Modelagem Matemática e Análise Quantitativa da Otimização dos
Transcrição
Modelagem Matemática e Análise Quantitativa da Otimização dos
Modelagem Matemática e Análise Quantitativa da Otimização dos Esquemas de Tratamentos da AIDS Marco Antonio Leonel Caetano (1) Ibmec São Paulo e-mail: [email protected] Takashi Yoneyama (2) Divisão de Engenharia Eletrônica Instituto Tecnológico de Aeronáutica - ITA - 12.228-900 S.J.Campos - SP - Brasil e-mail: [email protected] 1. Introdução Modelos matemáticos e computacionais têm demonstrado sua potencialidade de previsão ao longo de muitos anos e em diversas áreas (BEHRENS(1999); MURRAY(1998)) . Pesquisadores da área biológica descobriram, que esses modelos somados à computadores de alto desempenho podem ser aliados importantes no combate à doenças causadas pelo vírus da AIDS (síndrome da imunodeficiência adquirida) (vide KIRSCHNER et al.(1996),(1997); MITTLER et al.(1998); NOWAK et a.l.(1991), (1995), (1997); PERELSON et al.(1993); PHILLIPS et al.(1996); WEIN et al. (1998); WICK et al.(1999); ZARIC et al.(1998)). Um modelo bem ajustado, pode fazer uma previsão acurada do ponto de vista qualitativo (e as vezes quantitativo) de acontecimentos futuros, auxiliando pesquisadores para algum tipo de controle sobre o fenômeno estudado ( . O mecanismo da invasão do vírus no organismo é conhecido e amplamente difundido há mais de uma década. Em linhas gerais (vide GALLO(1994)), ao entrar no organismo, o vírus da imunodeficiência humana (Human Immunodeficiency Virus) HIV, procura uma célula hospedeira para poder se reproduzir. Ele ataca inicialmente as células conhecidas como auxiliadoras (help cells) CD4 T+ instalando-se num período posterior nas células de tecidos e órgãos do indivíduo infectado. O vírus HIV é formado por uma capa de proteínas que envolve o DNA viral formando um envelope. A camada dupla de lipídios é atravessada pela parte cilíndrica do envelope e é adquirida pelo vírus quando este se projeta da membrana celular nos estágios finais do ciclo de replicação viral. O interior do vírus consiste no núcleo, que contém as informações genéticas virais (genôma do vírus) abrigadas nas proteínas do núcleo. O genôma viral consiste em dois filamentos idênticos de RNA (ácido ribonucleico). Uma vez encontrada a célula, o primeiro passo é a inserção do vírus na membrana celular da célula alvo. 1 (1)Professor Doutor (2)Professor Titular Isso leva o núcleo do vírus a penetrar nas células e a transitar para o núcleo da célula, e num dado estágio, leva à síntese do DNA viral (ácido desoxirribonucleico). A reação de síntese do DNA é catalisada pela enzima transcriptase reversa, com o RNA do vírus servindo de molde. Esta enzima é uma polimerase especial do DNA que está presente dentro do vírus e consegue fabricar DNA a partir do RNA contido dentro do vírus. Este processo aliás, é que caracteriza o vírus HIV como um retrovírus, um vírus especial capaz de obter RNA a partir de RNA, ou seja, transforma RNA-viral em DNA e depois ao sair da célula volta na forma RNA-viral, uma espécie de retro-alimentação de processo que outros vírus não conseguem executar. É nesse momento que agem os medicamentos inibidores de transcriptase reversa tais como o AZT. Eles são a primeira linha de frente de combate contra o processo de replicação viral. A segunda fase do processo começa com a nova formação de RNA-viral no núcleo da célula a partir do DNA do vírus integrado nos cromossomos. Os mais novos medicamentos de bloqueio à ação do HIV agem nesta fase e são conhecidos como inibidores de integrase. Um pouco de RNA que acabou de se formar no vírus é separado, algumas partes são retiradas, e o restante é emendado e modificado ainda mais e transportado para o citoplasma, onde funciona como um RNA mensageiro que vai dirigir a síntese das proteínas do vírus. Nesta fase entra a segunda forma mais antiga de bloqueio, onde agem os conhecidos inibidores de protease. Figura-1 Esquema da Invasão Viral do HIV Apesar do extraordinário avanço da última década no estudo da AIDS, quanto mais pesquisadores médicos avançam para desvendar o mecanismo de ação do vírus HIV, mais o vírus mostra uma rede complexa de artefatos para enganar o sistema imunológico. Ao contrário de outras doenças, onde uma vez identificados o funcionamento e modos de ação e reação à um determinado invasor no organismo, pode-se controlar o alastramento de uma epidemia, a AIDS continua a mostrar grandes focos de resistência. Um estudo publicado pelo The New York Times em 16 de Julho último, realizado pelo Dr. Charles Boucher, professor virologista da Utrecht University, mostrou em uma amostra de 1633 pacientes de 117 países europeus uma resistência de 10% aos medicamentos de combate ao HIV. Este fato aliás também foi verificado pelos autores desse artigo num trabalho em menor escala, porém não menos importante, com 43 prontuários de pacientes do Centro de Referência e Tratamento em DST-AIDS da Vila Mariana em São Paulo, com autorização do Conselho de