 1102 1288 760 457 910 1249 0 0.293 0.102 0.314 0.646 0.325 0.194 -0.281 -0.381 1 0.323 0.076 0.352 0.648 -0.262 0.202 -0.256 -0.366 2 0.307 0.090 0.383 0.675 -0.171 0.253 -0.244 -0.198 3 0.347 0.149 0.395 0.712 -0.075 0.298 -0.234 -0.158 4 0.348 0.228 0.427 0.726 0.042 0.385 -0.138 -0.0189 5 0.407 0.303 0.455 0.756 0.176 0.447 -0.039 0.0586 6 0.406 0.387 0.522 0.770 0.292 0.521 0.130 0.153 7 0.481 0.468 0.450 0.819 0.417 0.578 0.273 0.277 8 0.505 0.552 0.504 0.80 0.497 0.652 0.296 0.365 9 0.588 0.581 0.521 0.785 0.496 0.688 0.271 0.479 10 0.563 0.596 0.571 0.795 0.528 0.716 0.442 0.555 11 0.606 0.571 0.538 0.749 0.607 0.708 0.620 0.577 12 0.589 0.587 0.524 0.714 0.560 0.682 0.818 0.518 13 0.552 0.563 0.514 0.689 0.565 0.661 0.853 0.458Aanálisedatabela1éfeitadaseguinteforma: Valoresde
r ≥ |0.70|
indi amumaforteorrelação,
|0.30| ≤ r < |0.7|
indi am orrelação moderada e0 ≤ r < |0.30|
orrelaçãofra a.
O maior oe iente de orrelação foi o do pa iente 1288 (
r = 0.819
) en ontrado noatraso temporal sete. Porém analisando o onjunto de valores en ontrados em ada
d
os melhoresresultados foramen ontrados entre os atrasos temporais dez e doze, em que
obtivemos duas orrelações fortes e seis moderadas. Como quatro dos oitos oe ientes
omeçam a de air após oatraso dez, determinamos omo dez o tempo de sequestro
esti-madopara amaturaçãodogametó ito. Apóso
d = 13
todosos oe ientes de orrelaçãotem um de aimento onstante.
Outros dados en ontrados foram os valores de variáveis estatísti as dos 8 pa ientes.
Para análisefoia res entadonatabelaosdiasqueo orremosmáximoslo ais(Dias.max).
Esses dados foram organizadosnas tabelas 2a 9.
Tabela 2: Cara terização dasérie temporaldo pa iente1249.
pa ienteS1249
Cara terização Forma.sexuada Forma.assexuada
T.serie 38 51 N.maxs 2 3 In l.ini ial 0.13 0.38 In l.max -0.03 -0.08 Mg 4.24 5.43 Dp 0.63 0.38 +/1 5 18 +/2 29 13 Dias.max/Log.max 20/2.61,38/2.00 11/3.89,27/1.61,37/1.91 Area 0.98 0.98 Rugosidade 0.27 0.54
Tabela3: Cara terização da série temporal dopa iente 457.
pa ienteS457
Cara terização Forma.sexuada forma.assexuada
T.serie 21 60 N.maxs 1 6 In l.ini ial 0.12 0.40 In l.max - -0.03 Mg 20 6.08 Dp 0 0.23 +/1 0 29 +/2 19 17 Dias.max/Log.max 20/2.19 9/4.56, 15/2.64, 20/2.38, 33/1.49,43/2.88,56/2.15 Area 0.96 0.98 Rugosidade 0.22 0.58
Tabela4: Cara terização da série temporal dopa iente 760.
pa ienteS760
Cara terização Forma.sexuada Forma.assexuada
T.serie 30 18 N.maxs 5 2 In l.ini ial 0.14 0.47 In l.max -0.012 -0.07 Mg 3.47 2.65 Dp 0.14 0.42 +/1 4 7 +/2 26 10 Dias.max/Log.max 16/2.11, 21/2.32, 26/2.03, 30/2.14,35/1.92 6/3.01,13/2.48 Area 0.98 0.95 Rugosidade 0.19 0.53
Tabela 5: Cara terização dasérie temporaldo pa iente1288.
pa ienteS1288
Cara terização Forma.sexuada Forma.assexuada
T.serie 121 114 N.maxs 9 10 In l.ini ial 0.20 0.65 In l.max -0.03 -0.03 Mg 9.51 8.61 Dp 0.23 0.20 +/1 51 56 +/2 43 48 Dias.max/Log.max 15/4.06, 40/2.40, 58/2.73, 70/2. 38,81/1.91,86/1.71, 99/1.49,110/1.32,125/1.04 6/4.47, 10/4.20, 22/4.38, 36/3.59, 47/3.59, 59/3.68, 71/3.59, 81/3.03, 100/1.49, 111/1.49 Area 0.99 1.00 Rugosidade 0.30 0.31
Tabela 6: Cara terização dasérie temporaldo pa iente1102.
pa ienteS1102
Cara terização Forma.sexuada Forma.assexuada
T.serie 97 97 N.maxs 7 10 In l.ini ial 0.23 0.31 In l.max -0.02 -0.03 Mg 8.90 5.67 Dp 0.22 0.21 +/1 36 47 +/2 24 38 Dias.max/Log.max 19/3.21, 34/2.25, 47/1.71, 64/1.28, 83/1.26, 93/1.52, 100/1.61 9/4.70, 22/4.03, 31/3.33, 39/2.72, 43/2.33, 51/2.70, 55/2.68, 61/2.40, 65/2.23, 77/2.76 Area 0.99 0.99 Rugosidade 0.26 0.45
Tabela7: Cara terização da série temporal dopa iente 731.
