Matematyczne. modelowanie szczepie«i immunoterapii ze szczególnym uwzgl dnieniem immunoterapii raka prostaty. Urszula Fory±



Podobne dokumenty
MODEL HAHNFELDTA I IN. ANGIOGENEZY NOWOTWOROWEJ Z UWZGL DNIENIEM LEKOOPORNO CI KOMÓREK NOWOTWOROWYCH

Wykªad 7. Ekstrema lokalne funkcji dwóch zmiennych.

Proste modele o zªo»onej dynamice

ARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15

Równania ró»niczkowe I rz du (RRIR) Twierdzenie Picarda. Anna D browska. WFTiMS. 23 marca 2010

ARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15

ARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15

3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka

XVII Warmi«sko-Mazurskie Zawody Matematyczne

Metody dowodzenia twierdze«

Modele epidemiologiczne

ANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15

Strategie zabezpieczaj ce

Jan Olek. Uniwersytet Stefana Kardynała Wyszyńskiego. Procesy z Opóźnieniem. J. Olek. Równanie logistyczne. Założenia

ARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15

Materiaªy do Repetytorium z matematyki

Ekstremalnie fajne równania

5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach

ZADANIA. Maciej Zakarczemny

ARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15

Statystyka matematyczna - ZSTA LMO

1 Metody iteracyjne rozwi zywania równania f(x)=0

Informacje pomocnicze

Funkcje, wielomiany. Informacje pomocnicze

1 Granice funkcji wielu zmiennych.

Ukªady równa«liniowych

Rozwi zanie równania ró»niczkowego metod operatorow (zastosowanie transformaty Laplace'a).

Bifurkacje. Ewa Gudowska-Nowak Nowak. Plus ratio quam vis

ARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15

Liniowe równania ró»niczkowe n tego rz du o staªych wspóªczynnikach

Zagadnienia na wej±ciówki z matematyki Technologia Chemiczna

Matematyka 1. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski

1 Ró»niczka drugiego rz du i ekstrema

det A := a 11, ( 1) 1+j a 1j det A 1j, a 11 a 12 a 21 a 22 Wn. 1 (Wyznacznik macierzy stopnia 2:). = a 11a 22 a 33 +a 12 a 23 a 31 +a 13 a 21 a 32

O pewnym zadaniu olimpijskim

CAŠKOWANIE METODAMI MONTE CARLO Janusz Adamowski

Opis matematyczny ukªadów liniowych

ARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15

Interpolacja funkcjami sklejanymi

Metodydowodzenia twierdzeń

Wst p do sieci neuronowych 2010/2011 wykªad 7 Algorytm propagacji wstecznej cd.

Optyka geometryczna. Soczewki. Marcin S. Ma kowicz. rok szk. 2009/2010. Zespóª Szkóª Ponadgimnazjalnych Nr 2 w Brzesku

Janusz Adamowski METODY OBLICZENIOWE FIZYKI Zastosowanie eliptycznych równa«ró»niczkowych

Wykªad 10. Spis tre±ci. 1 Niesko«czona studnia potencjaªu. Fizyka 2 (Informatyka - EEIiA 2006/07) c Mariusz Krasi«ski 2007

Zadania z analizy matematycznej - sem. II Ekstrema funkcji wielu zmiennych, twierdzenia o funkcji odwrotnej i funkcji uwikªanej

Modele wielorównaniowe. Problem identykacji

Elementarna statystyka Dwie próby: porównanie dwóch proporcji (Two-sample problem: comparing two proportions)

Podstawy statystycznego modelowania danych Analiza prze»ycia

MODELOWANIE I PROGNOZOWANIE ZAGROŻEŃ EPIDEMIOLOGICZNYCH

1 Przypomnienie wiadomo±ci ze szkoªy ±redniej. Rozwi zywanie prostych równa«i nierówno±ci

Metody numeryczne. Wst p do metod numerycznych. Dawid Rasaªa. January 9, Dawid Rasaªa Metody numeryczne 1 / 9

1 Bª dy i arytmetyka zmiennopozycyjna

PRAWA ZACHOWANIA. Podstawowe terminy. Cia a tworz ce uk ad mechaniczny oddzia ywuj mi dzy sob i z cia ami nie nale cymi do uk adu za pomoc

EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach

Czy funkcja zadana wzorem f(x) = ex e x. 1 + e. = lim. e x + e x lim. lim. 2 dla x = 1 f(x) dla x (0, 1) e e 1 dla x = 1

2. (8 punktów) 3. (8 punktów) 4. (8 punktów) 5. (8 punktów) EGZAMIN MAGISTERSKI, Matematyka w ekonomii i ubezpieczeniach

Twierdzenie Wainera. Marek Czarnecki. Warszawa, 3 lipca Wydziaª Filozoi i Socjologii Uniwersytet Warszawski

Zad. 1 Zad. 2 Zad. 3 Zad. 4 Zad. 5 SUMA. W obu podpunktach zakªadamy,»e kolejno± ta«ców jest wa»na.