Ética do Estado de São Paulo. Figura-2 Mediana da Carga Viral para os Pacientes no CRT-DST AIDS de São Paulo A amostra não é representativa uma vez que o centro possui mais de 5000 pacientes cadastrados. Mas tomada de forma aleatória ela não é menos preocupante, uma vez que em média os dias avaliados foram em torno de 2000. Todos os pacientes estavam sendo administrados com algum tipo de medicamento, seguindo rigorosamente a orientação da Organização Mundial da Saúde (OMS) e do Conselho de Ética e no entanto, o que se verifica é que após os primeiros 1000 dias a contagem mediana da Carga Viral começa a aumentar. Este fato vem exatamente de acordo com o estudo publicado pelo The New York Times. O que está acontecendo, ou sob que forma se dá esta resistência ainda é objeto de muito debate na área médica. Uma alternativa para diminuir esta resistência, seria uma administração mais balanceada e não tão severa de medicação, mas que mantivesse o mesmo padrão de resposta atual apresentado pelos inibidores do HIV. É nesse ponto que a matemática e a computação podem entrar no debate. 2. A Modelagem Matemática da Dinâmica do HIV O termo modelo matemático significa que existe um sistema de equações matemáticas, sistema esse composto por variáveis e parâmetros, que descrevem um determinado problema de maneira quantitativa ou qualitativa muito próximo do fenômeno real observado. O tipo de equações desse sistema é que fornece a maneira matemática como o problema será abordado. Se as equações são do tipo discreta, existem um conjunto específico de técnicas para resolver o problema, e neste caso, assume-se que entre um tempo e outro não existe fator externo nenhum interferindo nas trajetórias das variáveis. Se as equações são contínuas, ou seja, por menor que seja o tempo de amostragem sempre se encontra uma ação da variável ou variáveis do problema, as técnicas para a solução são outras completamente diferentes (BULIRSH(1980)). No caso, nessa nossa discussão, estaremos tratando de apresentar um modelo contínuo e ainda assim, um modelo sujeito à regras impostas por equações diferenciais não lineares. Dentro da área de biomatemática, um dos precursores de modelos matemáticos foi Perelson, com um modelo com quatro equações diferenciais e cuja publicação original data da década de oitenta. Outros se seguiram, tais como os modelos de Nowak, Philips, Tan dentre muitos outros pesquisadores. A discussão que se segue é baseada no modelo de Tan (vide TAN et al.(1998,1999)), com algumas modificações no modelo original de Perelson. As variáveis desse modelo são: a célula CD4 sadia, a célula CD4 infectada latente, a célula infectada ativa e a carga viral. A forma do sistema é representada pelo seguinte diagrama infectada -CD4 (latente) morte µ1 vírus livre k1 ω(t) morte µ2 não infectada -CD4 k2 1-ω(t) infectada CD4 (ativa) µV morte µ3 λ(t) s(t) N(t) novos vírus livre morte Timus Figura-3 Esquema Representativo do Modelo Dinâmico do HIV O modelo descreve a ação do HIV ao entrar no organismo. O vírus atinge uma célula de defesa CD4 T+ com taxa k1 . A célula possui uma taxa de morte natural µ1 e tem probabilidade ω de ser apenas uma célula latente (não produzirá virose imediatamente) e uma probabilidade 1-ω de ser ativada e produzir novos vírus. Se for da forma latente a célula morre com taxa µ2 , mas se for da forma ativa a célula tem morte com taxa µ3 . Enquanto está ativa a célula produz novos vírus com taxa N(t) que varia a todo instante. Após os combates ( e mesmo sem eles) o organismo continua a produzir novas células CD4 através do Timus, segundo alguns estudos de maneira constante com taxa s, segundo outros estudos proporcional ao número de CD4 já existente no organismo. Essa produção proporcional é realizada segundo a taxa λ. O vírus tem vida curta caso não encontre uma célula hospedeira e nesse caso tem uma taxa de morte adotada como µv . As equações são representadas pela notação de diferenciais, com o ponto em cima das variáveis do lado esquerdo da igualdade indicado uma derivada. x& 1 = S + λ x 1 − x 1{µ1 + k 1x 4 } x& 2 = ω k 1x 4 x 1 − x 2 {µ 2 + k 2 } x& 3 = (1 − ω) k 1 x 4 x 1 + k 2 x 2 − µ 3 x 3 x& 4 = Nµ3 x 3 − x 4 {k 1 x 1 + µ v } Os resultados da boa concordância desse modelo dinâmico são apresentados nas figuras 4 e 5. A figura 4 apresenta dados reais de um paciente que foi submetido à dosagem real constante de 900 mg/ dia de um tipo de inibidor de transcritase reversa e 1200 mg/dia de um inibidor de protease. Figura-4 Comparação entre dados reais e simulados para CD4 Pode-se observar na figura 4, que o modelo não consegue captar as oscilações da contagem do CD4 que são inerentes à variabilidade de cada indivíduo. No entanto, o modelo estabelece de maneira muito próxima à realidade, a tendência de longo período da contagem de CD4. Percebe-se que mesmo sendo administrado os inibidores, sempre em algum período a contagem diminui. Mesmo para indivíduos sadios, essa contagem é variável e de difícil previsão. Por isso