Comissão Nacional de Energia Nuclear CENTRO DE DESENVOLVIMENTO DA ... · À Vó Nel pela ajuda ao...
-
Upload
duongquynh -
Category
Documents
-
view
216 -
download
0
Transcript of Comissão Nacional de Energia Nuclear CENTRO DE DESENVOLVIMENTO DA ... · À Vó Nel pela ajuda ao...
Comissão Nacional de Energia Nuclear
CENTRO DE DESENVOLVIMENTO DA TECNOLOGIA NUCLEAR
Programa de Pós-Graduação em Ciência e Tecnologia
das Radiações, Minerais e Materiais
MODELAGEM COMPUTACIONAL DO EFEITO BYSTANDER DAS RADIAÇÕES
IONIZANTES VIA AUTÔMATO CELULAR E TÉCNICA MONTE CARLO
Sincler Peixoto de Meireles
Belo Horizonte
Janeiro 2012
Comissão Nacional de Energia Nuclear
CENTRO DE DESENVOLVIMENTO DA TECNOLOGIA NUCLEAR
Programa de Pós-Graduação em Ciência e Tecnologia das
Radiações, Minerais e Materiais
MODELAGEM COMPUTACIONAL DO EFEITO BYSTANDER DAS RADIAÇÕES
IONIZANTES VIA AUTÔMATO CELULAR E TÉCNICA MONTE CARLO
Sincler Peixoto de Meireles
Dissertação apresentada ao Curso de Pós-Graduação em Ciência e
Tecnologia das Radiações, Minerais e Materiais, como requisito
parcial à obtenção do Grau de Mestre
Área de concentração: Ciência e Tecnologia das Radiações
Orientador: Dra. Suely Epsztein Grynberg
Co-orientador: Dr. Adriano Márcio dos Santos
Belo Horizonte
Janeiro 2012
Dedicatória
Em memória de minha avó Piedade, por seu carinho, dedicação e exemplo de vida.
AGRADECIMENTOS
Agradeço a Deus.
Aos meus pais e minha irmã, por me apoiarem desde o princípio de minha vida acadêmica.
À Dra. Maria Eugênia Silva Nunes que acreditou e me direcionou nesses passos.
À Dra. Suely Epsztein Grynberg, por ter me recebido e pela orientação.
Ao Dr. Adriano Márcio dos Santos, por sua co-orientação.
À Pós-graduação do CDTN, seu corpo docente e secretaria, por toda infraestrutura, bom
atendimento, apoio e ajuda.
À biblioteca do CDTN, por toda ajuda, especialmente pela paciência da Virgínia.
À Vó Nel pela ajuda ao me receber em sua casa durante essa jornada. À Tia Rosângela e ao
Tio Salvador, por toda ajuda e encorajamento.
Aos amigos do mestrado, aos amigos da PUC, aos amigos otakus, e a todos meu amigos, que
mesmo na correria da vida ainda encontraram um tempinho pra estar comigo e dividir um
pouco dessa caminhada.
À Fundação de Amparo à Pesquisa de Minas Gerais (FAPEMIG), pela bolsa de estudos.
RESUMO
Até a década de 1990 acreditava-se que o DNA era a única molécula alvo das
radiações ionizantes. Mas algumas observações questionaram esta teoria. Em 1992 o efeito
bystander, em português, efeito espectador, foi descrito por Nagasawa e Little. Este efeito é
responsável por uma série de respostas como morte, instabilidade cromossômica ou outras
anormalidades que ocorrem em células não irradiadas, que entraram em contato com células
irradiadas ou meio irradiado a partir de células irradiadas. Entender o efeito bystander pode
ter consequências importantes para a terapia e estudos do risco às exposições de baixas doses
de radiação ionizante. Organismos vivos são compostos de milhões de células que, juntas,
executam tarefas de grande complexidade. Apesar de cada célula ter uma estrutura interna que
obedece às leis da bioquímica, é a interação entre as células que gera uma gama de diferentes
fenômenos. Os modelos computacionais buscam soluções elegantes para simular a natureza.
Neste trabalho, desenvolvemos um modelo computacional para simular o efeito bystander das
radiações ionizantes em culturas celulares. Este modelo computacional é um autômato celular
bidimensional, consistindo de duas redes sobrepostas, onde a primeira representa a cultura de
células, e a segunda, o meio no qual as células são incorporadas. O modelo computacional
descreve o comportamento do efeito bystander para diferentes configurações e densidade de
células onde diferentes níveis de sinais são liberados pelas células irradiadas no meio. O efeito
de re-emissão de sinais também foi introduzido no modelo. A partir dos dados das
simulações foram obtidas equações capazes de antever os resultados experimentais. Os
resultados obtidos a partir do modelo computacional e do ajuste matemático mostraram-se em
excelente concordância com dados experimentais disponíveis na literatura. Observou-se que
há dois pontos de inflexão nas curvas de dose-resposta no regime de baixa dose que podem
representar uma adaptabilidade da cultura celular à radiação ionizante, transformando-a mais
ou menos rádio resistente.
ABSTRACT
Until the 1990s it was believed that the DNA was the only target molecule of ionizing
radiation. But some observations have questioned this theory. In 1992, the bystander effect
was described by Nagasawa and Little. This effect is responsible for a series of answers as
death, chromosomal instability or other abnormalities that occur in non-irradiated cells, which
get in contact with irradiated or irradiated medium from irradiated cells. Understanding the
bystander effect may have important consequences for therapy and exposure risk studies to
low doses of ionizing radiation. Living organisms are composed of millions of cells that
together perform tasks of great complexity. Although each cell has an internal structure that
obeys the biochemistry laws, it is the interaction between the cells that generate a range of
different phenomena. Mathematical models seek elegant solutions to simulate nature. In this
work, we developed a computer model to simulate the bystander effect of ionizing radiation in
cell cultures. This computational model is a two-dimensional cellular automata, consisting of
two overlapping networks, where the first represents the cells culture and the second, the
medium in which cells are embedded. The computational model describes the behavior of the
bystander effect for different configurations and cells density where different signal levels are
released by cells irradiated in the medium. The signals re-emission effect was also introduced
in this model. From the simulations data, equations capable of predicting the experimental
results were obtained. The results obtained from the computational model and the
mathematical model are in excellent agreement with experimental data available in the
literature. It was observed that there are two inflection points in the dose-response curves in
the low dose regime and they may represent a cell culture adaptability to ionizing radiation by
transforming it into more or less radio-resistant.