1 a + b 1 = 1 a + 1 b 1. (a + b 1)(a + b ab) = ab, (a + b)(a + b ab 1) = 0, (a + b)[a(1 b) + (b 1)] = 0,

WST P DO TEORII INFORMACJI I KODOWANIA. Grzegorz Szkibiel. Wiosna 2013/14

f(x) f(x 0 ) i f +(x 0 ) := lim = f(x 0 + x) f(x 0 ) wynika ci gªo± funkcji w punkcie x 0. W ka»dym przypadku zachodzi:

A = n. 2. Ka»dy podzbiór zbioru sko«czonego jest zbiorem sko«czonym. Dowody tych twierdze«(elementarne, lecz nieco nu» ce) pominiemy.

x y x y x y x + y x y

Uczenie Wielowarstwowych Sieci Neuronów o

AM II /2019 (gr. 2 i 3) zadania przygotowawcze do I kolokwium

Matematyka dyskretna dla informatyków

Przekroje Dedekinda 1

Funkcje wielu zmiennych

Metody probablistyczne i statystyka stosowana

Ciaªa i wielomiany. 1 Denicja ciaªa. Ciaªa i wielomiany 1

Elementy geometrii analitycznej w przestrzeni

Rachunek ró»niczkowy funkcji jednej zmiennej

ELEMENTARNA TEORIA LICZB. 1. Podzielno±

Efekty przestrzenne w konwergencji polskich podregionów

wiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. Metodyka bada«do±wiadczalnych dr hab. in». Sebastian Skoczypiec Cel wiczenia Zaªo»enia

Wykªad 12. Transformata Laplace'a i metoda operatorowa

Funkcje jednej zmiennej. Granica, ci gªo±. (szkic wykªadu)

Vincent Van GOGH: M»czyzna pij cy li»ank kawy. Radosªaw Klimek. J zyk programowania Java

Wektory w przestrzeni

Ekonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Krzywe i powierzchnie stopnia drugiego

r = x x2 2 + x2 3.

Lekcja 9 - LICZBY LOSOWE, ZMIENNE

Zadanie 1. Zadanie 2. Niech µ A i µ B oznaczaj stopy zwrotu odpowiednio z aktywa A i B, ªatwo obliczy,»e ,

Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13

Ekonometria - wykªad 8

Ekonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Metody numeryczne i statystyka dla in»ynierów

Liniowe zadania najmniejszych kwadratów

Biostatystyka, # 5 /Weterynaria I/

MATERIA DIAGNOSTYCZNY Z MATEMATYKI

Aproksymacja funkcji metod najmniejszych kwadratów

I Rok LOGISTYKI: wykªad 2 Pochodna funkcji. iloraz ró»nicowy x y x

Przeksztaªcenia liniowe

In»ynierskie zastosowania statystyki wiczenia

Metody numeryczne i statystyka dla in»ynierów

X WARMI SKO-MAZURSKIE ZAWODY MATEMATYCZNE 18 maja 2012 (szkoªy ponadgimnazjalne)

Zbiory ograniczone i kresy zbiorów

Podstawy statystycznego modelowania danych - Wykªad 7

Stacjonarne szeregi czasowe

Transkrypt:

Matematyczne modelowanie szczepie«i immunoterapii ze szczególnym uwzgl dnieniem immunoterapii raka prostaty Urszula Fory± Instytut Matematyki Stosowanej i Mechaniki Zakªad Biomatematyki i Teorii Gier WMIM UW Banacha 2, 02-097 Warszawa urszula@mimuw.edu.pl

Plan wykªadów: Szczepienia w modelu bazowym typu SIR. Model immunoterapii raka prostaty. 1. Modele typu SIR Zajmiemy si opisem rozprzestrzeniania si w populacji infekcji, po przebyciu której osobniki staj si uodpornione. Mamy wi c nast puj cy schemat transmisji:

1.1. Model bazowy Pierwszy model matematyczny Kermacka-McKendricka dla takiego przebiegu infekcji powstaª w 1927 r. Poniewa» model Kermacka-McKendricka nie uwzgl dnia wielu istotnych procesów, wi c byª wielokrotnie modykowany na szczególn uwag zasªuguj prace Hethcote'a. Omówimy teraz model, w którym uwzgl dniamy nie tylko rozprzestrzenianie si infekcji (jak w modelu Kermacka-McKendricka), ale tak»e procesy rozrodczo±ci i ±miertelno±ci. W modelu tym zakªadamy,»e: liczebno± populacji jest staªa: je±li S, I, R opisuj odpowiednio

frakcje osobników zdrowych podatnych, chorych i odpornych, to S(t) + I(t) + R(t) = 1; zakªadamy,»e wszystkie nowonarodzone osobniki s zdrowe, infekcja rozprzestrzenia si poziomo w populacji, nie ma transmisji pionowej; rozrodczo± jest równowa»ona przez ±miertelno± przy zaªo»eniu,»e nie wyst puje proces chorobowy; infekcja rozprzestrzenia si przez kontakt mi dzy osobnikami podatnymi i chorymi; kontakty mi dzy osobnikami s losowe, ich liczba jest proporcjonalna do liczebno±ci poszczególnych klas osobników; po przebyciu infekcji osobniki zdrowiej i staj si odporne.