pa ienteS731
Cara terização Forma.sexuada Forma.assexuada
T.serie 82 101 N.maxs 1 9 In l.ini ial 0.50 0.36 In l.max - -0.03 Mg 26 7.24 Dp 0 0.23 +/1 18 49 +/2 1 47 Dias.max/Log.max 26/2.15 7/4.89, 15/4.21, 30/3.95, 48/3.66, 54/3.78, 62/3.2, 73/2.30,77/2.32,89/3.33 Area 0.98 0.99 Rugosidade 0.21 0.40
Tabela8: Cara terização da série temporal dopa iente 910.
pa ienteS910
Cara terização Forma.sexuada Forma.assexuada
T.serie 24 24 N.maxs 2 2 In l.ini ial 0.26 0.22 In l.max -0.03 -0.077 Mg 3.31 2.45 Dp 0.52 0.39 +/1 4 11 +/2 19 6 D.max/Log.max 12/3.29,23/2.91 4/3.85,10/3.38 Area 0.97 0.95 Rugosidade 0.12 0.43
Tabela9: Cara terização da série temporal dopa iente 463.
pa ienteS463
Cara terização Forma.sexuada Forma.assexuada
T.serie 59 102 N.maxs 4 11 In l.ini ial 0.11 0.50 In l.max -0.05 0.02 Mg 5.17 6.47 Dp 0.31 0.25 +/1 15 50 +/2 30 50 Dias.max/Log.max 18/2.06, 25/2.21, 45/2.33, 48/1.76 9/4.72, 32/3.81, 44/3.83, 51/2.55, 63/3.11, 70/2.56, 74/2.21, 78/2.10, 82/2.98, 90/2.60,100/3.24 Area 0.98 0.99 Rugosidade 0.260 0.46
Nessetrabalhosele ionamosessas11variáveisparafazeruma omparaçãoquantitativa
dosresultadosdassimulações omosexperimentais,sendoquenovedessasvariáveisforam
utilizadasnoartigo de Molineauxet all[6℄.
A análise do tempo de série, nos mostra que existe grupos de pa ientes om série
temporal urta eoutros omsérie temporallonga. Issoéum dadoimportantepoisdene
a efetividade do sistema imune no ontrole da infe ção. Logo, a efetividade do sistema
imune foi onsiderada omo uma variável para o nosso modelo de autmatos, ou seja,
sérieslongasestãoligadas omabaixae iên iadosistemaimunenaeliminaçãoda élula
parasitada e demora na geraçãode resposta imunológi aespe í a (pa ientes 1288, 731,
1102e463). Poroutrolado,séries urtasestãorela ionadasarespostaimunológi arápida
ee iente (pa ientes 910,760 e1249). Opa iente457 ou omopa ienteintermediário.
A análise da variável número de máximos e Dias.max/Log.max enfatiza o que foi
dis utido anteriormente sobre a Figura 2. O número de máximos da forma assexuada
varia de 2 a 3 para pa ientes om alta e iên ia do sistema imune e de 9 a 11 para
pa ientes om baixa e iên ia do sistema imune. Já para forma sexuada varia de 1 a 5
parapa ientes omaltaefetividadede resposta imunológi aede1a9parapa ientes om
baixaefetividade. Emrelaçãoaosdias de máximosper ebe-sequeaformasexuadasurge
om altaefetividadeémenor queparapa ientes om baixaefetividade. Noprimeiro aso
o Logdaparasitemia variade 3.01 a 3.85 epara o segundo aso de 4.47 a 4.89.
A análise da in linação ini ial nos mostra que essa variável pare e não depender da
efetividadedosistemaimune,poisnamaioriados asososistemaimunenão omeçouagir
(aaçãodosistemaimunetemini io demaneiraefetivanosétimodiade parasitemia). Os
resultadosdaIn l.ini ialvariaramde0.22a0.65 ommédiade0.4paraformaassexuadae
de 0.11a0.50 om média0.2para formasexuada. Poroutrolado,per ebe-seque háuma
dependên ia entre ain linaçãode máximos ea e iên iado sistemimune, pois pa ientes
om maior e iên ia do sistema imune tem
Incl.max
que varia de -0.08 a -0.074 ommédia de -0.077 e pa ientes om baixa e iên ia tem variação de -0.032 a -0.0215 om
média de -0.026.
Asvariáveismédiageométri aedesviopadrãosãodependentesdonúmerodemáximos,
logo elas também são dependentes da efetividade dosistema imune. Pa ientes om alta
efetividade tem
Mg
mais baixas que aqueles que tem baixa efetividade, porém temDp
mais altos.
A análise das variáveis
+/1
e+/2
referentes à forma assexuada nos mostra que namaioriados pa ientes onúmerodedias om parasitemiamaiorque10nasegunda metade
dotempodesérieémenorqueonúmerodedias omparasitemiamaiorque10naprimeira
metadeda série temporal. Já naforma sexuadaisso seinverte.
A análisedaárea denida pela urvade parasitemia versus tempo,nos mostraque as
taxasdetransformaçãodaformaassexuadaparasexuadavariamentrediferentespa ientes
e entre diferentes ondas assexuada do mesmo pa iente, pois se a taxa de onversão dos
parasitas assexuados para gametó itosfosse onstante, existiria uma relação linear entre
aáreasoba urvade gametó itoseaáreasob a urvaassexuadaoquenãofoi onstatada
[7℄.