LISTA DE FIGURAS
FIGURA 1: Esquema do tubo de raios catódicos .................................................................................... 6
FIGURA 2: À esquerda Henri Becquerel e a direita a chapa fotográfica sensibilizada .......................... 7
FIGURA 3: Esquema das células animais e vegetais ............................................................................ 10
FIGURA 4: Níveis de organização dos seres humanos. ....................................................................... 11
FIGURA 5: Esquema da molécula de DNA ......................................................................................... 12
FIGURA 6: Organização do material Genético .................................................................................... 13
FIGURA 7: Gene .................................................................................................................................. 14
FIGURA 8: Rede de células de um autômato celular. .......................................................................... 17
FIGURA 9: Modelo de Greenber-Hasting ............................................................................................ 18
FIGURA 10: Estado homogêneo. ......................................................................................................... 21
FIGURA 11: Estado periódico. ............................................................................................................. 21
FIGURA 12: Estado irregular. .............................................................................................................. 22
FIGURA 13: Estrutura Complexa. ........................................................................................................ 22
FIGURA 14: Vizinhança de autômato unidimensional ........................................................................ 23
FIGURA 15: Autômato celular de estrutura periódica ......................................................................... 23
FIGURA 16: Representação dos sítios invisíveis ................................................................................. 24
FIGURA 17: Representação dos sítios refletidos internamente ............................................................ 24
FIGURA 18: Diferentes geometrias para um autômato ........................................................................ 25
FIGURA 19: Representação dimensional ............................................................................................. 26
FIGURA 20: Vizinhança de Neumann ................................................................................................. 26
FIGURA 21: Vizinhança de Moore ...................................................................................................... 27
FIGURA 22: Vizinhança Aleatória ....................................................................................................... 27
FIGURA 23: Representações do autômato desenvolvido ..................................................................... 31
FIGURA 24: Multiplicação celular no modelo ..................................................................................... 32
FIGURA 25: Estados adotados no modelo ........................................................................................... 32
FIGURA 26: Mudanças de estado permitidos no modelo. ................................................................... 33
FIGURA 27: Células HaCaT ................................................................................................................ 35
FIGURA 28: Gráfico dose-resposta ...................................................................................................... 39
FIGURA 29: Gráfico dose-resposta para a cultura bystander ............................................................... 40
FIGURA 30: Fração de sobrevivência em função da dose recebida pela cultura irradiada .................. 40
FIGURA 31: Fração de sobrevivência em função da densidade de células na cultura irradiada. ........ 42
FIGURA 32: Efeito bystander pela variação das densidade de células na cultura bystander............... 43
FIGURA 33: Comportamento temporal do efeito para passo de tempo computacional. ...................... 44
FIGURA 34: Comportamento temporal do efeito bystander para a linhagem celular. ......................... 45
FIGURA 35: Resultado do modelo computacional. ............................................................................. 47
LISTA DE TABELAS
Tabela 1 : Eficiência Biológica Relativa ....................................................................................... 9
Tabela 2: Composição aproximada de um ser humano ............................................................... 11
Tabela 3. Desvio padrão dos valores obtidos na simulação ........................................................ 39
Tabela A 1: Matriz de Planejamento ........................................................................................... 54
Tabela A 2: Variação das probabilidades de mudança de estado ................................................ 54
Tabela A 3: Resultados obtidos para o planejamento 24 ............................................................ 55
Tabela A 4: Efeitos para os quatro fatores e suas interações ...................................................... 56
Tabela C 1: Parâmetros para teste ............................................................................................... 79
SUMÁRIO
1. INTRODUÇÃO .................................................................................................................... 1
2. OBJETIVOS ......................................................................................................................... 3
3. JUSTIFICATIVA .................................................................................................................. 4
4. FUNDAMENTOS TEÓRICOS ............................................................................................ 5
4.1 As Radiações ..................................................................................................................... 5
4.1.1 Interação da Radiação com a Matéria ........................................................................... 8
4.1.2 Dose Absorvida, LET e RBE ........................................................................................ 8
4.2 Efeitos Biológicos das Radiações Ionizantes .................................................................... 9
4.2.1 A Célula ........................................................................................................................ 9
4.2.2 Radiobiologia .............................................................................................................. 11
4.2.3 Efeito Bystander .......................................................................................................... 15
4.3 Sistemas complexos ........................................................................................................ 16
4.4 Automato celular ............................................................................................................. 17
4.4.1 Definição ..................................................................................................................... 17
4.4.2 Desenvolvimento dos Autômatos Celulares ................................................................ 18
4.4.3 Características de um Autômato Celular ..................................................................... 20
4.4.3.1 Classes de Autômato ................................................................................................... 20
4.4.3.2 Raio da Regra .............................................................................................................. 22
4.4.3.3 Efeito de Borda............................................................................................................ 23
4.4.3.4 Geometria .................................................................................................................... 25
4.4.3.5 Formato ....................................................................................................................... 25
4.4.3.6 Dimensões ................................................................................................................... 25
4.4.3.7 Tipos de Vizinhança .................................................................................................... 26
4.4.3.8 Tipos de Regra ............................................................................................................ 28
4.5 A Técnica Monte Carlo ................................................................................................... 28
4.6 Modelos matemáticos e simulação computacional do Efeito Bystander ........................ 29
5. MATERIAIS E MÉTODOS ............................................................................................... 31
5.1 Descrição Computacional ............................................................................................... 35
5.2 Recursos computacionais ................................................................................................ 37
6. RESULTADOS E DISCUSSÕES ...................................................................................... 38
6.1 Dose Resposta ................................................................................................................. 38
6.2 Efeito da Variação da Densidade Celular ........................................................................ 42
6.2.1 Efeito da variação da densidade de células irradiadas................................................. 42
6.2.2 Efeito da variação da densidade de células bystander ................................................. 43
6.3 Comportamento temporal ................................................................................................ 44
6.4 Modelo computacional .................................................................................................... 45
7. CONCLUSÕES E PERSPECTIVAS .................................................................................. 48
8. REFERÊNCIAS .................................................................................................................. 49
APÊNDICE A: Influência dos Parâmetros na Simulação ........................................................... 53
APÊNDICE B: O programa Computacional ............................................................................... 57
APÊNDICE C: Parâmetros para teste ......................................................................................... 79
1
1. INTRODUÇÃO
Desde a descoberta dos raios X e da radioatividade, se observou o interesse no
potencial do uso médico dessas novas descobertas. Com o decorrer dos anos as técnicas
nucleares de tratamento e diagnóstico se tornaram cada vez mais utilizadas. Não somente no
cenário médico, mas nas mais diversas áreas, o uso das radiações ionizantes se proliferou
rapidamente. E com o uso cada vez maior de diversas técnicas nucleares, a preocupação com
a exposição à radiação se tornou também cada vez maior. Conhecer os efeitos biológicos é
indispensável para se aperfeiçoar tratamentos bem como estimar o risco dos indivíduos
expostos às radiações.