Ostatecznie, infekcja rozprzestrzenia si zgodnie z modelem Ṡ = µ βis µs, I = βis γi µi, Ṙ = γi µr, (1) gdzie: S, I, R proporcje osób podatnych, chorych i uodpornionych w populacji, S + I + R = 1; µ wspóªczynnik rozrodczo±ci/±miertelno±ci, 1/µ odzwierciedla ±redni dªugo±»ycia osobnika w populacji; β wspóªczynnik kontaktów/zaka¹no±ci, który odzwierciedla cz ± kontaktów prowadz cych do zachorowania, γ wspóªczynnik wyzdrowie«, 1/γ odzwierciedla ±redni czas trwania infekcji.

1.2. Analiza modelu (1) Podstawowe wªasno±ci typu istnienie, jednoznaczno± i nieujemno± rozwi za«s prostym wnioskiem z postaci prawej strony ukªadu. Zauwa»my,»e je±li zdeniujemy N(t) = S(t) + I(t) + R(t), to Ṅ = µ µn, czyli stan N = 1 jest asymptotycznie stabilnym stanem stacjonarnym ukªadu (1) i analiz modelu mo»na zredukowa do ukªadu { Ṡ = µ βis µs, I = βis γi µi, przy czym mo»emy ten model bada w przestrzeni fazowej D = {(S, I) : S 0, I 0, S + I 1}. (2)

Widzimy,»e w D rozwi zania s ograniczone, co gwarantuje ich istnienie dla wszystkich t > 0. czyli Znajdziemy teraz stany stacjonarne. Ich liczba zale»y od R 0 = β µ + γ, podstawowego wspóªczynnika odnowienia infekcji. Je±li I = 0, to S = 1, mamy wi c stan stacjonarny (1, 0) odpowiadaj cy zdrowej populacji. Je±li I 0, to S = µ+γ β S = 1/R 0 < 1, to I = µ R 0 1, czyli wtedy dodatni stan stacjonarny (S, I ) odpowiada stanowi β epidemii.

Macierz Jacobiego ukªadu (2) ma posta ( µ βi βs M J (S, I) = βi βs γ µ Dla stanu (1, 0) mamy M J (1, 0) = ( µ β 0 β γ µ i widzimy,»e β < γ+µ, czyli R 0 < 1 gwarantuje lokaln stabilno±. Dla stanu (S, I ) ( M J (S, I µ βs ) = ) S βi, 0 wi c tr M J (S, I ) = µ/s < 0 oraz det M J (S, I ) = β 2 I S > 0, czyli stan ten jest stabilny, je±li istnieje (β > γ + µ) i wtedy stan (1, 0) traci stabilno±. ) ).

Analizuj c portret fazowy mo»emy wykaza globaln stabilno± albo stanu zdrowia, albo epidemii, je±li istnieje. β µ oraz µ < β γ + µ 0.8 0.8 0.6 0.6 I 0.4 I 0.4 0.2 0.2 0 0.2 0.4 0.6 0.8 1 S 0 0.2 0.4 0.6 0.8 1 S Wniosek 1. W przestrzeni fazowej D

dla β µ obie wspóªrz dne rozwi zania ukªadu (2) s monotoniczne, dla µ < β γ + µ zmienna I stale maleje, a S najpierw maleje, a pó¹niej ro±nie, zatem rozwi zanie musi zbiega do stanu stacjonarnego, czyli (S(t), I(t)) (1, 0) przy t. β > γ + µ W tym przypadku musimy wykluczy istnienie orbit zamkni tych, gdy» z twierdzenia Poincare'go-Dendixsona wynika,»e orbity musz zbiega albo do stanu stacjonarnego, albo do orbity zamkni tej.

0.2 0.8 0.7 0.6 I 0.5 0.4 0.3 0.2 0.3 0.4 0.5 0.6 0.7 0.8 S W tym celu mo»emy np. zastosowa kryterium Dulaca-Bendixsona. które mówi,»e je±li w danym obszarze spójnym U istnieje funkcja B : U R, taka»e div (BF 1, BF 2 ) (F = (F 1, F 2 ) jest praw stron ukªadu) nie zmienia znaku i nie jest to»samo±ciowo równa 0, to w tym obszarze nie ma cykli. Dla modelu (2) mo»emy zastosowa B(S, I) = 1 SI.

Wniosek 2. Ukªad (2) nie ma cykli granicznych, wi c dodatni stan stacjonarny jest globalnie stabilny. Wniosek 3. Je±li R 0 1, to ukªad (1) ma jeden stan stacjonarny (1, 0, 0) opisuj cy stan zdrowej populacji i stan ten jest globalnie stabilny; R 0 > 1, to ukªad (1) ma dwa stany stacjonarne; dodatkowy dodatni stan stacjonarny ( 1 (S, I, R ) =, µ R ) 0 1, 1 S I R 0 β opisuje stan epidemii i stan ten jest globalnie stabilny, je±li istnieje.

2. Modelowanie szczepie«przejdziemy teraz do gªównego tematu, czyli modelowania szczepie«. Omówimy wyniki przedstawione w pracy Theoretical Examination of the Pulse Vaccination Policy in the SIR Epidemic Model by L. STONE, B. SHULGIN, Z. AGUR, Math. & Comp. Modelling 31, 2000, 207215. Artykuª dotyczy modelowania szczepie«w celu uodpornienia na odr w oparciu o strategie szczepie«przeciw odrze i parali»owi dzieci cemu w centralnej i poªudniowej Afryce oraz przeciw odrze i ró»yczce w Wielkiej Brytanii.