Em rela ão a rugosidade, observa-se que os resultados para a forma sexuada são
menores que ada assexuada. Os resultados variam para formaassexuada de 0.31 a 0.58
om média de 0.4 e para forma sexuada de 0.12 a 0.3 om média de 0.23. Essa variável
4.2 Autmatos Celulares
As Figuras 3 a 10 mostram os resultados das simulações das séries temporais da
parasitemia, as quais foram omparadas om os resultados experimentais de pa ientes
primo-infe tados. No anto superior de ada gura foi gra ado a variação do
P imune
em função do tempo.
0
10
20
30
40
50
60
70
80
90
100
Tempo (dias)
0
1
2
3
4
5
Parasitemia
0
20
40
60
80
100
Tempo (dias)
0
0,1
0,2
0,3
0,4
0,5
Pimune
Figura 3: O grá o em vermelho orresponde ao resultado de simulação da parasitemia
em funçãodotempodaformaassexuadaeempretoasérieexperimentaldopa iente731.
0
10
20
30
40
50
60
70
80
90
100
Tempo (dias)
0
1
2
3
4
5
Parasitemia
0
20
40
60
80
100
Tempo (dias)
0
0,1
0,2
0,3
0,4
0,5
Pimune
Figura 4: O grá o em vermelho orresponde ao resultado de simulação da parasitemia
em funçãodotempodaformaassexuadaeempretoasérieexperimentaldopa iente463.
No anto superior, grá oda variação do
P imune
emfunção dotempo.0
10
20
30
40
50
60
70
80
90
100
Tempo (dias)
0
1
2
3
4
5
Parasitemia
0
20
40
60
80
100
Tempo (dias)
0
0,1
0,2
0,3
0,4
0,5
Pimune
Figura 5: O grá o em vermelho orresponde ao resultado de simulação da parasitemia
em função do tempo da forma assexuada e em preto a série experimental do pa iente
0
5
10
15
20
25
30
Tempo (dias)
0
1
2
3
4
Parasitemia
0
5
10
15
20
25
30
Tempo (dias)
0
0,1
0,2
0,3
0,4
Pimune
Figura 6: O grá o em vermelho orresponde ao resultado de simulação da parasitemia
em funçãodotempodaformaassexuadaeempretoasérieexperimentaldopa iente910.
No anto superior, grá oda variação do
P imune
emfunção dotempo.0
5
10
15
20
Tempo (dias)
0
1
2
3
4
Parasitemia
0
5
10
15
20
Tempo (dias)
0
0,1
0,2
0,3
0,4
Pimune
Figura 7: O grá o em vermelho orresponde ao resultado de simulação da parasitemia
em funçãodotempodaformaassexuadaeempretoasérieexperimentaldopa iente760.
0
10
20
30
40
50
60
70
Tempo (dias)
0
1
2
3
4
5
Parasitemia
0 10 20 30 40 50 60 70
Tempo (dias)
0
0,1
0,2
0,3
0,4
0,5
Pimune
Figura 8: O grá o em vermelho orresponde ao resultado de simulação da parasitemia
em funçãodotempodaformaassexuadaeempretoasérieexperimentaldopa iente457.
No anto superior, grá oda variação do
P imune
emfunção dotempo.0
10
20
30
40
50
60
0
1
2
3
4
Parasitemia
Figura 9: O grá o em vermelho orresponde ao resultado de simulação da parasitemia
em função do tempo da forma assexuada e em preto a série experimental do pa iente
0
20
40
60
80
100
Tempo (dias)
0
1
2
3
4
5
Parasitemia
0
50
100
Tempo (dias)
0
0,1
0,2
0,3
0,4
0,5
Pimune
Figura10: Ográ o emvermelho orresponde ao resultado de simulaçãodaparasitemia
em função do tempo da forma assexuada e em preto a série experimental do pa iente
1288. No anto superior, grá oda variaçãodo
P imune
em função dotempo.A tabela10mostraosparâmetrosutilizadosnas simulações omseus respe tivoserro
de predição (E)e índi ede on ordân ia(d).
O erro de predição (E) para ada simulaçãofoi al ulado pelafórmula:
E =
s
P
n
i=1
(s
i
− p
i
)
2
n
onde
s
i
é ovalordaparasitemia assexuada en ontrado nasimulação nodiai ep
i
o valorexperimental.
Paraavaliaraexatidãodosvaloresestimadosemrelaçãoaosobservadadosfoiutilizado
o índi ede on ordân iade Willmott dado por:
d = 1 −
P
n
i=1
(s
i
− p
i
)
2
P
n
i=1
(| s
i
− P | + | p
i
− P |)
2
ondePéamédiadaparasitemiaexperimental. Valoresmaispróximosde1sugeramuma
Tabela10: Valores dos parâmetrosutilizadosno modelo de autmatos elulares.
pa iente L tprim pinfe bg E d
457 284 9 0.000062 0.001569 0.75 0.87 463 285 11 0.000978 0.00159 0.62 0.83 731 425 12 0.00045 0.0047 0.72 0.85 760 430 9 0.000058 0.000149 0.69 0.7 910 273 6 0.000099 0 .009691 0.74 0.87 1102 342 9 0.000092 0.006076 0.73 0.86 1249 310 9 0.000026 0.000197 0.71 0.84 1288 347 12 0.000524 0.001082 0.63 0.92
Osparâmetrosa imaforamen ontradosporumalgoritmogenéti o. Nãohouvetempo
de fazermos uma análise riteriosa da e iên ia do algoritmo genéti o proposto para a
obtençãodo onjuntodeparâmetrosrelativosaomodelodeautmatos. Porém,resultados
preliminares mostraramque as soluções obtidassão robustas.