trabalha-se com distribuições de probabilidade e medidas estatísticas para se conhecer a média e a volatilidade das medidas. Na figura 5, é apresentado o resultado para a carga viral, e assim como a contagem do CD4, o resultado do modelo deve ser entendido como uma tendência de longo período. Figura-5 Dados reais de Carga Viral comparados ao resultado do modelo matemático 3. O Controle do HIV Conforme mencionado anteriormente, as formas de controle atuantes pelos medicamentos são as compostas pelos inibidores de transcriptase reversa e inibidores de protease. Mais recentemente novos inibidores de integrase estão chegando para fazer parte do coquetel contra o HIV. Uma vez na corrente sangüínea, o medicamente tem de início um pico de atuação que perde sua potência com o passar do tempo. Existem funções matemáticas que podem ser especificadas para a simulação da ação do medicamento. Uma forma de simular a ação do medicamento é através da função exponencial, que uma vez ajustada aos valores de decaimento reproduzem com bons resultados a ação real dos inibidores. No caso específico, o inibidor de transcriptase reversa no caso do modelo desse texto é representado pela taxa de reprodução da célula infectada latente k1 . Então um medicamento inibidor (por exemplo AZT) representado por m1 pode simular a ação sobre a taxa da seguinte forma: k 1 = e −α×m ( t ) 1 onde α é um específico ajuste ao tipo do medicamento. Da mesma forma, para os inibidores de protease, o parâmetro responsável pela propagação do HIV é k2 , pois está associado à célula ativa, em fabricação de novos vírus. Neste caso, este parâmetro pode ser simulado pela fórmula k 2 = e −β ×m 2 ( t ) onde m2 (t) é o medicamento inibidor de protease (indinavir, saquinavir, ritonavir, por exemplo) e β o fator específico de ajuste para a função exponencial. 4. A Minimização de Efeitos Colaterais e Terapêuticos O enorme sucesso do coquetel anti-HIV é indiscutível quanto ao nível da qualidade de vida que ele proporciona. No entanto, o preço a ser pago é muito alto em relatos feitos em prontuários médicos ou mesmo em artigos especializados da área de imunologia. Esses relatos dão conta de que ao iniciar a administração das drogas no combate ao vírus, os pacientes sentem násueas, diarréias, contrações abnominais, problemas na laringe e faringe e problemas estomacais devido ao alto teor químico dos medicamentos. Na matemática, a área da otimização de sistemas é a responsável por fornecer leis que indicam qual a melhor atitude a ser adotada por uma determinada variável em questão (BULIRSH(1980); KIRK(1970); LEWIS(1986)). No caso da otimização de sistemas, é possível o estudo da existência de pontos que maximizam e pontos que minimizam uma determinada função matemática. No caso da AIDS, a matemática exige que ocorra uma conexão entre um índice que mede o desempenho do tratamento e seus vínculos com as variáveis sujeitos à variação da dinâmica da doença. Essa função é conhecida como índice de performance do sistema, e diz algo sobre a eficácia dos tratamentos à base dos inibidores de transcriptase reversa e inibidores de protease. A função que os autores desse texto já publicaram em revistas e congressos (CAETANO&YONEYAMA(1999a.,1999b.,2002); FELIPPE DE SOUZA et al.(2000,2003a.,2003b,2003c)) é bastante interessante e retrata de maneira quantitativa o desenvolvimento do tratamento. A forma do índice de performance para a avaliação dos efeitos terapêuticos e colaterais é representada pela função ( ) ( ) 2 2 γ1 2 IP = φ1 1 − e −ε1m1 (t ) + φ 2 1 − e − ε2m 2 ( t ) + + γ VIR ( t ) 2 CD4 2 ( t ) Parte-1 Parte-2 Parte-3 Parte-4 O que mede essa função? A primeira parte mede o efeito colateral causado pelos inibidores de transcriptase reversa. Quando a quantidade de medicamento aumenta o termo do exponencial se torna muito próximo a zero, fazendo com o que está multiplicando o parâmetro φ 1 seja muito próximo do valor unitário. O parâmetro φ 1 representa o peso que os inibidores de transcriptase reversa tem dentro do processo de tratamento. Então, com muito medicamento administrado, φ 1 torna-se mais importante na avaliação. Isso faz o índice crescer, indicando que o maior responsável pelos efeitos colaterais são os inibidores de transcriptase reversa. O mesmo ocorre com o segundo termo representando os inibidores de protease. O terceiro e quarto termo indicam os efeitos terapêuticos do tratamento. Se a quantidade de CD4 diminui, esse terceiro termo aumenta, fazendo aumentar o índice e indicando que o tratamento não está surtindo efeito. Se CD4 aumenta, o termo se torna próximo a zero, e faz o índice IP decrescer. Esse fato com um possível decréscimo da carga viral indica que o tratamento está funcionando. No último termo, quando a carga viral é próxima de zero, o valor de IP diminui e quando é muito alto o IP aumenta, estando associado então esses valores altos à resistência imunológica. Com esse índice, é possível associa-lo ao modelo dinâmico e através da teoria de otimização