Strategie szczepie«badane s za pomoc podstawowego modelu (1). Matematycznie najpro±ciej analizuje si wpªyw strategii szczepienia staªego, co oznacza,»e szczepi si staª frakcj p nowonarodzonych osobników. Przy takiej strategii zmienia si wspóªczynnik rozrodczo±ci w pierwszym równaniu ukªadu (1) Ṡ = (1 p)µ βis µs. Badanie stabilno±ci stanów stacjonarnych w ukªadzie ze staªym szczepieniem prowadzi do wniosków krytyczna warto± wspóªczynnika szczepie«wynosi p c = 1 1 R 0 ;

dla p > p c stan zdrowia (1 p, 0, p) jest stabilny; dla p < p c stan epidemii (S, I µ µ + γ p, R + µ µ + γ p) jest stabilny. Widzimy,»e przy takiej strategii szczepie«liczba osób podatnych w dodatnim stanie stacjonarnym nie ulega zmianie zmieniaj si tylko liczebno±ci grup osób chorych i uodpornionych. Dla odry szacowane parametry µ = 0, 02, β = 1800, γ = 100 odpowiadaj warto±ci krytycznej p c 95%. Zaproponowano wi c inne podej±cie, które wydaje si bardziej racjonalne szczepienia impulsowe.

2.1. Obiekt matematyczny Równania ró»niczkowe z impulsami (impulsive dierential equations) pojawiaj si od do± dawna jako opis zewn trznej ingerencji w dany ukªad dynamiczny. Kruger-Thiemer, E. (1966). Formal theory of drug dosage regiments, Journal of Theoretical Biology, 23: 169190. Agur, Z., Cojocaru, L., Mazor, G., et al. (1993). Pulse mass measles vaccination across age cohorts, Proceedings of the National Academy of Sciences, USA, 90: 1168911702. Nokes, D. and Swinton, J. (1995). The control of childhood viral infections by pulse vaccination, IMA Journal of Mathematics Applied in Biology and Medicine, 12: 2953.

Shulgin, B., Stone, L., and Agur, Z. (1998). Pulse vaccination strategy in the SIR endemic model, Bulletin of Mathematical Biology, 60: 11231148. gdzie: ẋ = F (t, x(t)), x(t i ) x(t i ) = g(t i, x(t)), i N, x(t 0 ) = x 0. ẋ = F (t, x(t)) z warunkiem pocz tkowym x(t 0 ) = x 0 ukªad dynamiczny opisuj cy wewn trzn dynamik procesu; x(t i ) lewostronna granica rozwi zania w punkcie t i ; t i, i N momenty impulsów, czyli zewn trznych ingerencji w przebieg procesu; g(t i, x(t)), i N wielko± impulsów.

Najcz ±ciej g(t i, x(t)) = g(t i, x(t i )) x(t i ), czyli wielko± impulsu jest proporcjonalna do bie» cego stanu ukªadu, a w przypadku szczepie«g(t i, x(t)) = c i x(t i ), gdzie c i [0, 1] odzwierciedla frakcj zaszczepionych osobników. 2.2. Szczepienia w modelu bazowym Strategia szczepie«impulsowych zakªada szczepienie staªej frakcji p grupy osobników podatnych co T lat. Dostajemy Okazuje si,»e S(t n ) = (1 p)s(t n ), t n+1 = t n + T.

przy zaªo»onej z góry frakcji p mo»na dobra odst p mi dzy impulsami w taki sposób,»e epidemia wygasa i na odwrót. Zaªó»my najpierw,»e I 0 i zbadajmy dynamik S pomi dzy dwoma impulsami t n i t n+1. zatem Przy zaªo»eniu I = 0 Ṡ = µ(1 S), S(t n ) = (1 p)s(t n ), t n+1 = t n + T, (3) S(t) = { Q(t) = 1 + (S(tn ) 1)e µ(t tn), t [t n, t n+1 ), (1 p)q(t), t = t n+1. (4) Niech S(t n ) = S n. Mo»na zdeniowa przeksztaªcenie S n+1 = F (S n ),

które odzwierciedla liczb osobników podatnych zaraz po kolejnym szczepieniu w chwili t n. Ze wzoru (4) F (S) = (1 p) ( 1 + (S 1)e µt ). Przeksztaªcenie F ma punkt staªy S F = F (S F ) = (1 p)(eµt 1) p 1 + e µt. Zauwa»my,»e je±li orbita dyskretnego ukªadu dynamicznego generowanego przez przeksztaªcenie F zbiega do S F, to populacja osób podatnych zbiega do cyklu granicznego o okresie T.

Skonstruowali±my wi c rozwi zanie okresowe odzwierciedlaj - ce zdrow populacj przy impulsowej strategii szczepie«. Do peªnego opisu potrzebna jest jeszcze informacja o warunkach pocz tkowych S(t n ) dla poszczególnych impulsów. Aby otrzyma rozwi zanie okresowe musimy mie S(t n ) = S F. St d okresowe rozwi zanie dla modelu z impulsowymi szczepieniami ma posta S(t) = Ī(t) = 0. { 1 + pe µt 1 e µt p e µ(t tn), t [t n, t n+1 ), S F, t = t n+1,

Badaj c stabilno± linearyzujemy ukªad wokóª ( S, Ī), czyli de- niujemy odchylenia s(t) = S(t) S(t), j(t) = I(t) 0 i w nowych zmiennych, opuszczaj c wyrazy wy»szego rz du, ṡ = µs β Sj, j = j(β S µ γ), s(t n ) = (1 p)s(t n ), t n+1 = t n + T. (5) Zauwa»my,»e lokalna stabilno± stanu stacjonarnego (0, 0) ukªadu zlinearyzowanego implikuje lokaln stabilno± rozwi zania okresowego ukªadu wyj±ciowego.