Per ebe-se que o parâmetro
tprim
para pa ientes om maior efetividade do sistemaimunevariade 6a9,jáos ombaixaefetividadevariade9a12,ouseja,paraosúltimos
o sistema imune demora mais para agir. Além disso, quanto mais demorada sua ação
maior éa entradano sistemade élulas infe tadasvindas de outroslugares (
pinf ec
). Osresultados obtidos pelo índi e de Willmott mostram uma boa on ordân ia em todos os
asos, sendo que a maior on ordân ia foi do pa iente 1288 (
d = 0.92
) e a menor dopa iente 760 (
d = 0.7
) .Observa-se pela Figuras 3 a 10 que o prin ipal parâmetro que dá a os ilação para
o grá o de parasitemia versus tempo é o
P imune
. Per ebe-se que após um pi o deP imune
temos um de aimento da parasitemia e que quando mais onstante oP imune
menos os ilações tem a parasitemia. Pa ientes om alta efetividade na eliminação daparasitemia tem menorquantidade de pi osdo
P imune
.As tabelas de 11 a 19 fazem uma omparação quantitaviva dos resultados das
simu-laçõeseosexperimentais. Cal ulou-seamédia edesvio padrão(dp) de 20simulaçõese a
Tabela11: Variáveisestatísti a para ara terização da série temporaldo pa iente731.
Pa iente S731
Cara terização Melhor Simulação Experimental Média dp
T.serie 102 101 101.25 2.12 N.maxs 5 9 5.8 1.29 In l.ini ial 0.27 0.36 0.129 0.16 In l.max -0.018 -0.025 -0.011 0.015 Mg 10.11 7.24 8.65 1.44 Dp 0.34 0.23 0.31 0.062 +/1 50 49 49.5 1.12 +/2 52 47 50.7 2.51 Area 0.991 0.992 0.991 0.001 Rugosidade 0.14 0.4 0.124 0.018
Tabela12: Variáveisestatísti a para ara terização da série temporaldo pa iente 463.
Pa iente S463
Cara terização Melhor Simulação Experimental Média dp
T.serie 102 102 102.85 0.92 N.maxs 8 11 6.1 1.04 In l.ini ial 0.282 0.498 0.17 0.15 In l.max -0.018 -0.0215 -0.009 0.011 Mg 8.71 6.469 8.88 0.95 Dp 0.23 0.25 0.29 0.066 +/1 50 50 49.95 0.22 +/2 52 50 52.09 0.44 Area 0.992 0.995 0.992 0.011 Rugosidade 0.11 0.46 0.13 0.012
Tabela13: Variáveisestatísti a para ara terização da série temporaldo pa iente760.
Pa ienteS760
Cara terização Melhor Simulação Experimental Média dp
T.serie 19 18 18.30 2.00 N.maxs 1 2 0.5 0.5 In l.ini ial 0.21 0.47 0.107 0.142 In l.max - -0.074 -0.0025 0.0109 Mg - 2.65 6.96 5.36 Dp - 0.42 0.017 0.076 +/1 8 7 7.7 0.95 +/2 11 10 9.85 1.85 Area 0.968 0.949 0.958 0.014 Rugosidade 0.14 0.527 0.13 0.06
Tabela 14: Variáveis estatísti a para ara terização dasérie temporaldopa iente1102.
Pa iente S1102
Cara terização MelhorSimulação Experimental Média dp
T.serie 98 97 93.09 17.75 N.maxs 4 10 4.2 2.18 In l.ini ial -0.066 0.311 0.13 0.18 In l.max -0.016 -0.032 -0.024 0.0431 Mg 7.84 5.67 6.77 2.61 Dp 0.347 0.208 0.43 0.19 +/1 48 47 36.4 10.25 +/2 34 38 35.5 11.97 Area 0.990 0.992 0.987 0.0035 Rugosidade 0.122 0.45 0.108 0.025
Tabela15: Variáveisestatísti a para ara terização da série temporaldo pa iente910.
Pa ienteS910
Cara terização Melhor Simulação Experimental Média dp
T.serie 26 24 22.9 5.4 N.maxs 1 2 0.55 0.92 In l.ini ial -0.13 0.22 0.019 0.124 In l.max - -0.077 -0.000069 0.124 Mg - 2.44 0.15 0.65 Dp - 0.39 0.008 0.036 +/1 12 11 10.35 2.06 +/2 7 6 12.15 1.77 Area 0.955 0.952 0.962 0.0076 Rugosidade 0.076 0.43 0.093 0.039
Tabela16: Variáveisestatísti a para ara terização da série temporaldo pa iente457.