matemática, encontrar qual a melhor estratégia de medicamento para m1 e m2 em termos de dosagem. A figura 6 apresenta os dados de um paciente coletado do centro de referência e tratamento em DST/AIDS da Vila Mariana em São Paulo. Figura-6 Região de estudo de paciente do CRT-DST/AIDS de São Paulo Os dados do prontuário perfilavam cerca de 2000 dias. Desses, escolheu-se o período onde apenas um tipo de medicamento era utilizado, para não criar interferência de análise devido à composição química diferente entre os inibidores de transcriptase reversa e inibidores de protease. Esse paciente foi um dos casos clássicos de resistência imunológica ao tratamento. O período de dados para o estudo da eficácia da teoria de otimização matemática foi em torno de 500 dias, conforme região delimitada na figura 6. A figura 7 apresenta o ajuste do modelo matemático aos dados reais coletados nesse período de 500 dias. Percebe-se um bom ajuste do modelo, com resultados em termos de CD4 muito próximos dos valores reais. O segundo gráfico da figura 7 mostra o controle ótimo encontrado para o modelo matemático em comparação com a administração real de inibidor de transcriptase reversa. O paciente foi administrado com 900 mg de inibidor de transcriptase reversa durante esses 500 dias, sem inibidor de protease. Formulou-se então a lei de controle ótimo para o modelo matemático e a solução encontrada foi começar nesse período uma dosagem bem alta de inibidor e ir diminuindo até o final do período de 500 dias. No final percebe-se que a administração do medicamento poderia ser até menor do que os valores reais administrados. Em conseqüência percebe-se que a curva ótima de CD4 é muito superior à curva real. Para a contagem de CD4 chega-se a mais de 500 células / mm3 de sangue. Figura-7 Comparação entre dados reais e otimização de dosagem via modelo matemático Mas e os efeitos colaterais dessa estratégia? Poderia se imaginar que com a utilização do índice de performance elaborado para medir os efeitos colaterais e efeitos terapêuticos, encontrar-se-ia valores muito maiores para a estratégia ótima, uma vez que uma dosagem maior é iniciada no tratamento. A figura 8 mostra que apesar da dosagem ótima no início, ser maior do que a dosagem real, em termos de longo período de acúmulo de efeitos colaterais e terapêuticos, o índice é menor para o tratamento ótimo do que para o tratamento real. Ou seja, como a partir da metade do período a estratégia era utilizar doses menores do inibidor, esse período compensou a alta dosagem inicial, uma vez que aumentou-se o poder de combate das células CD4. Assim, o resultado matemático, mostra que, teoricamente seria melhor uma posição mais agressiva de medicação de início e a partir de 200 dias ir diminuindo a dosagem até o final de 500 dias. Na figura 8 também se encontra o uso do índice com os dados reais obtidos para o paciente 022 (numeração fictícia). Percebe-se no último gráfico da figura 8, que o histograma sofre um salto por volta de 1000 dias após início do tratamento. Esse salto corresponde à síndrome cerebelar manifestada pelo paciente. A tabela a seguir apresenta os efeitos colaterais e terapêuticos reais do paciente para comparação com o resultado numérico do índice. Number Side-Effects- P022 1 2 3 4 5 Hepatite C Hepatite C Hepatite C Cefaléia; síndrome dispéptica Síndrome Cerebelar (atoxia,disartia,tontura); lesão em tronco cerebral Estrabismo; Depressão; Tontura 6 O que se deve ponderar no entanto, é que hoje em dia, essa política de alteração de dosagem durante o período de tratamento não pode ser realizada, visto ao respeito às severas recomendações da OMS para obedecer rigorosamente a tabela de dosagem internacional para todos os tipos de inibidores. No entanto, trabalhos como os de Garcia et al. (2001) e Taffé et al.(2002) mostram resultados muito interessantes quando adotaram a estratégia de Start-Stop. Ou seja, durante o tratamento, por pelo menos 3 períodos os pacientes pararam de tomar qualquer tipo de medicamento e só voltavam quando níveis de carga viral subiam rapidamente. O que notaram foi que o pico de infecção quando o vírus retomava sua replicação era menor que o período antes do fim da administração de medicamento. Notaram também que essa parada só dava resultado até 3 períodos e que quando os pacientes pararam de tomar medicação por mais de 3 períodos os valores de picos de carga viral não diminuem mais. Assim, a solução que sempre se obtém da otimização do modelo dinâmico, solução esta variável para doses de medicação anti-HIV, pode não ser tão hipotética, mas necessariamente precisa de estudos muito severos do ponto de vista médico para verificação de seus resultados práticos. PACIENTE-022 120000 800 Viral Load 80000 400 40000 0 0 0.00 400.00 800.00 1200.00 1600.00 2000.00 Ti me (d a ys) 4000 1000 3000 750.00 2000 500 1000 250.00 Protease Inhibitor (mg/day) Transcriptase Reverse Inhibitor (mg/day) Viral Load (cp/ml) CD4 (cel/mm3) CD4 0 0 0.00 400.00 800.00 1200.00 1600.00 