Corso di laurea Magistrale in Biologia sperimentale ed applicata MATEMATICA APPLICATA ALLA BIOLOGIA (I MODULO) Lucia Della Croce Dipartimento di Matematica Università di Pavia A. A. 2007/2008 NUOVO utilizzo dello strumento matematico attraverso la costruzione di MODELLI MATEMATICA = Strumento investigativo ( indagine multidisciplinare) MODELLIZZAZIONE = interazione dinamica tra mondo reale MATEMATICA e mondo matematico MODELLIZZAZIONE MATEMATICA Processo interdisciplinare con cui si intende interpretare, simulare, predire i fenomeni reali MODELLO oggetto utilizzato per rappresentare qualcosa d’altro rappresenta un cambiamento sulla scala di astrazione EQUAZIONI IP. FISIOLOGICHE OPERATORI FENOMENO REALE FUNZIONI DATI OPPORTUNE SPERIMENTALI EQUAZIONI FORMULAZIONE DEL PROBLEMA ESISTENZA ANALISI MATEMATICA RISOLUBILITA’ DEL MODELLO UNICITA’ SVILUPPO DI UN ALGORITMO SIMULAZIONE * IMPLEMENTAZIONE NUMERICA VALIDAZIONE DEL MODELLO TEST SU CASI NOTI MODELLO DELLE CELLULE DEL SANGUE FORMAZIONE E DISTRUZIONE DELLE CELLULE DEL SANGUE CELLULE PRIMITIVE (pluripotenziali) CELLULE FORMATIVE SPECIALIZZATE (proliferanti) CONTROLLO FEEDBACK MATURAZIONE (non proliferanti) CIRCOLAZIONE SANGUIGNA MORTE MODELLO MATEMATICO La popolazione di cellule del sangue varia nel tempo 0 ti ti 1 T xi xi 1 ti 1 ti xi unità di tempo n° di cellule al tempo ti xi1 xi d ( xi ) p ( xi ) d ( xi ) n° di cellule distrutte p( xi ) n° di cellule prodotte nell’intervallo di tempo [ti , ti+1] La funzione d (x) deve essere “identificata” sulla base di dati sperimentali Ad ogni intervallo di tempo viene distrutta una frazione costante di popolazione d (x ) c x i i c coefficiente di distruzione La funzione p (x ) deve essere “identificata” sulla base di considerazioni fisiologiche La velocità di produzione aumenta quando il numero di cellule è basso p(x) cresce inizialmente e raggiunge un massimo La funzione p (x ) deve essere “identificata” sulla base di considerazioni fisiologiche Esiste un livello critico al di sotto del quale l’organismo non recupera p(0) = 0 La funzione p(x) deve essere “identificata” sulla base di considerazioni fisiologiche La produzione diminuisce se il numero di cellule è elevato. Non è necessaria a livelli “super elevati” di cellule p(x) decresce per x grande p( x) 0 b x p( x) x m m Mackey-Glass 1971 m Modello di Mackey-Glass 120 100 b=20 80 theta=10 m=3 60 40 20 0 0 5 10 15 20 25 30 35 40 45 50 p ( x ) b x s e sx r Lasota 1977 Modello di Lasota 45 40 b=2 35 r=5 s=5 30 25 20 15 10 5 0 0 5 10 15 b, , r, s, m sono parametri da identificare 150 6 b=20 theta=10 m=3 100 4 50 0 b=2 theta=5 m=3 2 0 200 400 600 800 300 0 0 200 400 250 b=10 theta=50 m=3 200 600 800 b=30 theta=15 m=5 200 150 100 100 50 0 0 200 400 600 800 0 0 200 400 600 800 MODELLO DI MACKEY b, , r, s, m sono parametri da identificare 200 15000 b=20 150 r=10 s=3 100 10000 5000 50 0 0 20 40 60 0 5 15 0 20 40 60 -4 x 10 1.5 b=10 r=50 s=4 10 x 10 b=3 r=1 s=10 1 5 0 b=2 r=15 s=5 0.5 0 50 100 0 0 5 10 15 20 MODELLO DI LASOTA IL MODELLO DIVENTA xi1 xi c xi p( xi ) che è della forma xi1 f ( xi ) Dove la funzione d’iterazione f è: f ( x) x (1 c) p ( x) LIVELLO STAZIONARIO In condizioni normali, le cellule raggiungono un livello stazionario al quale produzione e distruzione avvengono alla stessa velocità x : d ( x) p ( x) x f (x) LIVELLI STAZIONARI DI MACKEY Livelli stazionari di Mackey - Glass 200 180 p(x) d(x) 160 numero di cellule 140 120 100 80 o 60 p(x) = d(x) 40 o 20 0 o 0 5 10 15 20 25 tempo 30 35 40 45 50 LIVELLI STAZIONARI DI LASOTA Livelli stazionari di Lasota 120 p(x) d(x) 100 numero di cellule 80 60 o 40 o p(x) = d(x) o 20 o o o 0 0 5 10 tempo 15 Una malattia corrisponde, dal punto di vista matematico, al fatto che alcuni dei parametri del modello hanno valori che si discostano da quelli che definiscono un livello stazionario Analisi della stabilità del modello Biomatematica .mht Interpretazione intuitiva della stabilità di un sistema Posizioni stazionarie di una pallina su un percorso collinare Livelli stazionari possono essere stabili o instabili Stabile ( Attrattori) esiste una zona tale che se la pallina viene spostata in uno qualunque dei punti ritorna al punto iniziale Regione di attrazione Instabile DIFFUSIONE DELL’ AIDS ( Modello di Ho - 1994 ) Il virus HIV (Human Immunodeficiency