Pa ienteS457
Cara terização Melhor Simulação Experimental Média dp
T.serie 61 60 50.2 20.51 N.maxs 3 6 2.0 1.64 In l.ini ial 0.45 0.40 0.17 0.18 In l.max -0.038 -0.03 -0.03 0.041 Mg 8.23 6.08 3.26 3.11 Dp 0.473 0.23 0.287 0.31 +/1 29 29 21.55 6.74 +/2 20 17 17.55 8.69 Area 0.985 0.984 0.981 0.007 Rugosidade 0.11 0.58 0.11 0.024
Tabela 17: Variáveis estatísti a para ara terização dasérie temporaldopa iente1249.
Pa iente S1249
Cara terização Melhor Simulação Experimental Média dp
T.serie 35 51 36.8 17.66 N.maxs 2 3 1.3 1.04 In l.ini ial 0.24 0.38 0.1 0.15 In l.max -0.089 -0.082 -0.02 0.03 Mg 4.79 5.43 1.67 2.39 Dp 0.68 0.38 0.20 0.29 +/1 16 18 15.5 5.46 +/2 9 13 16.85 5.23 Area 0.982 0.983 0.98 0.034 Rugosidade 0.12 0.54 0.11 0.034
Tabela 18: Variáveis estatísti a para ara terização dasérie temporaldopa iente1288.
Pa iente S1288
Cara terização MelhorSimulação Experimental Média dp
T.serie 106 114 114.9 0.616 N.maxs 6 10 6.7 1.00 In l.ini ial 0.35 0.65 0.16 0.12 In l.max -0.026 -0.027 -0.009 0.009 Mg 11.17 8.61 9.4 1.14 Dp 0.24 0.201 0.29 0.06 +/1 52 56 55.3 1.62 +/2 43 48 58.6 1.32 Area 0.994 0.996 0.993 0.0011 Rugosidade 0.12 0.31 0.13 0.011
Tabela 19: Variáveis estatísti a para ara terização dasérie temporaldopa iente1288.
Pa iente S1288
Cara terização MelhorSimulação Experimental Média dp
T.serie 106 114 114.9 0.616 N.maxs 6 10 6.7 1.00 In l.ini ial 0.35 0.65 0.16 0.12 In l.max -0.026 -0.027 -0.009 0.009 Mg 11.17 8.61 9.4 1.14 Dp 0.24 0.201 0.29 0.06 +/1 52 56 55.3 1.62 +/2 43 48 58.6 1.32 Area 0.994 0.996 0.993 0.0011 Rugosidade 0.12 0.31 0.13 0.011
Para análise da on ordân iaentre osresultados experimentaise simulações
utilizou-se oíndi e de on ordân ia de Willmott quejá foi denido anteriormente. Obtivemos os
seguinte resultados:
Tabela20: Cál ulo da on ordân iaentre osresultados experimentaise simulações.
Variáveis Con ordân ia de Willmott
T.serie 99% N.maxs 74% In l.ini ial 50% In l.max 56% Mg 86% Dp 26% +/1 99% +/2 99% Area 94% Rugosidade 26%
Os valores das variáveis estatísti as para a ara terização da série temporal
en on-tradas na simulação razoavelmente reproduzem os resultados en ontrados dos dados
ex-perimentais. Pela análise do índi e de on ordân ia de Willmott per ebe-se que esse
modelo reproduz bem as váriaveistempo de série, número de máximos, +/1, +/2, Mge
Área. Porém não é tão satisfatório para reproduzir In l.ini ial, In l.max, Dp e
5 Con lusão
Omodelode autmato elularfoi apazde reproduzir satisfatoriamenteaparasitemia
de pa ientes primo-infe tados,tanto quantativamente quanto qualitativamente. Tal fato
revela a importân ia das interações lo ais na dinâmi a do pro esso de ampli ação da
população de parasitasassexuados no i lo eritro itáriodamalária.
Uma ara terísti aimportanteobservada namodelagemmatemáti adeste i loé que
o sistema imune dita a evolução temporal da parasitemia, pois ele que vai inuen iar
a taxa de transformação do merozoíta em gametó ito, a qual é variável entre diferentes
pa ientes eentrediferentes ondasde parasitemiaassexuadadomesmopa iente. Também
mostramos que otempopara maturação dogametó ito éde aproximadamente10dias.
Outro dado importanteé que existem pa ientes om maior efetividade de eliminação
da parasitemia do que outros, o que reete em diferentes tamanhos de séries temporais.
Aqueles que apresentam séries longas estão ligados om a baixa e iên ia do sistema
imune na eliminação da élula parasitada e demora na geração de resposta imunológi a
espe í a. Poroutro lado, séries urtas estão rela ionadasa resposta imunológi arápida
A Autmatos Celulares
Os autmatos elulares(AC) são sistemas dinâmi osdis retos ujo omportamentoé
ompletamenteespe i ado emtermosde relaçõeslo ais. Usualmente são arranjadosem
uma rederegular(que hamamosespaço), demodoque ada sítioou élulapode assumir
um onjunto dis reto de estados. Uma determinada élula interage om seus vizinhos
mais próximosde a ordo om um onjunto de regras xase bem denidas, de modo que
estas são ditas ser lo al e uniforme. O tempo também é dis reto e denido om base
na atualização dos estados dos autmatos da rede. A apli açãore ursiva das regras que
denem um dado problema introduz uma dinâmi a ao sistema e gera o omportamento
exibido pelos autmatos elulares.