Równanie na j mo»na scaªkowa w ka»dym przedziale [t n, t n+1 ] otrzymuj c j n+1 = j(t n+1 ) = j n e t n+1 (β S(t) µ γ)dt tn. Je±li caªka w wykªadniku jest ujemna, to j n maleje wykªadniczo. Z kolei je±li j(t) 0, to z postaci ukªadu (5) wynika,»e tak»e s(t) 0. Ostatecznie, je±li S ±r = 1 T t n+1 t n S(t)dt < µ + γ β = S c, to rozwi zanie okresowe jest lokalnie stabilne.

Wspóªczynnik S c bywa nazywany progiem epidemii. Widzimy,»e S c = 1/R 0. Po obliczeniu warto±ci ±redniej S ±r otrzymujemy warunek dostateczny lokalnej stabilno±ci postaci (p µt )(1 e µt ) + µpt µt (p 1 + e µt ) µ + γ β, sk d mo»emy oszacowa T max, np. rozwijaj c w szereg Taylora lew stron. Zakªadaj c T << 100 i µ << γ T max pγ 1 βµ 1 p/2 γ/β.

3. Model immunoterapii raka prostaty Opis immunoterapii pochodzi z artykuªu Natalie Kronik, Yuri Kogan, Moran Elishmereni, Karin Halevi- Tobias, Stanimir Vuk-Pavlovic, Zvia Agur, Predicting Outcomes of Prostate Cancer Immunotherapy by Personalized Mathematical Models, PLoS ONE 5(12): e15482. doi:10.1371/journal.pone.0015482 Rak prostaty (PCa) jest jednym z najcz stszych nowotworów u m»czyzn. Podstawowe metody leczenia obejmuj prostatektomi oraz/lub radioterapi.

Wielko± nowotworu jest odzwierciedlana przez poziom specy- cznych antygenów (PSA) w organizmie, co mo»na zmierzy. Je±li poziom PSA wzrasta po takiej terapii, wskazuje to na aktywacj resztkowego raka, który bywa kontrolowany poprzez ±rodki obni»aj ce poziom androgenów. Niestety, rozsiane komórki rakowe cz sto s androgennie niezale»ne, co prowadzi do kolejnego wzrostu poziomu PSA i powstawania przerzutów. Immunoterapia raka prostaty daªa do tej pory pewne obiecuj ce efekty, cho nie doprowadziªa do caªkowitego wyleczenia. Cz ±ciowe rezultaty byªy m.in. otrzymane dzi ki:

autologicznemu transferowi aktywowanych pozaustrojowo komórek prezentuj cych antygen; cytokinowym szczepieniom nowotworowych; szczepionkom zawieraj cym rekombinacje biaªek lub kwasów nukleinowych; innym strategiom szczepie«opartym na komórkach atakuj - cych komórki rakowe, jak PSA czy specyczne antygeny bªonowe. Niedawne badania kliniczne opieraªy si o zastosowanie allogenicznych komórek rakowych, których celem byªo stymulowanie ekspansji specycznych komórek odporno±ciowych u androgennie niezale»nych pacjentów z nowotworem bez przerzutów. Leczenie byªo bezpieczne, a wzrost poziomu PSA (PSA velocity) zostaª zredukowany u 11 z 26 pacjentów poddanych leczeniu.

W artykule zaproponowany zostaª model matematyczny uwzgl dniaj cy oddziaªywania mi dzy szczepionk, komórkami odporno- ±ciowymi i nowotworowymi. Model zostaª dopasowany i przetestowany na danych klinicznych dla poszczególnych pacjentów (patient specic therapy). W celu dopasowania modelu zmierzone poziomy PSA (do 26 pomiarów) zostaªy potraktowane jako miara liczebno±ci populacji komórek rakowych. Pomiary poziomu PSA u ka»dego z pacjentów zostaªy podzielone na zbiór ucz cy i zbiór testowy. Zbiór ucz cy u»yty do personalizacji modelu zawiera indywidualny dla ka»dego pacjenta ci g pomiarów poziomu PSA; zbiór testowy zawiera podci g danych PSA.