2000.00 1600.00 2000.00 Tim e ( da ys) Performance Index 200.00 (1) 100.00 (2) (5) (3) (6) (4) 0.00 0.00 400.00 800.00 1200.00 Time (days) Figura-8 Comparação entre o índice de performance para dados reais e otimização do modelo matemático 5. Modelo Dinâmico Global Apesar de ser muito interessante o modelo dinâmico apresentado até o momento nesse trabalho, na prática ele exige um alto grau de especialidade do pesquisador para o ajuste dos parâmetros do modelo aos dados reais. E não são poucos os parâmetros a serem ajustados. E mesmo com um bom ajuste, e bons resultados, o período de previsão que se consegue é relativamente pequeno, comparado com o período total de acompanhamento que é realizados pelos clínicos. De períodos em períodos é necessário um novo ajuste para corrigir distorções aleatórias inexplicáveis que surgem durante o tratamento. Pensando nesse fato, procurou-se uma maneira de elaboração de um modelo dinâmico global, não apenas restrito ao período de ajuste dos parâmetros das equações. Em trabalho anterior (CAETANO &YONEYAMA, 2000), os autores desse trabalho encontraram interessantes evidências de pontos de equilíbrio estável e instável quando o modelo não linear de Tan e Wu foi linearizado. Pontos de equilíbrio são muito importantes para a execução de projetos e estudos de comportamento de sistemas dinâmicos. Os físicos procuram pontos de equilíbrio para encontrar regiões onde possam ocorrerem possíveis situações caóticas. Engenheiros procuram pontos de equilíbrio para projetos de controladores automáticos e estabilização de sistemas. Enfim, a teoria dos pontos de equilíbrio revolucionou o início do século passado, indicando como é a performance de um sistema quando analisado de maneira global. No caso da AIDS, enfoque deste texto, quando se investigou os pontos de equilíbrio para o modelo linear, foram encontrados sempre três pontos de equilíbrio. Dois desses pontos eram positivos e um sem significado prático, uma vez que era sempre negativo. Quando investigados esses pontos de equilíbrio de pacientes, observou-se sempre o padrão de existência de um ponto de equilíbrio estável e outro instável. 400 0.00 FREE VIRUS 300 0.00 200 0.00 100 0.00 0.00 0 .0 0 2 00 .0 0 40 0.00 6 00.0 0 CD4 T+ (count/mm3) Figura-9 Pontos estáveis e instáveis no plano CD4 x Carga Viral O ponto de equilíbrio estável aparece quando o paciente apresenta o estado mais avançado de AIDS, com alta taxa de contagem de vírus livre na corrente sangüínea. O ponto de equilíbrio instável aparece sempre quando o quadro é de um paciente sadio sem vírus livre. A figura 9 mostra as curvas das regiões dos pontos de equilíbrio estável e instável. Ponto de equilíbrio instável, faz com que as curvas plotadas pelos dados de CD4 e Carga Viral por mais perto que estejam, se afastem dessa região. Na figura 9 é a região abaixo do quadro onde as trajetórias passam pelo ponto e se afastam. A região de estabilidade, ao contrário atrai as trajetórias por mais longe que estejam. Na figura 9 é a região acima do gráfico. A indagação realizada foi: Será o sistema imunológico apoiado em um espaço curvado sobre os pontos de equilíbrio? A curvatura desse espaço explicaria as diversas variações obtidas por pacientes mesmo quando o tratamento é idêntico entre pacientes soro-positivo? A abordagem para um espaço curvo foi a de uma busca de um possível potencial que pudesse reproduzir as curvas padrão de indivíduos infectados pelo HIV. Para tanto, a geometria de espaço curvo deve ser abordada pela geometria Riemanniana.. Necessita-se então estabelecer que tipo de métrica são seguidas pelas variáveis. A formulação geral diz que uma métrica será dada no espaço Riemanniano tal como: n n ds 2 = ∑ ∑ g ij dx i dx j i =1 j=1 onde gij são os componentes do tensor métrico que medem a curvatura do espaço. Esses componentes possuem a seguinte relação: ∂ ∂ r , *x ∂x i ∂x j e representam o quanto cada variável está sendo tensionada positivamente ou negativamente na trajetória através do espaço. É claro que estas componentes estão acopladas e dependem diretamente do tipo de potencial adotado. Considerando-se o tempo como uma variável do espaço curvo, as equações da dinâmica de uma geodésica são da forma: d2 x k dx dx j + Γ k ij i =0 2 dt dt dt onde Γk ij são os coeficientes de conexão das geodésicas com o espaço curvado também conhecidos como Símbolos de Christoffel do primeiro tipo. Eles são obtidos de 1 ∂g kj ∂g ki ∂g ij Γ k ij = + − 2g kk ∂x i ∂x j ∂x k Inicialmente tentou-se a suposição que o espaço curvo era constituído por duas distribuições gaussianas, uma representando um ponto de equilíbrio estável e outra sobre o ponto de equilíbrio instável. No entanto esta suposição se apresenta de forma muito complexa quando se calcula as derivadas parciais dos tensores métricos gij. O segundo "campo" curvo hipotético representando o sistema imunológico foi então adotado como g ij = Ψ (a , b, c) = ln[( x ( t ) − a ) 2 + ( y( t ) − b) 2 ] − ln[( x ( t ) − c ) 2 + y( t ) 2 ] onde