Porserumsistemadinâmi odis reto,des rito ompletamenteemtermosdeinterações
lo ais, os autmatos elulares são uma ferramenta poderosa no estudo de sistemas que
apresentam fenmenos oletivos bem ara terizados, omo ordenamento de fases, aos,
quebra de simetria e turbulên ia. Uma das ara terísti a dos autmatos elulares é que
eles apresentam formaçãode padrõesespa iais etemporais,e, porisso, são muitousados
nasimulaçãodesistemasbiológi os(pro essosdereprodução),fenmenosfísi os(difusão),
sistemas so iais (formação de omunidades) e problemas de adaptação e otimização em
geral.
Em resumo, os ACs são ara terizados por três aspe tos bási os: variável, espaço e
tempo dis reto. Essa tripla dis retização nos leva a um sistema que pode ser
estrita-mentetratávelnum omputadorreal,semdúvidaum dospontos havesresponsáveispelo
interesse noestudo dos ACs.
O formalismo para um autmato unidimensional, o estado do sítio
i
no tempot
,denotado por
σ
i
(t)
evolui no tempo de a ordo om a regraF
a qual é função do estadodosítio
σ
i
(t)
edo estado dos outros sítios numa vizinhaçar
do sítioemquestão. Vamosassumir que
σ
i
= 0, 1, 2..k − 1
, qualquer que sejai
. O valordo sítioi
mudará no tempopela apli açãodomapa
σ
i
(t) = F [σ
i−r
(t − 1), ..., σ
i
(t − 1), ...σ
i+r
(t − 1)]
(A.1)onde
F : {
vizinhança dosítioi} → {0, 1, ..k − 1}
éuma funçãoarbitráriaqueespe i a ados valoresde uma vizinhançade nomáximo
2r + 1
sítios.Usualmente, o número de estados,
k
, que uma determinada élula pode assumir e onúmerode vizinhos,
r
, onsideradosão pequenos pordiversas razões, omo,porexemplo,dados
k
er
o número de ongurações possíveis ék
2
r+1
e o número de regras possíveis
k
k
2r+1
. Quando
r
ek
res em este númerose torna muito grandepara explorarmos todoo espaçode ongurações eregras possíveis.
A.1 Históri o
Os autmatos elulares foram introduzidos, em 1940, pelos matemáti os John von
Newman e Stanislaw Ulam, no estudo de sistemas biológi os tipo repli adores. Num
trabalho ini ial, Von Neumann a eitou a sugestão dada por Stanislaw Ulam de utilizar
um sistema dinâmi o dis reto em substituição ao modelo ontínuo. A sugestão foi a
de onstruir uma malha bidimensional na qual ada élula alo asse um autmato. Os
trabalhos de Von Neumannforam ompletados por Burks epubli ados em 1966[10℄.
O autmatomais famoso é oJogo daVida,inventado pelomatemáti o John Conway
em 1960. As regras de transição para este autmato de dois estados (vida/morte), são
resultados de uma série de tentativas, que resultaram, ora em uma morte rápida das
élulas, ora emum res imento des ontrolado.
Em 1967, Von Bertalany apli ou os AC om su esso em modelos que des reviam
relações humanas. Esses modelos ganharam mais força quando, em 1969, Konrad Zuse
publi ouolivro"Re hnender Raum", noqual onsiderou ahipótesedas leisfísi asserem
dis retas porque o universo era o resultado de um gigantes o autmato elular. Zuse
tambem introduziu o on eito de espaço omputa ional.
Jaem1983, omumtipodeACmuitosimples,StephenWolframobservoua
emergên- iade um omportamento omplexo. Estefatofez omqueavaliassea apa idadede
sim-ular eelu idarfenmenosbási os de alta omplexidade através de um onjuntode regras
simples e bem denidas. Idênti as que foram publi adas em seu livro "A New Kind of
S ien e",em2002.
Re entemente, 2005, em seu livro "The Lifebox, The Seashell and The Soul", o Dr.
Rudy Ru ker omplementou a teoria de Wolfram, levando-a a um variável universal.
apazes de gerar omplexidade.
A.2 Construção
Uma importante propriedade do autmato elular é que uma pequena variação nas
regrasde transiçãotem onseqüên iasdramáti asnasolução. Denir regraségeralmente
um pro esso intuitivo, as vezes difí il. As regras de transição dependem da geometria
da rede, do número de vizinhos e do estado da élula. Na onstrução de um autmato
podemosfazer diversas es olhas, são elas:
A) geometria da rede : 1D (uma dimensão), 2D (duas dimensões), hexagonal,
tri-angular;
B) vizinhança: dada uma élula qualquer, sua vizinhançaé formada pelo onjunto
de élulas ujo estado afeta o estado da élula em questão, no instante de tempo
onsiderado. É lassi ada de a ordo om a dimensão do autmato (por exemplo
1D)e omageometrianaqualas élulasestãointerligadas(porexemplotriangular).
Elapodeserlo al(elementosadja entes)ounão-lo al;podeserpreviamentedenida
ouarbitrária; pode onter o sítio-alvoou não. Uma vizinhançapode assumir
qual-quer onguração espa ial e sua es olha depende do pro esso a ser modelado. Na
gura A.1 sao esquematizadas algumas das vizinhan as mais utilizadas em redes
bidimensionais.
(a) (b) ( ) (d) (e)
Figura A.1: Exemplo de tipos de vizinhança, a saber, von Neumann de raio (a)
r = 1
e(b)
r = 2
, Moore om ( )r = 1
e (d)r = 2
, e(e) arbitrária.borda darede.