Spersonalizowany model posªu»yª do symulacji przewidywanych zmian w liczebno±ci populacji komórek nowotworowych i poziomu PSA, co zostaªo porównane ze zbiorem testowym. Przewidywania modelu okazaªy si dokªadne w przypadku 12 z 15 badanych pacjentów. Schemat immunoterapii raka prostaty

Model opisuje dynamik w czasie nast puj cych zmiennych: V (t) immunoszczepionka (allogeneic PCa whole-cell vaccine), P (t) komórki raka prostaty, D m prezentuj ce antygen komórki dendrytyczne skóry (antigen presenting dermal dendritic cells), D C dojrzaªe komórki dendrytyczne, D R wyczerpane komórki dendrytyczne, R komórki reguluj ce (regulatory/inhibitory cells), C specyczne komórki cytotoksyczne, np. limfocyty T. Model odzwierciedla kaskad reakcji odporno±ciowych prowadz - cych do zahamowania rozwoju raka. Kaskad opisuje nast puj cy ukªad RRZ:

V = k l n V V, Ḋ m = k l (V + V p ) k m D m, Ḋ C = α l k m D m k CR D C, Ḋ R = k CR D C µ D D R, Ċ = a C D C µ C C k R CR, Ṙ = a R D R µ R R, P = h rp a pcp P h P +P, który rozpatrujemy z warunkiem pocz tkowym odzwierciedlaj - cym pojedyncze szczepienie zastosowane w przypadku organizmu bez odporno±ci z wyst puj cym rakiem: (6) (V 0, 0, 0, 0, 0, 0, P 0 ), V 0, P 0 > 0, z parametrami oszacowanymi na podstawie literatury:

k l wspóªczynnik dojrzewania (w wyniku szczepienia) komórek dendrytycznych, k l = 0, 06 h 1, n V liczba komórek szczepionki potrzebna do zainicjowania dojrzewania jednej komórki dendrytycznej, n V = 1, V p naturalny napªyw dojrzaªych komórek dendrytycznych, V P = 0 (oszacowane), k m wspóªczynnik migracji komórek dendrytycznych ze skóry do w zªa limfatycznego k m = 0, 027 h 1, α l frakcja dendrytycznych komórek prezentuj cych antygen przedostaj cych si do w zªa limfatycznego, α l = 0, 03, k CR wspóªczynnik wyczerpywania dojrzaªych komórek dendrytycznych, k CR = 0, 027 h 1, µ D wspóªczynnik ±miertelno±ci komórek dendrytycznych, µ D = 0, 014 h 1, a R wspóªczynnik rekrutacji inhibitorów przez komórki dendrytyczne, a R = 0, 003 h 1, µ R wspóªczynnik ±miertelno±ci inhibitorów, µ R = 0, 03 h 1,

a C wspóªczynnik rekrutacji komórek cytotoksycznych przez dojrzaªe komórki dendrytyczne, a C = 0, 38 h 1, µ C wspóªczynnik ±miertelno±ci komórek cytotoksycznych, µ C = 0, 007 h 1, k R wspóªczynnik dezaktywacji komórek cytotoksycznych przez inhibitory, k R = 6 10 7 komórka 1 h 1, r wspóªczynnik wzrostu nowotworu, wªa±ciwy dla danego pacjenta, h 1, a p maksymalna efektywno± komórek cytotoksycznych, wªa- ±ciwa dla pacjenta, komórka 1 h 1, h P wspóªczynnik tªumienia efektywno±ci komórek cytotoksycznych, h P = 108 komórek.

3.1. Analiza modelu (6) Ukªad (6) mo»emy analizowa caªkuj c poszczególne równania. Otrzymujemy V (t) = V 0 e k ln V t = V (t) 0 przy t, a st d zatem Ḋ m = k l ( V0 e k ln V t + V p ) km D m, D m = k ( lv ) p 1 e k mt k l V ( 0 + e k l n V t e kmt), k m k m k l n V czyli D m k lv p k m. Wynika st d,»e je±li V p = 0, to D m 0 wykªadniczo.

Podobnie D C mo»emy wyrazi jako kombinacj funkcji wykªadniczych: ( 1 e k CR t D C = α l k l V p e kmt e kcrt ) + k CR k CR k m ( α l k m k l V 0 e k l n V t e k CRt e kmt e kcrt ). k m k l n V k CR k l n V k CR k m Jawny wzór na D C nie ma jednak znaczenia dla analizy asymptotycznej. Otrzymujemy D C α lk l V p k CR i analogicznie jak poprzednio D C 0 wykªadniczo, gdy V p = 0. Nast pnie liczymy: D R α lk l V p µ D = D R 0 dla V p = 0,

C R a Rα l k l V p µ D µ R = R 0 dla V p = 0, a C α l k l µ D µ R V p k CR (µ C µ D µ R + k R a R α l k l V p ) =: C = C 0 dla V p = 0. Ostatecznie, dla dowolnego ε > 0 istnieje t > 0, takie»e P ( r a P ) ( ) h P C h P + P ε P h P C P r a P h P + P + ε. (7) Rozwa»my jednowymiarowy ukªad dynamiczny: ẋ = x ( gdzie r = r + ε lub r = r ε. ) h P C r a P, (8) h P + x

Niezerowy stan stacjonarny x równania (8) speªnia: r(h P + x) = a P h P C = x = a P h P C r h P i jest on dodatni, je±li C jest dostatecznie du»e. Zatem dynamika równania (8) zale»y od C. Je±li C jest dostatecznie maªe, tak»e (8) nie ma dodatniego stanu stacjonarnego, czyli C < r a P, to ẋ(t) > 0 t, co wi cej istnieje δ > 0, taka»e ẋ > δx, a st d x wykªadniczo. Je±li C jest dostatecznie du»e, C > r a P, to istnieje dodatni stan stacjonarny x i dla 0 < x 0 < x rozwi zanie d»y do 0, natomiast dla x 0 > x rozwi zanie d»y do.