A correlação entre a exposição à radiação ionizante e os efeitos biológicos induzidos
foi estabelecida com base na extrapolação de dados disponíveis, no caso os dados das vítimas
do acidente de Chernobyl e das bombas nucleares da segunda guerra mundial (TAUHATA,
2003). Em situações envolvendo altas doses, como em tratamentos de radioterapia foram
obtidas confirmações diretas dos efeitos das radiações ionizantes, mas para baixas doses as
observações ficam ofuscadas pela ocorrência de muitos outros efeitos provocados por outros
agentes físicos ou químicos.
Em radioproteção um modelo de correlação linear, construído a partir da extrapolação
dos dados para altas doses, é até hoje utilizado. Mas, sua validade científica é questionada,
uma vez que pode estar minimizando efeitos que ocorreriam para baixas doses, ou ignorando
valores limiares de ocorrência de certos efeitos. A compreensão dos efeitos biológicos da
radiação ionizante, tanto para altas doses, como para baixas doses é muito importante para
aperfeiçoar tratamentos e ajudar a determinar o risco da exposição às radiações. Nos últimos
20 anos, evidências mostraram que o conhecimento sobre os efeitos biológicos das radiações
ionizantes em baixas doses estava incompleto (NAGASAWA; LITLLE, 1992; BI, 1993;
MOTHERSIL; SEYMOUR, 1997; PRISE, 1998).
Diversos experimentos mostraram que células não irradiadas (que não sofreram
deposição de energia), mas que estavam na vizinhança de células irradiadas, ou em contato
com meio proveniente das células irradiadas, exibiram diversos tipos de resposta como morte,
instabilidade cromossômica ou outras anomalias. A este efeito deu-se o nome de “Efeito
Bystander induzido por radiações ionizantes”.
2
As respostas celulares e o nível de resposta dependem da linhagem celular, do tipo de
radiação, da dose, da densidade celular, entre outros fatores. Esse efeito predomina para
baixas doses de radiação e apresenta um valor limiar, acima do qual o efeito satura.
Neste trabalho é apresentado um modelo computacional via autômato celular
(WOLFRAM, 2002) para o estudo do efeito bystander. O modelo foi validado com base em
três trabalhos publicados na literatura (MOTHERSIL; SEYMOUR, 1997, 1998, 2000). As
simulações foram capazes de reproduzir com uma excelente concordância o comportamento
do efeito no tempo, para diferentes doses e densidades celulares. Também é apresentado um
ajuste matemático capaz de reproduzir o comportamento temporal, construído a partir do
ajuste dos pontos obtidos na simulação. Ainda é feita uma breve discussão sobre os
parâmetros de interesse ao se calibrar o modelo para outras linhagens celulares.
3
2. OBJETIVOS
Objetivo Geral:
O objetivo principal deste trabalho é propor um modelo computacional via autômato
celular para o estudo do efeito bystander das radiações ionizantes in vitro.
Objetivos Específicos:
• Modelar o efeito bystander com base nos experimentos existentes na literatura com
troca de meio.
• Validar o modelo através de comparações com resultados experimentais in vitro para
os parâmetros utilizados nos experimentos.
4
3. JUSTIFICATIVA
Compreender as respostas biológicas da radiação ionizante é vital para estimar riscos à
saúde por exposição acidental ou induzida em diagnósticos e em tratamentos radioterápicos,
bem como seu papel como fator carcinogênico. A manifestação de efeitos bystander questiona
alguns dos princípios fundamentais da radiobiologia. Nos últimos 20 anos, diversos
experimentos mostraram que células não irradiadas, mas que estavam na vizinhança de
células irradiadas ou em contato com meio proveniente das células irradiadas, exibiram algum
tipo de resposta. Vários candidatos a mediadores envolvidos nessas respostas têm sido
investigados e propostos como sendo responsáveis pelo efeito bystander.
Devido aos diferentes arranjos de cada experimento de investigação, os dados
experimentais muitas vezes não são diretamente comparáveis. Os modelos existentes na
literatura se concentraram em descrever o arranjo experimental de micro feixe de partículas
(BRENNER, 2002, 2003; NIKJOO, 2003; LITLLE, 2004, 2005; RICHARD, 2009; FAKIR,
2009). O modelo proposto neste trabalho se baseia nos experimentos de ICCM, do inglês
Irradiated Cells Conditioned Medium, ou seja, meio proveniente de células irradiadas, se
tornando assim uma nova ferramenta para estudos do fenômeno.
Uma melhor compreensão do efeito bystander pode ajudar a aperfeiçoar tratamentos e
ajudar a determinar o risco da exposição às baixas doses de radiação.
5
4. FUNDAMENTOS TEÓRICOS
4.1 As Radiações
Radiação é toda forma de condução ou propagação de energia por meio de partículas
e/ou ondas eletromagnéticas. As radiações podem ser classificadas: pelo elemento condutor
de energia (podem ser ondas eletromagnéticas ou partículas); pela fonte de radiação (solar,
nuclear, térmica); pelos seus efeitos (ionizante e não ionizante) e pelos tipos de radiação (alfa,
beta, gama, raios X, nêutrons, ondas de rádio, solar, micro-ondas, etc.).
A história da descoberta das radiações começou em 1895 com a descoberta
experimental dos raios X, por Wilhelm Conrad Röntgen (1845-1923). Ele estava interessado
no problema dos raios catódicos em tubos de vácuo, estudados por Hertz e Lenard. Em 1894,
obteve o material necessário (tubos, folhas de alumínio, etc.), e conseguiu observar raios
catódicos no ar e em hidrogênio em junho do mesmo ano. No final de 1895, ele notou uma
luminescência fraca ao aplicar uma diferença de potencial de algumas dezenas de quilovolts
entre os eletrodos do tubo. Ele apagou a luz da sala para observá-la melhor e se surpreendeu
ao ver que uma placa de vidro coberta com platinocianeto de bário colocada a um metro do
tubo também apresentou luminescência (MARTINS, 1998).
Röntgen começou a estudar a causa dessa luminescência e percebeu que algum tipo de
raio emitido pelo tubo de raios catódicos era o responsável por tal fenômeno. Mas esses raios
provenientes do tubo não eram barrados por nenhum material, os raios atravessavam tudo.
Observando que objetos ao entrarem em contato com esses raios pareciam transparentes,
Röntgen concluiu que os responsáveis por esse fato não poderiam ser os raios catódicos
produzidos no tubo, pois eles possuíam uma capacidade de penetração no ar de somente uns
poucos centímetros. Ele concluiu que o tubo emitia raios muito mais potentes, ainda
desconhecidos, que podiam atravessar diversos materiais, inclusive o corpo humano e
sensibilizar filmes fotográficos.