Dependendo do tamanho da rede onsiderada, este pode ser um grande problema,
visto que,porexemplo, para uma rede
10 × 10
, as élulas daborda totalizam40%
dototal de élulaspresentes. Omesmo nãoé verdadepara uma rede
100 × 100
, naqualas élulas daborda representam apenas
4%
das élulas totais.Como exemplos de ondições de ontorno temos as periódi as (Figura A.2), as
re-exivas (Figura A.3) e as xas (Figura A.4). As periódi as são mais usadas por
serem pare idas om a simulação em rede innita, e dependendo da dimensão do
autmato são do tipo ir ulares (1D) outoróidais (2D).Em parti ular temosque:
Contorno periódi o: Vizamrepresentar a onguraçãodos limites de um lado
da rede omo sefosse a borda dooutro.
Figura A.2: Borda periódi a.
Contorno reexivo: Limite no qual os valores de ontorno reetem os valores
dos sítios que ante edem o limite(gura A.3).
FiguraA.3: Bordareexiva.
Contornodevaloresxos: O orrequandosaodeterminadosvaloresparao
FiguraA.4: Borda de valores xos.
D) ondições ini iais : uma onsideração importantequando geramos as ondições
ini iais(que podem ser aleatóriasouxas) éque, geralmente,algumas quantidades
são onservadasnos autmatos elulares, omoporexemploonúmerodepartí ulas,
omomentototal oua energia. Quando gerarmos uma determinada ondição ini ial
devemos ter erteza que esta quantidade está sendo onservada;
Geralmente,emmodelosdeAC,pequenasvariaçõesnas ondiçõesini iaisproduzem
efeitos drásti os apóspou os passos de tempo.
E) regras de transição : denem omo um determinado estado muda dependendo
do seu valor e do valor de seus vizinhos. Podem ser: determinísti as, quando as
regrasde transição dependem da onguraçãodosistema (vizinhança);totalísti as,
quando as regras não dependem da onguração das élulas vizinhas mas somente
donúmerodevizinhosemumdeterminadoestado(neste asodizemosquesistemaé
degenerado);eprobabilísti as,quandoaregradetransiçãonãoéumafunçãoquetem
exatamenteumresultadopara ada onguraçãodavizinhaça,maspossibilitavários
resultados omumaprobabilidadeasso iada. Aintroduçãoderegrasprobabilísti as
émuitoimportanteparaasimulaçãodediversosproblemas,vistoqueamaioriados
sistemasreais apresentam algumtipode ruído.
F) atualização : pode ser feita de modo paralelo, o que signi a que a atualização
de todas as élulas é feita ao mesmo tempo, ou sequen ial, usada prin ipalmente
quando implementamos pro essos de difusão onde o número de partí ulas deve ser
A.3 Classi ação de Wolfram
Em 1984, Stephen Wolfram lassi ou os autmatos elulares em quatro lasses, de
a ordo om aspropriedade dinâmi asqueeles apresentavam. São elas:
Classe 1. O autmato elular gera um estado esta ionário úni o. Neste aso
pode-mos fazer analogiasentre a dinâmi adesses autmatos e a dos sistemas ontínuos,
osquaissãodes ritos porum sistemade equaçõesdiferen iais. Essa primeira lasse
de autmato elular é análoga a um sistema de equações diferen iais uja solução
onverge para um ponto xoestável, e não dependende da ondição ini ialdada;
Classe 2. O autmato elular ai num i lo periódi o de padrões. Os períodos
podemser de vários tamanhos, mas emgeralnão são muito longos,porexemplo de
período 2 (dois tipos de padrões se alternam no tempo). O análogo nas equações
diferen iaissão urvas ujatrajetória onverge paraum i lo limite;
Classe 3. O omportamento do automato elular é aóti o. Não há uma
peri-odi idade óbvia e uma su essão de padrões apare e aleatóriamente, sem que haja
uma estrutura interna que persista no tempo. O omportamento dessa lasse de
autmatos elulares é análoga ao omportamento aóti o observado na solução de
sistemas de equações diferen iais não-lineares. Neste aso as ondições ini ias são
muito importantes;
Classe4. Neste aso, temosaformaçãodepadrões omplexosquenão temuma
pe-riodi idadeóbvia. Porém podemos observara existên iade estruturas persistentes,
lo alizadas ou que viajam (se propagam na rede) que não apare em na lasse III.
Apesar de termos algumas equações diferen iais que apresentam estruturas
pare i-das om asdessa lasse,não hánenhumaquegeraariquezaobtidapelosautmatos
elularesdessa lasse [11℄.
Quando pensamos em sistemas biológi os,temos que os autmatos elulares dos tipos
1
e
2
são muitosimples paraserem usadosno modelamentodesses sistemas,já osda lasse3
, apesar de apresentarem um onjunto de padrões ri o, não apresentam nenhum tipo de omportamento emergente (isto é, estruturas duradouras) de modo que esse tipo degerar estruturas de modo que podemos dizer que há uma emergên ia de ordem a partir
de interações lo ais. A diferença prin ipal entre os autmatos da lasse
2
e4
é que asestruturas periódi as que apare em nos autmatos do tipo
2
não se movem no espaço,enquanto as que apare em nos do tipo
4
se propagam na rede e, porisso, transmitem osefeitos de uma estrutura para outra.