o par de parâmetros (a,b) correspondem ao ponto estável de sintomas mais agudos da doença e o par (c,0) corresponde ao centro do ponto de equilíbrio instável de situação "saudável". Neste campo de potencial x(t) significa células sadias CD4 + T e y(t) significa Carga Viral na corrente sangüínea. Com estas componentes compõem-se os símbolos de Christoffel e pode-se obter as equações da dinâmica da geodésica, representando o modelo de invasão pelo HIV. x& 1 = x 2 x& 2 = 1 g11 1 ∂g11 2 ∂g11 ∂g 1 ∂g 22 2 x 4 x2 − x 2 x 4 − 12 − − 2 ∂ x ∂ x ∂ x 2 ∂ x 1 3 3 1 x& 3 = x 2 x& 4 = 1 g 22 ∂g 12 1 ∂g 11 2 ∂g 22 1 ∂g 22 2 x 2 − − x 2x 4 − x4 − ∂ x 2 ∂ x ∂ x 2 ∂ x 1 3 1 3 As equações representam então, de forma teórica, a trajetória obtida pelo par CD4 e carga viral dentro do espaço imunológico. Seria então isso uma possibilidade real? Para tanto, dados de pacientes retirados de Pontesilli foram testados, para ajustar o modelo dinâmico global. Figura-10 Dados Reais x Modelo Global ajustado A figura 10 apresenta o modelo de espaço elaborado mostrando uma montanha significando os pontos de equilíbrio instáveis do paciente e um buraco representado os pontos de equilíbrios estáveis. Esse paciente, denominado paciente B por Pontesilli apresentou severos quadros de AIDS, inclusive a doença de Crohn. As curvas em amarelo constituem os dados reais obtidos por Pontesilli e a curva em azul o resultado teórico previsto pelo modelo global. Quando observados em duas dimensões (vistos de cima no plano CD4 x Carga Viral) o resultado é o apresentado na figura 11. Figura-11 Comparação dos dados Reais e simulação do modelo global Na figura 11 a curva em vermelho tracejado são os dados reais do paciente para os valores de CD4 e Carga Viral, enquanto em azul os dados obtidos pela solução numérica do modelo global. Apesar de parecer muito mais complicado, esse modelo é de fácil integração numérica e mais, é mais fácil de se ajustar os parâmetros, uma vez que eles são apenas 4, dois das condições iniciais das derivadas e dois de parâmetros internos do sistema de equação. Os resultados desse paciente mostram que sua condição está próxima da estabilidade, e é isso que o “buraco” dessa figura indica. Estudos de nossa parte ainda estão sendo realizados, mas já existe indícios de que os medicamentos fazem o “buraco” imunológico mudar de posição dentro do espaço, alterando a curvatura e com isso, alterando as condições de CD4 e Carga Viral do Paciente. Esses resultados foram apresentados no Congresso Latino Americano de Biomatemática em 2002 na Unicamp, onde as simulações e animações mostraram o enorme poder que os medicamentos tem de mudar toda a estrutura do tecido desse espaço curvo. O deslocamento desse “buraco” imunológico, altera inclusive o deslocamento da “montanha” onde se localiza o ponto instável. Uma conjectura que pode ser feita é que, talvez pessoas que possuam o vírus mas não manifestem AIDS sejam capazes de inverter essa polaridade de pontos instáveis em estáveis e ao invés de “montanha” no eixo de CD4, tenha-se um “buraco” que atrai a contagem viral para zero. 6. A Ciência da Computação e os Modelos Dinâmicos Nos tempos atuais onde diversos sistemas de informação são desenvolvidos no campo tecnológico, no campo acadêmico desde seu nascimento como nova ciência, a computação nunca deixou de ser fiel auxiliadora de modelos matemáticos. A solução do modelo dinâmico de Tan e do modelo global, nunca seriam possíveis sem as novas linguagens de programação aliadas aos computadores com maior poder de cálculo numérico. Um sistema de informação foi elaborado por nós, onde é possível simular atitudes diversas no campo da administração de inibidores anti-HIV e comparar os resultados com dados reais. Com esse sistema de informação é possível simular as equações de Tan e com apenas dois comandos alterar os cenários atuais e criar cenários alternativos de administração de inibidores anti-HIV. O programa computacional, por exemplo, ainda contempla a possibilidade de administração com doses variadas de inibidores com visualização imediata das variáveis CD4 e Carga Viral. A tela do programa computacional é mostrada na figura 12. A medida do índice de performance não necessariamente pode ser apenas utilizada para avaliar o desempenho da otimização do modelo matemático. Esse índice apresentado no trabalho pode ser calculado com medidas que são obtidas por exames clínicos. Com a taxa de CD4 e Carga Viral mais as doses das drogas inibidoras de transcriptase reversa e protease é possível calcular o índice de efeitos colaterais e terapêuticos. A figura 13 apresenta um software elaborado pelos autores desse texto para quantificar o índice de performance baseado nas medidas clínicas. Uma outra contribuição importante da ciência da computação vem das técnicas de inteligência artificial. A função Ψ (a , b, c) = ln[( x ( t ) − a ) 2 + ( y( t ) − b) 2 ] − ln[( x ( t ) − c ) 2 + y( t ) 2 ] que representa o campo curvo do modelo global para o HIV da seção