Assim foi descoberta uma nova forma de se observar o interior dos corpos, causando
uma grande revolução na área de Medicina diagnóstica. Cerca de 50 dias após a descoberta
dos Raios-X, Roentgen tirou a primeira radiografia da mão de sua esposa, expondo-a durante
15 minutos, gerando uma das mais famosas imagens da história (Figura 1). Ele foi o primeiro
físico a ganhar o prêmio Nobel de Física em 1901.
6
FIGURA 1: Esquema do tubo de raios catódicos utilizado por Röntgen
(Adaptado< http://farm8.staticflickr.com/7144/6622699471_52bf6a5001.jpg ;
http://upload.wikimedia.org/wikipedia/commons/e/e3/First_medical_X-
ray_by_Wilhelm_R%C3%B6ntgen_of_his_wife_Anna_Bertha_Ludwig%27s_hand_-_18951222.gif >
Acesso em jan 2012)
Com a descoberta dos raios X, muitos investigadores se voltaram imediatamente para
a pesquisa de novas propriedades de tais raios, o que provocou um desenvolvimento muito
rápido dos conhecimentos a cerca destes. Por se tratar de um fenômeno que não havia sido
previsto teoricamente, nem era compreendido com base nas teorias da época, a descoberta de
que existia uma radiação estranha, que devia estar presente nos laboratórios de física há
muitos anos, mas que não havia sido notada antes levou à procura de outras radiações
desconhecidas (que poderiam igualmente estar presentes sem terem sido percebidas) e
também à investigação da existência de outros processos de emissão de raios X (MARTINS,
2003).
Na academia de Ciências de Paris, Henri Poincaré, matemático e físico, fez um
comentário de enorme importância. Os raios X eram produzidos, como Roentgen havia
mostrado, pelas paredes do tubo de vidro, no local onde elas eram atingidas pelos raios
catódicos. Nesse mesmo local, o vidro se tornava fluorescente. Poincaré se perguntou se não
haveria alguma conexão entre os dois fenômenos. Foi a busca dessa relação entre
fluorescência e raios X que levou aos estudos de Henri Becquerel. Não existe relação direta
entre a emissão de raios X e a luminescência, mas graças a essa pista falsa que muitas
descobertas foram feitas (MARTINS, 1990).
Costuma-se dizer que o fenômeno da radioatividade foi descoberto acidentalmente por
Henri Becquerel (Figura 2) em 1896. Becquerel teria guardado em uma gaveta, um composto
de urânio juntamente com uma chapa fotográfica, havendo depois revelado a chapa e notado
nela os sinais da radiação.
7
FIGURA 2: À esquerda Henri Becquerel e a direita a chapa fotográfica sensibilizada
(http://objetoseducacionais2.mec.gov.br/bitstream/handle/mec/19886/HenriBecquerel.jpg?sequence=1;
http://www.earthmagazine.org/mediafiles/i/2011/2/28/1103> Acesso em jan 2012)
De forma geral, Henri Becquerel descreveu que certa substância fosforescente (sulfato
duplo de uranila e potássio) emitia radiações penetrantes semelhantes aos raios X. Becquerel
afirmou ter confirmado experimentalmente que a radiação do urânio era de natureza
eletromagnética, semelhante à da luz (apresentava refração, reflexão, polarização) e que a
emissão diminuía lentamente. Becquerel chamou essa radiação de “raios do urânio”, pois
pensava que se tratava de um fenômeno específico dos compostos desse elemento. Outros
elementos pesados, com massas próximas à do urânio, como o rádio e o polônio, também
tinham a mesma propriedade. O fenômeno foi denominado radioatividade pelos Curie em
meados de 1898 e os elementos que apresentavam essa propriedade foram chamados de
elementos radioativos. Mais tarde, comprovou-se que um núcleo muito energético, por ter
excesso de partículas ou de carga, tende a estabilizar-se, emitindo partículas.
Com a descoberta dos raios X, por Wilhelm Röntgen e da radiação natural por Henri
Becquerel, inaugurava-se um novo marco na física: a física médica. Em 1901, cinco anos após
a descoberta da radiação natural, Pierre Curie sugeriu que um pequeno tubo de rádio fosse
inserido em um tumor, marcando o início da braquiterapia, forma de radioterapia em que a
fonte de radiação é colocada próxima ou dentro do local a ser irradiado.
8
4.1.1 Interação da Radiação com a Matéria
Três são os processos de interação da radiação com a matéria: o efeito fotoelétrico, o
efeito Compton e a produção de pares. Envolvem o espalhamento, ou a absorção da radiação
pela matéria. Dois outros processos (bresmsstrahlung e aniquilação de pares) envolvem a
produção de radiação. Em todos estes casos se torna evidente que a radiação se comporta
como uma partícula em sua interação com a matéria, diferentemente do comportamento
ondulatório que apresenta quando se propaga em um meio (EISBERG, 1979).
Neste trabalho, será dado enfoque à interação da radiação com o meio biológico, em
especial, com as células.
4.1.2 Dose Absorvida, LET e RBE
A dose absorvida (D) é uma medida da energia depositada em um meio por uma
radiação ionizante. Está relacionada à soma de toda a energia que entra no volume de massa m
menos toda a energia que deixa o mesmo volume, onde se pode definir como:
(1)
A dose absorvida é expressa em J/kg no Sistema Internacional de Unidades, o nome
especial que é dado a essa unidade é o Gray, (Gy).
Apenas o uso da Dose Absorvida não é um bom indicador dos efeitos biológicos da
radiação. Um conceito também importante é o conceito de transferência linear de energia,
(LET) do inglês Linear Energy Transfer que provém da simplificação do poder de frenagem
de colisão linear, como sendo a média da perda de energia na colisão de uma partícula, por
unidade de comprimento.
(2)
9
Fótons e partículas beta têm um baixo LET, o que significa que eles ionizam
átomos espaçadas por vários milhares de Angstrons ao longo de seu caminho. Em contraste,
as partículas alfa, prótons e nêutrons deixam um rastro mais denso de átomos ionizados na sua
trajetória, que são espaçados por cerca de um Angstrom.
Outra questão a se considerar é o RBE – Eficiência Biológica Relativa que é a razão
de eficácia biológica de um tipo de radiação ionizante em relação a outro, dada a mesma
quantidade de energia absorvida. O RBE é um valor empírico que varia de acordo com as
partículas, as energias envolvidas, e quais efeitos biológicos são considerados relevantes.
Quanto maior o RBE, mais prejudicial é o tipo de radiação.