Uma té ni apara seestudar aestabilidade dos autmatos elulares onsisteem
om-pararaevolução onjuntadosistemaoriginaledeumarépli adelenaqualfoiintroduzida
uma perturbações (mutação, dano) qualquer em um sítio. Por exemplo, a onversão do
estado desse sítio de ativo para inativo. Comparando-se a trajetória das ongurações
originaleperturbada,podemosdenira distân iade Hamming(hd) entre elas. Ahd é o
número total de sítios nos quais os estados na onguração original e na répli a
pertur-badadiferementre sidivididopelonúmerototalde sítios(N).Pode-se tambémdistinguir
as 4 lasses de Wolframa partirda distân iade Hamming.
Classe I: A distân ia de Hamming se anula om o passar do tempo. Portanto o
atratorda dinâmi aé estável aqualquer perturbação.
Classe II: A distân iade Hamming permane e onstante notempoe pequena.
Classe III: A distân ia de Hamming res e rapidamente om o tempo, atingindo
um valor de equilíbrio geralmente alto. Ainda mais, mesmo se o dano ini ial for
mínimo, ele se propaga por toda a adeia do AC. Portanto as regras de lasse III
são instáveis.
Classe IV: A distân iade Hammingapresenta um longo períodotransienteaté que
atinjao seu valor de equilíbrio. O res imento dahd éimprevisível.
B Algoritmo Genéti o
O algoritmo genéti o (AG) é uma subdivisão da omputação evolu ionária, em que
tambémseen ontraaprogramaçãoevolu ionária (PE)ea estratégiaevolu ionária (EE).
Essa té ni afoipropostaporJohn H.Holland,emmeadosdadé adade 70,inspiradanas
O AGs onsistem na simulação da evolução de estruturas individuais, que se baseia
nosme anismosbiológi osde seleçãoedeoperadores debus a,referidos omooperadores
genéti os (OG), tais omo mutação e rossover. Esses métodos adaptativos (AGs)
po-dem ser usados para resolver problema de bus a e otimização, problemas em pesquisas
numéri as, bioinformáti a e dentre outrasáreas [13℄.
Nonosso aso,utilizaremosessealgoritmoparaotimizarosvaloresdosnossos
parâmet-ros,sendoqueparadesempenharessafunçãoessealgoritmone essitadetrês omponentes
bási os: a odi ação do problema, o espaço de bus a, onde são onsideradas todas as
possibilidadesdesoluçãodeumdeterminadoproblemaeafunçãode avaliação,queéuma
maneiradeavaliarosmembrosdoespaçode bus a(variade a ordo omoproblema). Os
AGs diferem dos métodos tradi ionais de bus a e otimização, prin ipalmenteem quatro
aspe tos:
1. Trabalham om uma odi ação do onjunto de parâmetros enão om os próprios
parâmetros;
2. Trabalham om uma população enão om um úni o ponto;
3. Utilizaminformaçõesde ustooure ompensaenãoderivadasououtro onhe imento
auxiliar;
4. Utilizam regrasde transição probabilísti ase não determinísti as[14℄.
B.1 Históri o
Emmeadosdadé adade70,JohnH.Hollandpropoematé ni adealgoritmogenéti o
(AG),inspiradanasteoriasdarwinianas. Emsua pesquisaDarwin on luiuqueos
indiví-duosmaispropensoshásobrevivên iasãoaquelesmaisadaptadosparaenfrentar
determi-nadas ondições ambientais. Logo estes indivíduos teriam maior han e de se reproduzir
e assim deixar seus des endentes. Com o passar dos anos, as variáveisfavoráveis tendem
a permane er e as desfavoráveis tendem a serem destruídas [15℄. O objetivo de Holland
não era a on epção de algoritmospara resolver problemas espe í os, mas sim estudar
o fenmeno de adaptação que o orre na natureza e desenvolver formas para que esses
Nosúltimosanos temhavidograndeinteraçãoentre pesquisadores noestudode
difer-entes métodos de omputação evolutiva. Hoje, os pesquisadores frequentemente usam o
termo "algoritmo genéti o"para des rever algo muito longe da on epção ini ial de
Hol-land [16℄.
B.2 Estrutura bási a de um AG
Ini ialmente é gerada uma população de
n
indivíduos. Cada um destes indivíduospodemservistos omo andidatosaasoluçõesparaumdadoproblema. Geralmenteestes
indivíduos re ebem valores aleatários, mas aso tenha-se um onhe imento onsiderável
do problema a ser abordado pode-se fazer om que estes indivíduos ini iais (população
ini ial)re ebavaloresquejáfun ionemparaoproblemaeoobjetivoéapenasmelhora-los
[16℄.
Em seguida, são al ulados os valores de aptidão para ada elemento da população
ini ial,queindi asuahabilidadedeaptidãoadeterminadoambiente(Quãoboaéasolução
paraoproblema). Apóso ál uloosindivíduossãoordenados onformesuaaptidão. Uma
por entagemdosindivíduosmaisadaptadosdageraçãoatualsãomantidasparageraruma
nova populaçãoatravés dareprodução, enquanto osoutros são des artados.
Os membros mantidos pelaseleçãopodem sofrer modi açõesemsuas ara terísti as
fundamentais através de mutações e ruzamentos ( rossover) ou re ombinação genéti a
gerando des endentes para a próximageração.
Este pro esso, hamado de reprodução, é repetido até que uma solução satisfatória
seja en ontrada.
Embora possam pare er simplistas do ponto de vista biológi o, estes algoritmos são
su ientemente omplexos para forne er me anismos de bus a adaptativos poderosos e