Poniewa» ε jest dowolne, to istnienie dodatniego stanu P jest warunkowane przez: P = a P h P C r h P > 0 C > r a P. Powy»sza nierówno± jest równowa»na poni»szej: czyli a C α l k l µ D µ R V p k CR (µ C µ D µ R + k R a R α l k l V p ) > r a P, α l k l V P (a P a C µ D µ R rk CR k R a R ) > rµ C µ D µ R k CR. Wniosek 4. Wyzdrowienie mo»na osi gn utrzymuj c nierówno±ci: a P a C µ D µ R k CR k R a R > r i V P > rµ C µ D µ R k CR α l k l (a P a C µ D µ R rk CR k R a R ).

Wniosek 4 oznacza,»e aby wyleczy pacjenta za pomoc pojedynczego szczepienia musimy mie do czynienia z nowotworem o niezbyt wysokim wspóªczynniku reprodukcji, a naturalny napªyw dojrzaªych komórek dendrytycznych V P musi by dostatecznie du-»y. W tym przypadku mamy je±li P (0, P ), to P < 0, a st d P 0; je±li P > P, to P > 0 i P. Co wi cej, je±li C < r a P, to P > 0 dla dowolnego P 0 > 0, a poniewa» nie istnieje dodatni stan stacjonarny, to rozwi zanie d»y do. Zauwa»my,»e dla V p = 0 mamy C = 0 i wszystkie rozwi zania (7) z dodatnim P 0 speªniaj P.

Wniosek 5. Dla parametrów modelu oszacowanych w artykule nie da si osi gn wyleczenia za pomoc pojedynczego szczepienia. 3.2. Model z impulsami Wniosek 5 pokazuje,»e trzeba podj leczenie w dªu»szym czasie. Zaªo»ymy teraz,»e V p = 0 i rozwa»ymy ci g szczepie«o dawce V 0 podawanych co t jednostek czasu. Mamy w rezultacie równanie z impulsami opisuj ce zmienn V, które mo»emy rozwi za na ka»dym przedziale [n t, (n + 1) t], n IN.

Dokªadniej, poniewa» V (n t) + = V 0 ( 1 + e α t +... + e nα t), gdzie V (n t) + oznacza poziom szczepionki tu» po kolejnym (n + 1) szczepieniu, przy czym pierwsza dawka podawana jest w momencie t = 0, to dla t (n t, (n + 1) t) dostajemy V (t) = V 0 1 e (n+1)α t 1 e α t e α(t n t), α = k l n V. St d otrzymujemy zbie»no± V do funkcji okresowej przy t, tzn. ( [ ]) t t e α t t t V (t) V 0 =: V (t), (9) 1 e α t gdzie s [s] oznacza cz ± uªamkow liczby s = t t.

Widzimy,»e V (t) < V (t) dla t > 0. Znaj c asymptotyczn dynamik zmiennej V mo»emy zbada zachowanie kolejnych zmiennych. Dla zmiennej D m asymptotycznie dostajemy Ḋ m (t) = k l V (t) k m D m, sk d dla okresowej funkcji V otrzymujemy w granicy ( ) k l V 0 (1 e km )e α(t [t]) (1 e α )e km(t [t]) Dm (t) = (1 e α )(1 e km )(k m α) z t = 1 dla uproszczenia zapisu. Podobnie zmienne D C (t), D R (t) i R(t) d» do funkcji okresowych o okresie 1, gdy» ka»d z nich mo»na wyrazi jako kombinacj funkcji wykªadniczych od t [t].

St d równanie na C przyjmuje posta Ċ = F (t) G(t)C, gdzie F i G s okresowe o okresie 1. Dla C 0 = 0 rozwi zanie wyra»a si za pomoc caªki C(t) = t 0 F (s)e t s G(u)du ds, przy czym w granicy znów dostajemy funkcj okresow. Ostatecznie mamy do zbadania równanie ( ẋ = x r H(t) ), (10) 1 + x gdzie x = P h P, a H(t) = a P C(t) jest gªadk funkcj okresow o okresie 1.

Mo»na pokaza,»e dynamika rozwi za«równania (10) zale»y od warto±ci ±redniej funkcji H. Niech H A = 1 0 H(s)ds. Twierdzenie 6. Je±li r > H A, to x dla dowolnego x 0 > 0, a je±li r < H A, to istnieje x > 0, takie»e dla 0 < x 0 < x zachodzi x(t) 0 przy t ; dla x 0 > x zachodzi x(t) przy t ; dla x 0 = x rozwi zanie jest okresowe. Dowód:

Zaªó»my,»e r > H A. We¹my t [0, 1) i dowolne n N. Mamy sk d x(t+n+1) x(t+n) dx x = r x(t + n + 1) = x(t + n)e z dodatnio±ci x. t+n+1 ( t+n t+n+1 t+n r H(s) ) 1 + x(s) ds, 1 H(s) 1+x(s) ds > x(t + n)e r H(s)ds 0 (11) Wobec tego dla dowolnych t [0, 1) i n N dostajemy x(t + n + 1) > q x(t + n), gdzie q = e r H A > 1. Dla ustalonego t [0, 1) rozwa»amy ci g ( x(t + n) ) n N rosn cy co najmniej jak ci g geometryczny o ilorazie q > 1.