Tabela 1 : Eficiência Biológica Relativa
Fatores de Peso das Radiações
Tipo de Radiação Valor do RBE
Fótons 1
Elétrons 1
Nêutrons 5-20 (depende da energia)
Prótons 5
Partículas Alfa 20
Disponível em: http://hps.org/publicinformation/ate/q647.html
4.2 Efeitos Biológicos das Radiações Ionizantes
4.2.1 A Célula
A célula é a unidade morfológica e fisiológica básica dos seres vivos. Células são
constituídas por um sistema de membranas de natureza lipoproteica cuja função é manter a
individualidade celular e sua compartimentação, seu equilíbrio eletrolítico, o controle da
entrada e saída de substâncias e, portanto, suas relações com o meio ambiente. O citoplasma é
constituído principalmente por água e proteínas, nele encontram-se diferentes organelas,
responsáveis pelas principais atividades metabólicas das células. Nas células eucarióticas, o
núcleo, no qual se encontra o material genético, é o responsável pela regulação de toda a
atividade celular. As células apresentam uma série de estruturas descritas na figura 3. Dentre
todas as organelas citoplasmáticas, algumas são exclusivas das células animais, ao passo que
outras são exclusivas das células vegetais. Por exemplo, apenas a célula vegetal possui parede
10
celular, vacúolo e cloroplastos. No caso das células animais, os centríolos são suas organelas
exclusivas.
FIGURA 3: Esquema das células animais e vegetais
(<http://www.netxplica.com/figuras_netxplica/exanac/celulas.animal.vegetal.2.png >Acesso em jan 2012)
Alguns seres vivos, como bactérias e amebas, são constituídos por uma única célula
capaz de desempenhar todas as funções inerentes à vida, a saber: absorver nutrientes, crescer,
reproduzir-se, etc. Já nos organismos pluricelulares, como o homem, as células passam a
desempenhar funções específicas. Células que desempenham funções específicas organizam-
se em tecidos e órgãos, que por sua vez dão origem a sistemas cujo funcionamento, nos seres
vivos superiores (vegetais e animais superiores), é regulado por um sistema hormonal, caso
dos vegetais, ou por um sistema hormonal associado a um sistema nervoso, caso dos animais
(Figura 4).
11
FIGURA 4: Níveis de organização dos seres humanos.
Os seres vivos são constituídos, principalmente, por átomos de carbono (C),
hidrogênio (H), oxigênio (O) e nitrogênio (N). Estes átomos, combinados entre si, constituem
a base das moléculas biológicas. Como pode ser observada na TAB. 1, a água é a substância
encontrada em maior quantidade na composição química de um ser humano, sendo muito
importante no que diz respeito à interação entre radiação e matéria.
Tabela 2: Composição aproximada de um ser humano
Material Peso molecular g/Kg Moléculas / Kg % de moléculas % em Peso
H2O 18 600 2 x 1025
97,9 60
Proteínas 104 170 1 x 1021
0,01 17
Gorduras 800 150 1 x 1023
0,5 15
Osso mineral 130 40 2 x 1023
0,98 4
Sais 66 10 1 x 1023
0,5 1
Glicogênio 106 20 1 x 1019
0,0001 2
Carboidratos 180 10 3 x 1022
0,015 1
4.2.2 Radiobiologia
A célula é a unidade estrutural e funcional básica dos organismos vivos, da mesma
forma que o átomo é a unidade fundamental das estruturas químicas. Apesar de muitas
diferenças, células de todas as espécies de seres vivos compartilham de algumas
características. Células contêm compostos inorgânicos (água e sais minerais), bem como
compostos orgânicos (proteínas, carboidratos, ácidos nucléicos e lipídios). A membrana
12
plasmática define a periferia da célula, separando seu conteúdo da circuvizinhança. Os dois
principais constituintes de uma célula são o citoplasma, que suporta todas as funções
metabólicas dentro da célula, e o núcleo, que contém a informação genética (NELSON,
2002).
A irradiação de células pode resultar em transformação de moléculas específicas
levando à conseqüências que devem ser analisadas em função do papel biológico
desempenhado pelas moléculas atingidas. O DNA, por ser responsável pela codificação da
estrutura molecular de todas as enzimas das células, passa então a ser a molécula de maior
interesse para avaliar a extensão dos danos biológicos (XAVIER, 2006).
A estrutura da molécula de DNA é essencial para se entender os efeitos da radiação.
Sua estrutura foi descoberta conjuntamente pelo norte-americano James Watson e pelo
britânico Francis Crick em 1953. O DNA é uma estrutura de dupla hélice (figura 4),
constituída de duas fitas compostas por moléculas de açúcar (2-desoxirribose, uma pentose) e
fosfato que formam ligações fosfodiester entre o terceiro e quinto átomos de carbono dos
anéis de açúcar adjacentes. Estas ligações assimétricas significam que uma cadeia de DNA
tem uma direção. Numa dupla hélice, a direção dos nucleotídeos de uma cadeia é oposta à
direção dos nucleotídeos da outra cadeia. O formato das cadeias do DNA é designado
antiparalelo. As terminações assimétricas das cadeias de DNA são designadas terminais 5'
(cinco linha) e 3' (três linha). As duas fitas por sua vez são conectadas por quatro tipos de
base: timina(T), adenina (A), guanina(G) e citosina(C).
FIGURA 5: Esquema da molécula de DNA
(Adaptado<http://pequenosbiologos.wordpress.com/>Acesso em jan 2012)
13
As moléculas de DNA são as maiores macromoléculas nas células e geralmente estão
empacotadas em estruturas chamadas cromossomos (Figura 5). Gene é um nome dado a
alguns trechos do DNA e do RNA (Figura 6). É uma unidade molecular da hereditariedade de
um organismo vivo.
FIGURA 6: Organização do material Genético
(Adaptado< http://www.aprendemos.com.br/genes-e-divisao-celular-a-duplicacao-do-dna-e-a-transmissao-das-
informacoes-geneticas.html >Acesso em jan 2012)
Genes contêm a informação para construir e manter as células de um organismo e
passar traços genéticos para a prole. Todos os organismos têm muitos genes correspondentes
às várias características biológicas, algumas das quais são imediatamente visíveis, tais como
cor dos olhos ou o número de membros, e alguns dos quais não são, como tipo de sangue ou
risco aumentado para doenças específicas, ou os milhares de processos bioquímicos básicos
que compõem a vida.
14
FIGURA 7: Gene
(< http://www.dna-sequencing-service.com/dna-sequencing/gene-dna/ >Acesso em jan 2012)
Um gene é a instrução básica, uma seqüência de ácidos nucléicos (DNA ou, no caso
de certos vírus RNA), enquanto que um alelo é uma variante daquele gene. O DNA contém
também outros segmentos ou sequências que apresentam uma função puramente regulatória.
Esses segmentos regulatórios fornecem sinais que podem denotar o início ou o fim dos genes,
influênciar a transcrição de genes ou funcionar como pontos de início ou parada da replicação,
ou recombinação (NELSON, 2002).