Virus) provoca lo sviluppo dell’ AIDS (Acquired ImmunoDeficiency Sindrome) Il virus attacca una classe di linfociti ( CD4 T-Cellule), la cui azione è essenziale nell’ambito della difesa immunitaria. In condizioni normali la concentrazione di CD4 è circa 1000/ l; quando scende al di sotto di 200/ l il paziente è classificato malato. PRECEDENTI SUPPOSIZIONI Periodo che intercorre tra l’infezione e lo sviluppo della malattia è un periodo di latenza e inattività del virus Lo sviluppo della malattia è lento Tutti i meccanismi coinvolti sono lenti Concentrazione plasmatiche di cellule virali, linfociti CD4 e anticorpi HIV Nel periodo di pseudo-latenza , la concentrazione di virus e anticorpi è quasi costante, mentre si ha una lenta diminuizione di concentrazione di cellule CD4 Il virus è allora inattivo ? MODELLO DI HO Esperimento di Ho: (1994) V (t ) Per capire se il virus è attivo nella fase di pseudolatenza, Ho ha perturbato la sua attività somministrando a 20 pazienti un inibitore della proteasi Virus al tempo t p Cellule virali prodotte nell’unità di tempo c Tasso di eliminazione (azione sistema immunitario, morte ,etc.) La variazione nel tempo di cellule virali può essere descritto dalla equazione di bilancio: dV Equazione differenziale P cV (t ) del I ordine dt Soluzione generale P V (t ) V0 exp( ct ) V 0 c valore inizialeV (t0 ) Per t = 0, cioè nella fase di pseudo-latenza (equilibrio) si ha: dV 0 dt e quindi P cV P V0 c P0 La proteasi è stata bloccata non ci sono nuove cellule prodotte Il modello è più semplice: dV cV (t ) dt V (t ) V0 exp( ct ) Dunque la variazione di cellule virali è stata modellizzata dall’equazione P V (t ) exp( ct ) c Occorre calcolare c Procedimento di fitting per identificare il parametro c V (t ) V0 exp( ct ) ln( V (t )) ln( V0 exp( ct )) ln( V0 ) ln(exp( ct )) ln( V0 ) ct y y b ct I parametri c e b b Sono identificati con un procedimento di regressione lineare Diminuizione della concentrazione di cellule virali in 2 pazienti trattati con inibitore della proteasi 7 7 10 10 paziente 1 curva fitting paziente 2 curva fitting 6 6 10 concentrazione HIV concentrazione HIV 10 5 10 4 10 3 4 10 3 10 10 2 10 -10 5 10 2 0 10 giorni 20 30 10 -10 0 10 giorni 20 30 Per ogni paziente si ottiene una valutazione diversa dei parametri c e b Si esegue una media c 0.33 0.06 Ho trovò: La conoscenza di c permette di approssimare P: P cV0 P V0 c V0 10 10 6 7 P 0.33 * (106 107 ) ( dal fitting) Il virus non è affatto quiescente ! Questa scoperta ha cambiato la comprensione dei meccanismi di infezione dell’AIDS dando avvio a nuove terapie. MODELLI DINAMICI DISCRETI LINEARI Sistema dinamico: Sistema discreto: Sistema lineare: Sistema che evolve nel tempo L’intervallo temporale è discretizzato la legge che determina l’evoluzione è lineare DISCRETIZZAZIONE TEMPORALE t0 t1 ti y0 y1 yi T tN yN è una funzione che misura la quantità che varia nel tempo sono i valori in corrispondenza ai tempi EVOLUZIONE LINEARE sono definiti per ricorrenza yn1 f ( yn ) f è una funzione lineare f ( y) a y b MODELLO DI MALTHUS PROBLEMA studiare come varia nel tempo una popolazione di batteri immersa in un liquido di cui si nutrono IPOTESI DEL MODELLO 1. Nascita di nuovi batteri 2. Morte di alcuni batteri 3. Il numero di nati è proporzionale al numero di batteri presenti 4. Il numero di morti è proporzionale al numero di batteri presenti MODELLO yn1 yn yn yn coefficiente di natalità coefficiente di mortalità yn1 (1 ) yn yn1 (1 r ) yn tasso di crescita Il modello è lineare yn1 (1 r ) yn yn1 yn f ( y) y Come si calcola l’abbondanza della popolazione al tempo t ? Iteriamo l’equazione: y0 2 ( y0 ) y0 2 y n y0 n 3 Se interviene anche un’immigrazione … yn1 yn b y1 y0 b y2 y1 b (y0 b) b) 2 y0 b b yn n y0 b b 2b ... nb y0 b(1 ... ) n 2 n 1 y0 b 1 n yn1 n 3 SITUAZIONI POSSIBILI 1 • • la popolazione è in declino I morti superano i nati EVOLUZIONE DI UNA POPOLAZIONE DI BATTERI IN DECLINO Con immigrazione: 3 2.5 Yn = 0.8 * Yn-1 + 0.2 popolazione 2 1.5 1 0.5 0 0 2 4 6 8 10 tempo Si stabilizza al valore 12 14 16 18 b 1 20 1 EVOLUZIONE DI UNA POPOLAZIONE DI BATTERI IN CRESCITA 1 yn yn1 Lo stato della popolazione è STAZIONARIO SVILUPPO DI UN ALGORITMO A N N U DISCRETIZZARE IL MODELLO A M L E CON LA MIGLIOR PRECISIONE POSSIBILE Problema continuo Problema discreto I R S I * I C A