anterior, precisa de um ajuste dos parâmetro a, b, e c antes da equações do modelo dinâmico serem integradas. Essa é uma função com alto grau de não linearidade onde métodos tradicionais da matemática tais como o conhecido métodos dos mínimos quadrados falha e nem pode ser utilizado. Surge então como uma ferramenta importante, a técnica do algoritmo genético, técnica essa que apesar de recente, muito utilizada e difundida nos meios acadêmicos e revistas especializadas da área. Trata-se de visualizar um conjunto de dados como um genôma, onde os dados são genes que se cruzam e sofrem mutação. Então para o caso da função anterior, os pares de dados de x(t) e y(t) adquiridos de exames clínicos, são alterados aleatoriamente dentro da função e o resultado comparado com o resultado real, obtidos pelos exames clínicos. Todo o processo de aleatorização é continuado até que a diferença dos valores agregados dessa função em relação ao valor obtido pelos parâmetros reais seja menor que uma certa tolerância. Quando isso ocorre, encontra-se os parâmetros de melhores ajustes para a função, no caso desse texto, os melhores a, b e c do espaço imunológico curvo. A figura 14 apresenta a tela do software desenvolvido por alunos de iniciação científica para o ajuste da função de campo imunológico elaborado nesse texto. Figura-12 Sistema de Informação para Simular o modelo dinâmico e comparar os resultados com dados reais Figura-13 Software para medir efeitos terapêuticos e colaterais do tratamento da AIDS Figura-14 Algoritmo Genético para ajustar os parâmetros do modelo global. 7. Conclusão O que se procurou mostrar nesse texto é a grande versatilidade e utilidade da matemática para a resolução de problemas reais. O público em geral imagina que a matemática apenas serve para resolver problemas simples do cotidiano ou mesmo apenas como mero objeto do exercício de raciocínio. Mostramos que o universo matemático é muito mais amplo do que se imagina. Todas as afirmações contidas nesse texto foram publicadas em revistas indexadas internacionalmente ou apresentadas em congressos de renome. Muito das informações sobre os modelos dinâmicos não são novas e os méritos são sim, dos pesquisadores citados na bibliografia de referência. Méritos pois são os desbravadores e elementos que aglutinam pesquisadores de outras áreas, para estudo e desenvolvimento em conjunto de novos modelos matemáticos. No entanto, procurou-se dar enfoque aos resultados dos trabalhos já realizados pelos autores desse texto, mostrando os avanços obtidos em termos de modelagem e otimizaçào de sistemas dinâmicos biológicos. Não se deseja que as atitudes dos clínicos que assistem aos pacientes soro-positivos se alterem em função dos resultados apresentados. Embora os resultados sejam bastante interessantes e inovadores em termos de política de administração de medicamentos, quando se trata de seres humanos, ou ainda, quando se trata de AIDS, deve-se seguir as rigorosas recomendações da OMS. Mesmo assim, os pesquisadores autores dos modelos matemáticos citados nesse texto, já estão trabalhando em conjunto com pesquisadores da área médica. Cada vez mais procuram construir modelos fidedignos que ajudem em diagnóstico e análise de desempenho do tratamento em AIDS. Pode-se citar por exemplo Perelson, do laboratório de Los Alamos, que trabalha em conjunto com o doutor David Ho, especialista em virologia com pesquisa em HIV. Muitas questões ficam para reflexo ao longo desse estudo. A dosagem variada de medicação dos inibidores funciona bem em relação à tradicional estratégia adotada pela OMS como mostram os resultados dos modelos? O que seria melhor para o tratamento: Dosagem variada ou estratégia de paradas por períodos determinados? O modelo global é uma explicação plausível para o sistema de replicação viral? Seria o modelo global a explicação matemática para as pessoas portadoras do HIV que não manifestam sintomas da AIDS? Nessas pessoas, o ponto estável estaria deslocado próximo a zero e próximo ao ponto instável? As respostas a essas questões podem até serem obtidas por meios matemáticos, mas apenas após uma comprovação biológica elas poderão se tornar técnicas aplicáveis a seres humanos. 8. Agradecimentos Os autores são gratos pelo apoio logístico oferecido pelo Conselho de Ética do Estado de São Paulo, ao Centro de Referência e Tratamento em DST/AIDS da Vila Mariana em São Paulo pela facilidade de coleta dos dados e a todos os estagiários de iniciação cientifica que de forma direta ou indireta colaboraram com a evolução desse estudo. Em especial agradecemos ao nosso orientando (ITA) Raul Ikeda Gomes da Silva pela programação de parte dos softwares apresentados e pelos estudos desenvolvidos juntamente com os autores. 9. Referências BEHRENS D A, CAULKINS J P, TRAGLER G, HAUNSCHMIED J L and FEICHTINGER G. 1999. A dynamic model of drug initiation: implications for treatment and drug control. Mathematical Biosciences 159. 1 – 20. BULIRSH R.and STOER J. 1980. Inroduction to Numerical Analysis. Springer-Verlag. 