A molécula de DNA pode sofrer danos endógenos que são devidos a ataques pelas
espécies reativas de oxigênio, produzidas a partir do metabolismo, ou danos exógenos
provocados por diversos fatores tais como: toxinas, poluição ambiental, stress oxidativo e
pelas radiações, foco deste trabalho. Os danos podem ser classificados pelo tipo:
Perda de base
Clivagem da ligação de hidrogênio entre as bases
Quebra de uma fita da molécula de DNA
Quebra de ambas as fitas da molécula de DNA
Os danos podem ser reparados através de determinados mecanismos. Em caso de não
ocorrer o reparo, as mudanças podem resultar em mutações, cujos efeitos podem ser negativos
ou positivos sobre o código genético. O número de mutações aumenta com o aumento da
exposição à radiação. Em baixas doses de exposição, as quebras de fita simples são mais
comuns, e podem ser reparadas pela junção dos componentes quebrados na ordem original.
Com elevadas doses, no entanto, pode ocorrer quebra dupla da fita do DNA o que diminui as
chances de reparo (GOPAL, 2002).
15
4.2.3 Efeito Bystander
Diversos estudos radiobiológicos durante as últimas duas décadas têm desafiado
profundamente o dogma clássico da radiobiologia pelo qual efeitos da radiação só seriam
observados apenas em células que sofreram irradiação, ou em suas descendentes, mediante
danos genéticos produzidos diretamente por deposição de energia no DNA. Atualmente, há
evidências convincentes que sugerem que quando uma população de células é exposta à
radiação ionizante, efeitos biológicos ocorrem em uma proporção maior de células que são
realmente atingidas (NAGASAWA; LITLLE, 1992). Até o presente, existem duas maneiras
de se identificar o efeito bystander. A partir de um aparato experimental, denominado micro
feixe, com o qual se tem controle em relação à célula ou à organela que recebeu a radiação, ou
através da transferência do meio de cultura de células irradiadas para células não irradiadas.
Estudos de micro feixe mostraram sem equívocos que células bystander, respondem com
mudanças na expressão gênica, formação de micronúcleos, aberrações cromossômicas,
mutações e morte da célula (PRISE ET AL, 1998). Posteriormente, experimentos de
transferência de meio irradiado (ICCM), também puderam confirmar tais efeitos e sugerir sua
ação por fatores liberados pelas células irradiadas e comunicadas às suas vizinhas
(MOTHERSILL; SEYMOUR, 1997). Tal fenômeno passou a ser denominado efeito
bystander das radiações ionizantes.
Sugere-se que as células irradiadas secretam moléculas no meio capaz de matar outras
células, o que não ocorre quando o meio é irradiado na ausência de células (MOTHERSILL;
SEYMOUR, 1997, 1998, 2000, 2001). No entanto, nem todos os tipos de células são capazes
de produzir um fator de sinalização, nem todas as células possuem a mesma sensibilidade a
esses sinais (MOTHERSILL; SEYMOUR, 1997, 1998, 2001). Além disso, mesmo em
populações que estes efeitos são induzidos, nem todas as células respondem ao sinal
apresentando o efeito (MORGAN, 2007).
A razão pela qual a natureza dos efeitos bystander e os seus mecanismos permanecem
ainda desconhecidos tanto tempo após a sua observação inicial é complexa. Os resultados
experimentais rapidamente confirmaram que uma ampla gama de efeitos pode ser
demonstrada em células não irradiadas que tinham estado em comunicação com células
irradiadas, ou meio com células irradiadas. Como resultados de danos provocados pelo efeito
16
bystander podemos citar: troca de cromátides irmãs, aberrações cromossômicas, apoptose,
formação de micronúcleos, transformações neoplásicas, mutações, mudanças na expressão
gênica, mudanças no ciclo celular, instabilidade genética, proliferação e diferenciação. Assim,
o efeito bystander tornou-se parte integrante de quaisquer pontos finais biológicos; os efeitos
bystander podem ser prejudiciais (MOTHERSILL; SEYMOUR, 1997), de proteção (IYER,
2000), ou de consequências indeterminadas (ILNYTSKYY, 2009).
4.3 Sistemas complexos
Os organismos vivos são constituídos por milhões de células que em conjunto
desempenham tarefas de grande complexidade. Embora cada célula tenha uma estrutura
interna que obedece às leis da química e da bioquímica, é a interação entre células próximas
que gera todos aqueles fenômenos que designamos vida.
Tomando o cérebro como exemplo, este é constituído por pequenas células, os
neurônios. Cada neurônio tem uma estrutura interna constituída por um núcleo celular,
membrana e diversas outras estruturas, que por sua vez são constituídas por moléculas e
átomos. Todos os neurônios têm estrutura semelhante, e reagem de forma semelhante a um
determinado estímulo. Entretanto apenas os detalhes químicos e físicos não são suficientes
para explicar as funções do cérebro, pois ele é um sistema complexo, uma vez que existem
efeitos coletivos associados ao comportamento global (DILÃO, 1993). Outro exemplo de
sistema complexo com efeitos coletivos é um gás no interior de um recipiente. O estado
macroscópico do gás é completamente especificado pela pressão, temperatura e volume, e não
depende das características internas dos seus átomos. Neste caso, o comportamento global não
depende dos comportamentos individuais, mas sim das interações que se geram. Se alguns
movimentos se atenuam ao fim de algum tempo, outros se propagam e transformam-se no
resultado observável do comportamento coletivo.
Na investigação de um fenômeno, alguns problemas enfrentados para solução deste é a
capacidade de cálculo muito pequena, e a dificuldade ou impossibilidade de se reproduzir o
fenômeno em laboratório, como por exemplo, a atmosfera terrestre. Não é possível reproduzir
a atmosfera em laboratório e impraticável executar cálculos para todas as suas moléculas.
Diante dessa situação, a abordagem mais simples para o estudo destes e de outros fenômenos
17
coletivos consiste em simplificar a estrutura dos sistemas, construindo uma linguagem
adaptada para sua descrição. Nesse contexto surge o autômato celular como alternativa para
se estudar tais fenômenos.
4.4 Automato celular
4.4.1 Definição
Os Autômatos celulares são modelos que podem ser usados para a representação de
sistemas físicos, nos quais o espaço e o tempo são valores discretos e as quantidades físicas
assumem uma quantidade finita de valores discretos, tais como a proliferação de células
cancerígenas, uma rede neural, os ecossistemas (MARTINS, 2010). São de grande auxílio
para o estudo de sistemas que possuem fenômenos coletivos, como quebra de simetria, caos,
ordenamento de fases e turbulência, tendo muitas aplicações na simulação de sistemas
biológicos (processos de reprodução), fenômenos físicos (difusão) e sistemas sociais
(formação de comunidades) dentre outras, por apresentarem a formação de padrões espaciais
e temporais (DOMINGOS, 2006) .