St d ju» wynika,»e x(t) przy t. Zaªó»my teraz,»e r < H A. Zauwa»my najpierw,»e je±li x 0 jest dostatecznie maªe, to x(1) < x 0, a gdy x 0 jest du»e, to x(1) > x 0. Rzeczywi±cie, dla t [0, 1] mamy x 0 e H A < x(t) < x 0 e rt i x(n)e H A < x(t + n) < x(n)e rt, (12) niezale»nie od x 0 > 0, n N i innych parametrów modelu. Chcemy mie x(1) < x 0, wi c r 1 0 H(s) ds < 0. 1 + x(s)

Widzimy,»e r 1 0 H(s) 1 + x(s) ds < r H ( ) A 1 + x 0 e < 0 dla x HA r 0 < r 1 e r. Z drugiej strony, je±li ma by x(1) > x 0, to powinna zachodzi nierówno± przeciwna. 1 H(s) r 1 + x(s) ds > r H A 1 + x 0 e H A 0 > 0 dla x 0 > ( HA r 1 ) e H A. Nierówno±ci (12) implikuj : x(n + 1) < x(n) dla maªych x 0, x(n + 1) > x(n) dla du»ych x 0.

Ponadto ci g ( x(n) ) ro±nie/maleje szybciej/wolniej ni» ci g n N geometryczny o ilorazie wi kszym/mniejszym od 1. St d x(n) 0 dla maªych x 0 i x(n) dla du»ych x 0. Zauwa»my,»e dla dowolnych t [0, 1) i n N zachodzi x(t + n) = x(n) exp rt t+n n H(s) 1 + x(s) ds, a poniewa» to t+n n H(s) 1 + x(s) ds [0, H A], x(n) 0 = x(t + n) 0, x(n) = x(t + n).

Co wi cej, wystarczy aby x(1) > x 0 lub x(1) < x 0, aby dosta ci g x(n) odpowiednio rosn cy lub malej cy. Ci gªa zale»no± od warunków pocz tkowych implikuje,»e istnieje x, takie»e x(1) = x, wi c mamy wtedy rozwi zanie okresowe. Powy»szy dowód zostaª zaproponowany przez Marka Bodnara

4. Warunki skutecznego/nieskutecznego leczenia Zajmiemy si teraz ponownie funkcj (9), gdy» chcemy powi za dawk pojedynczego szczepienia V 0 z cz stotliwo±ci szczepie«. Dla dowolnego ε > 0 istnieje t, takie»e dla t > t mamy [ e α t ] V V 0 1 e ε, V 1 α t 0 =: [V 1 e α t min, V max ]. St d dla dostatecznie du»ych t dostajemy [ kl D m V min, k ] l V max k m k m [ αl k l D C Dm min, α ] lk l Dm max k CR k CR =: [ D min m =: [ D min C ], Dm max, ], DC max,

[ kcr D R DC min, k ] CR DC max =: [ ] DR min, DR max, µ D µ D [ ar R DR min, a ] R DR max =: [R min, R max ]. µ R µ R Dalej dla dostatecznie du»ych t zachodzi Ċ a C D min C (µ C + k R R max ) C = C oraz a C D min C µ C + k R R max =: C min Ċ a C DC max (µ C + k R R min ) C = C a CDC max =: C max µ C + k R R min Ostatecznie dynamika P opisana jest nierówno±ciami rp a P h P C max P h P + P P rp a P h P C min P h P + P,

wi c je±li C min > r a P i P < P ( min = h ap C min P r mamy wi c wyzdrowienie. 1 ), to P 0 Poniewa» ε dowolny, to przechodz c do granicy ε 0 i licz c C min dostajemy C min = a C α l k m µ R D min m k CR (µ C µ R + k R a R D max R ) = a C α l µ R µ D k 2 l V min k CR (k m µ C µ R µ D + k R a R α l k 2 l V max). Mo»emy teraz wyznaczy V 0 wystarczaj c do wyleczenia przy ustalonym odst pie t mi dzy szczepieniami.

Chcemy mie czyli a C α l µ R µ D k 2 l V 0e α t 1 e α t k CR ( km µ C µ R µ D + k R a R α l k 2 l ) > r, V 0 a P 1 e α t V 0 kl 2 α ( ) l ac µ 1 e α t R µ D a P e α t rk CR k R a R > rkm k CR µ C µ R µ D. Oznacza to,»e aby osi gn wyleczenie musimy zachodzi r < a Cµ R µ D a P k CR k R a R =: r max, niezale»nie od tego, ile dawek szczepienia podajemy. Wniosek 7. Je±li r < r max i e α t > r r max,

to V 0 > rk m k CR µ C µ R µ D (1 e α t ) k 2 l α l (a C µ R µ D a P e α t rk CR k R a R ) wystarcza, aby wyleczy nowotwór o wielko±ci P 0 < P min = h P ( ap C min r 1 ). Je±li natomiast P 0 > P ( max = h ap C max P 1 ) lub C r max < r, a P to P (t) przy t, zatem wyleczenie jest niemo»liwe. Na koniec zauwa»my,»e twierdzenie 6 mo»e by u»yte do lepszego oszacowania warunków wyleczenia, ale musimy w tym celu policzy ±redni warto± C dokªadnie.

*** Dzi kuj za uwag! ***