609 CAETANO M A L and YONEYAMA T A. 1999a.Comparative Evaluation of Open Loop and Closed Loop Drug Adminstration Strategies in the Treatment of AIDS. An. Acad. Bras. Ci. 71 4-I. 589 – 597. CAETANO M A L and YONEYAMA T. 1999b. Optimal Control Theory Applied to the Anti-Viral Treatment in AIDS. 4th ESMTB – Theory and Mathematics in Biology and Medicine, Amsterdam.113-117. CAETANO, M.A.L e YONEYAMA,T. Otimização do Programa de Tratamento Farmacológico de Pacientes com Aids. Anais do XXIII Congresso Nacional de Matemática Aplicada e Computacional – CNMAC – Santos – SP – 2000. Pg 28. CAETANO, M.A.L e YONEYAMA,T .Short and Long Period Optimization of Drug Doses in the Treatment of AIDS. Anais da Academia Brasileira de Ciência. 2002.Rio de Janeiro. Vol. 74. 379 – 392. FELIPPE DE SOUZA J A M, CAETANO M A L and YONEYAMA T. 2000. Numerical Optimization Applied to the Treatment of AIDS in the Presence of Mutant HIV Virus. 4th IFAC Symp. Modelling and Control. Greifswald. Germany. 91 – 96. FELIPPE DE SOUZA, J.A.M. ;CAETANO, M.A.L ; YONEYAMA,T. Control of Drug Dosage in the AIDS Treatment. BIOENG’2003 CONFERENCE. Lisboa. 2003a. FELIPPE DESOUZA, J.A.M. ;CAETANO, M.A.L ; YONEYAMA,T. A model based analysis of AIDS treatment. Proceedings of the Western Multiconference on Health Sciences Simulation. Orlando. Florida. Janeiro. 2003b. pp 65-70. FELIPPE DE SOUZA, J.A.M. ; CAETANO, M.A.L. ; YONEYAMA, T. Analysis of a suboptimal scheme of drug dosage in the AIDS. ACC-2003. American Control Conference. 2003c. Denver. USA. Pp 1188 - 1193. GALLO,R. - “Caça ao Vírus, AIDS - CÂNCER e Retrovírus Humano, A História de uma descoberta científica”, São Paulo, Editora Siciliano, 1994, 344 p. GARCIA, M. Plana, G. M. Ortiz, S. Bonhoeffer, A. Soriano, C. Vidal, A. Cruceta, M. Arnedo, C. Gil, G. Pantaleo, T. Pumarola, T. Gallart, D. F. Nixon, J. J. Miró, J. M. Gatell. 2001. The virological and immunological consequences of structured treatment interruptions in chronic HIV-1 infection. AIDS. V. 15. No. 9. F29-F40. KIRK D E. 1970. Optimal Control Theory: an Introduction. Prentice-Hall . New Jersey. 452 p. KIRSCHNER D, LENHART S and SERBIN S. 1997. Optimal Control of the Chemotherapy of HIV. J. Math. Biol. 35(7). 775-92. KIRSCHNER D and WEBB G F. 1996. A Model for Treatment Strategy in the Chemotherapy of AIDS. Bull. Math. Biol. 58(2). 376-90. LEWIS F L. 1986. Optimal Control. John Wiley. New York. 362 p. MITTLER J E, SULZER B, NEUMANN A U and PERELSON A S. 1998. Influence of delayed viral production on viral dynamics in HIV-1 infected patients. Mathematical Biosciences 152. 143 – 163. MURRAY J M, KAUFMANN G, KELLEHER A D and COOPER D A.1998. A Model of primary HIV-1 infection. Mathematical Biosciences 154. 57-85. NOWAK M A and BANGHAM C R M. 1996. Population Dynamics of Immune Responses to Persistent Viruses. Science 272. 74 – 79. NOWAK M A, ANDERSON R M, McLEAN A R, WOLFS T F, GOUDSMIT J and MAY R M. 1991. Antigenic Diversity Thresholds and the Development of AIDS. Science 254. 963 – 969. NOWAK M A, BONHOEFFER S, SHAW G M and MAY R M. 1997. Anti-viral Drug Treatment: Dynamics of Resistence in Free Virus and Infected Cell Populations. J. Theoretical Biology 184. 203 – 217. NOWAK M A, MAY R M, PHILLIPS R E, JONES S R, LALLO D G, McADAMS S, KLENERMAN P, KÖPPE B, SIGMUND K, BANGHAM C R M and McMICHAEL A J. 1995. Antigenic oscillations and shifting immunodominance in HIV-1 infections. Nature 375. 606-611. PERELSON A S, KIRSCHNER D E and DeBOER R. 1993. Dynamics of HIV-infection of CD4+T-cells. Mathematical Biosciences 114. 81 – 125. PHILLIPS A. 1996. Reduction of HIV Concentration During Acute infection; Independence from a Specific Immune Response. Science 271. 497 – 499. PONTESILLI O, KERKHOF-GARDE S, PAKKER N G, NOTERMANS D W, ROOS M T L, KLEIN M R, DANNER S A and MIEDEMA F. 1999. Immunology Letters 66. 213 – 217. TAFFÉ, M. Rickenbach, B. Hirschel, M. Opravil, H. Furrer. P. Janin, F. Bugnon, B. Ledergerber, T. Wagels, P. Sudre. 2002. Impact of occasiona short interruptions of HAART on the progression of HIV infection: results from a cohort study. AIDS. V. 16. No. 5. 747755. TAN W Y and XIANG Z. 1999. Some state space models of HIV pathogenesis under treatment by anti-viral drugs in HIV-infected individuals. Mathematical Biosciences 156. 69 – 94. TAN W Y and WU H. 1998. Stochastic Modeling of the Dynamics of CD4 + T-Cell Infection by HIV and Some Monte Carlo Studies. Mathematical Biosciences 147 .173 – 205. WEIN L M, D’AMATO R M and PERELSON A. 1998. Mathematical Analysis of Antiretroviral Therapy Aimed at HIV-1 Eradication or Maintenance of Low Viral Loads. J. Theoretical Biology 192. 81 – 98. WICK D. 1999. On T-cell dynamics and the hyperactivation theory of AIDS pathogenesis. Mathematical Biosciences 158. 127-144. ZARIC G S, BAYOUMI A M, BRANDEAU M L and OWENS D K. 1998. The Effects of Protease inhibitors on the Spread of HIV and Development of Drug-Resistant HIV Strains: A Simulation Study. Simulation 71. 262 - 275.