Em um autômato as variáveis se manterão inalteradas durante certos intervalos de
tempo e mudarão seus valores somente em momentos bem definidos chamados passos de
tempo. O autômato celular é uma rede uniforme regular, ou arranjo (Figura 7), usualmente
infinita no tempo, com uma variável discreta em cada célula (sítio).
FIGURA 8: Rede de células de um autômato celular. Na figura estão representados dois estados diferentes
através das cores de preenchimento da célula
(Adaptado<http://www.modelab.ufes.br/automato> Acesso jan 2012)
18
O estado de um autômato celular é especificado pelos valores das variáveis em cada
sítio e esse autômato celular evoluirá com o passo de tempo, segundo uma determinada regra,
fazendo com que os valores dos sítios sejam atualizados simultaneamente dependendo das
suas configurações iniciais (Figura 8).
FIGURA 9: Modelo de Greenber-Hasting, regras e evolução durante o tempo
(Adaptado de CASTRO, 2008).
4.4.2 Desenvolvimento dos Autômatos Celulares
Os autômatos celulares começaram a ser estudados na década de 1940 pelo
matemático John Von Neumann (CHOPARD; DROZ, 1998). Influenciado pelas ideias de
Stanislaw Ulam, que estudava a formação de cristais por meio de um modelo de um conjunto
de células, Neumann passou a usar esse tipo de modelo em seu trabalho. Surgia então o
autômato, como uma tentativa de modelar sistemas biológicos auto-reprodutivos, ou seja,
capazes de criar cópias de si mesmo. A principal questão abordada por Neumann durante seu
trabalho era: que tipo de organização lógica é suficiente para um autômato ser capaz de
reproduzir a si próprio? O seu objetivo então foi desenvolver regras matemáticas que
simulassem os princípios evolutivos da natureza. Essas regras seriam idênticas para todos os
19
elementos de um sistema, deveriam partir de uma configuração inicial aleatória e cada
componente do seu sistema passaria por uma evolução que sofreria influência direta de seus
vizinhos e do conjunto de regras, até chegar a sua auto-reprodução.
O autômato celular mais conhecido chamado Jogo da vida, surgiu em 1968. Este
consiste em um autômato celular bidimensional e foi criado por John Conway (CALLAHAN,
2012). O objetivo de Conway era projetar um conjunto de regras matemáticas simples
capazes de gerar padrões complexos de vida, mostrando como um conjunto de regras básicas
pode orientar um sistema complexo (MARTINS, 2010). Essas regras simples definem o
nascimento, a sobrevivência ou a morte das células. Cada célula pode apresentar dois estados:
vivo ou morto. As regras para o Jogo da Vida são:
- Sobrevivência: Cada célula viva que tenha duas ou três células adjacentes
vivas continuará viva na próxima geração.
- Nascimento: Cada célula morta com exatamente três células adjacentes
vivas nasce na próxima geração.
- Morte: Cada célula viva com quatro ou mais células adjacentes vivas
morrerá por sufocamento (excesso de densidade populacional).
A partir da década de 1960, foi estabelecida uma relação entre computadores paralelos
e Autômatos Celulares. Com o advento da tecnologia VLSI² (Very Large Scale Integration -
second generation) na década de 1970, tornou-se possível a construção de vetores
unidimensionais de grandes dimensões de forma independente, representando um grande
avanço, que durou até a chegada da tecnologia VSLI³, tornando as simulações de autômatos
celulares mais facilmente programáveis (CASTRO 2008).
Na década de 1980, Stephen Wolfram publicou os primeiros trabalhos investigando
autômatos celulares mais básicos com grau de liberdade binário, ou seja, a variável poderia
assumir valores 1 e 0. Nestes, ao longo do tempo (discreto) uma nova linha era criada e cada
célula tinha seu valor dependente das células vizinhas na linha anterior.
Os autômatos celulares foram introduzidos e utilizados para outros tipos de
idealização e chamados por diversos outros nomes, como: mosaico autômato, estruturas
homogêneas, estruturas de mosaico, arranjos interativos, entre outros. Rudy Rucker (2006)
20
expandiu as teorias de Wolfram para uma teoria do Automatismo Universal, No seu livro
“The Lifebox, The Seashell and The Soul”, o autor usa os autômatos celulares como um
modelo para explicar como regras simples podem gerar resultados complexos. Segundo esta
teoria, tudo que existe no universo (o tempo meteorológico, a forma das folhas das árvores ou
dos continentes, o movimento das estrelas, os processos da mente, e outros mais) tem por base
algoritmos simples capazes de gerar a complexidade que vemos nos mundos da física,
biologia, sociedade, cultura e até da psicologia.
4.4.3 Características de um Autômato Celular
4.4.3.1 Classes de Autômato
Segundo Wolfran (1984a, 1984b), existem quatro classes que definem como os sítios
evoluem de acordo com as regras utilizadas a partir das configurações iniciais que podem ser
classificadas também de acordo com a distância de Hamming (MARTINS, 2010). A distância
de Hamming é um diagnóstico utilizado para detecção e correção de erros em comunicação
digital que pode ser definido como o número de bits que são diferentes entre os dois vetores
de bits, ou seja, a distância de Hamming é a razão entre a diferença dos números de sítios em
dois passos de tempo pelo número total de sítios.
Os Autômatos podem ser classificados como:
• Classe I: Estado homogêneo. Nessa classe os sítios do autômato celular chegarão a
um mesmo estado (valor) após um número finito de iterações, ou seja, atingirão um estado
homogêneo. A distância de Hamming para esse caso desaparece com o passar do tempo
(Figura 9).
21
FIGURA 10: Estado homogêneo (TILEBEIN, 2006).
• Classe II: Estável simples ou limite periódico. O autômato celular chega a um estado
estável e periódico onde nem todos os sítios possuirão os mesmos valores e criarão imagens
que se repetem com a evolução temporal. Nesse caso, a distância de Hamming permanece
pequena e constante no tempo (Figura 10).
FIGURA 11: Estado periódico (TILEBEIN, 2006).
• Classe III: Padrão irregular. Neste caso a evolução temporal tende a um estado não
periódico, que não possui padrão reconhecível e a distância de Hamming cresce rapidamente
com o tempo, atingindo um valor de equilíbrio geralmente alto (Figura 11).
22
FIGURA 12: Estado irregular (TILEBEIN, 2006).
• Classe VI: Estrutura complexa. Neste caso, ocorre à geração de estruturas complexas
que evoluem de forma imprevisível e a distância de Hamming apresenta um longo período
transiente até que atinge o seu valor de equilíbrio (Figura 12).
FIGURA 13: Estrutura Complexa (TILEBEIN, 2006).
4.4.3.2 Raio da Regra
O raio da regra (r) informa o número de vizinhos adjacentes relacionados com um
sítio. Por exemplo, para um autômato celular unidimensional (r = 1), a vizinhança será
constituída pelo próprio sítio, pelo sítio da esquerda e pelo sítio da direita. Isso pode ser
representado pelos índices: (i – 1), (i) e (i + 1) (Figura 13), sendo i a posição do sítio
observado. Os valores de r devem ser maiores ou iguais a 1.
23
FIGURA 14: Vizinhança de autômato unidimensional. O elemento em questão possui uma posição i, enquanto
seus vizinhos à direita i+1 e a esquerda i-1 (MARTINS, 2010)
Dependendo da regra utilizada os estados do sítio (e) também podem variar. Os
estados são representados por números ou propriedades. Por exemplo, num caso simples onde
os sítios assumem valores binários (0 ou 1), e = 2. Se e = 3, os estados apresentam três
valores distintos, por exemplo: 0, 1 e 2. Os valores de e devem ser maiores que 1.
4.4.3.3 Efeito de Borda
Um autômato apresenta um número finito de sítios, e com a evolução do sistema,
ocorre algo chamado efeito de borda (PFEIFER et al., 2000). Essa situação ocorre devido à
inexistência de vizinhos nas bordas, onde surgem três formas de resolver o problema:
• Considerar a estrutura do autômato como periódica, ou seja, o último elemento é
vizinho do primeiro, e vice versa (Figura 14);
FIGURA 15: Estrutura de um autômato celular quando considerado uma estrutura periódica
(MARTINS, 2010)
24
• Considerar a existência de sítios “invisíveis” ao redor da grade com estados
predefinidos. Na figura 15 as bordas possuem um estado “cinza” previamente definido;
FIGURA 16: Representação dos sítios invisíveis no limite fixo (MARTINS, 2010)
• Assumir que os sítios da borda são refletidos internamente na grade (figura 16).
FIGURA 17: Representação dos sítios refletidos internamente na grade (MARTINS, 2010)
25
4.4.3.4 Geometria
Para um sistema de Autômatos Celulares a forma de cada célula e como elas são
distribuídas caracterizam a geometria do Autômato Celular. Para um sistema de Autômatos
Celulares, é necessário que se tenha uma geometria regular, ou seja, todas as células devem
possuir o mesmo tamanho e estar dispostas em linha ou em linhas e colunas.
4.4.3.5 Formato
As células podem assumir diferentes formas (triangular, quadrangular, hexagonal)
mediante a necessidade do modelo. Mas num mesmo sistema todas as células devem assumir
a mesma forma (Figura 17).
FIGURA 18: Diferentes geometrias para um autômato (Adaptado de GREMONINI, 2008)
4.4.3.6 Dimensões
Autômatos Celulares podem ser construídos com uma (1-D) ou mais dimensões (n-D),
sendo n um inteiro positivo. O número de dimensões implicará no número de vizinhos, bem
como na construção das regras de evolução do sistema (Figura 18).
26
FIGURA 19: Representação Unidimensional (1D), Bidimensional (2D) e Tridimensional (3D) de um sistema de
Autômatos Celulares (Adaptado de GREMONINI,2008)
4.4.3.7 Tipos de Vizinhança
Para autômatos celulares que constituem uma grade bidimensional, existem vários
tipos de vizinhança, as quais podem ser definidas de acordo com o raio de ação da regra. Por
exemplo:
• Vizinhança de Neumann: consiste dos vizinhos adjacentes abaixo, acima, à esquerda
e a direita de um sítio (figura 19). Por exemplo, se (i, j) é o índice da posição de um sítio
observado na grade, seus vizinhos possuem os seguintes índices: (i, j-1), (i, j+1), (i-1, j), (i+1,
j);
FIGURA 20: Vizinhança de Neumann (Adaptado de GREMONINI, 2008)
27
• Vizinhança de Moore: consiste de oito vizinhos (figura 20) adjacentes cujos índices
de posição são: (i-1, j-1), (i, j-1), (i+1, j-1), (i-1, j), (i+1, j), (i-1, j+1), (i, j+1) e (i+1, j+1). A
vizinhança de Moore estendida é composta pelos vizinhos adjacentes aos oito.
FIGURA 21: Vizinhança de Moore (Adaptado de GREMONINI, 2008)
• Vizinhança Aleatória: Na vizinhança aleatória, as células ficam espalhadas pela
grade de forma não ordenada. os sítios considerados como vizinhos consistem em uma
condição inicial sorteada de forma aleatória. São geralmente utilizados em situações onde a
comunicação entre dois sítios distantes pode ocorrer independente da distância entre eles
(figura 21).
FIGURA 22: Vizinhança Aleatória ( Adaptado de GREMONINI, 2008)
28
4.4.3.8 Tipos de Regra
As regras dependem do estado da célula observada e das células vizinhas e podem ser
determinísticas ou não-determinísticas (estocásticas). As regras determinísticas baseiam-se
apenas nos estados de seus vizinhos para determinar o novo estado de uma célula. As regras
não determinísticas são menos comuns, e definem o próximo estado da célula com base em
uma função de probabilidade. Estes autômatos celulares probabilísticos são sistemas descritos
por um conjunto de variáveis discretas definidas em uma rede, onde os estados de cada sítio
são atualizados de forma síncrona e que obedecem a regras probabilísticas, que por sua vez
também dependem do estado de seus vizinhos no passo de tempo anterior (FERREIRA,
2009).
4.5 Técnica Monte Carlo
Durante a 2ª guerra mundial, uma equipe de cientistas, engenheiros e técnicos
trabalhavam com o primeiro computador eletrônico, ENIAC (Electronic Numerical Integrator
and Computer) da Universidade da Pensilvânia, na Filadélfia. Seus mentores foram o
engenheiro Presper Eckert e o físico, John Mauchly, que familiarizados com contadores
Geiger em laboratórios de física, perceberam que se os circuitos eletrônicos podem contar
então eles poderiam fazer contas e, portanto, resolver equações a velocidades muito altas para
a época.
Em sua visita ao Laboratório da Universidade da Pensilvânia, Stanislaw Ulam
conheceu os computadores eletromecânicos utilizados para estudos de implosão e ficou
impressionado com a velocidade e versatilidade do ENIAC. Stanislaw verificou que as
técnicas de amostragem estatística, conhecidas há séculos, estavam em desuso por causa da
grande quantidade de cálculos manuais. Com o desenvolvimento do ENIAC e suas
aplicações, ocorreu a Stanislaw que estudos destas técnicas deveriam ser reiniciados, e
discutiu a ideia com John Von Neumann.
Neumann percebeu a relevância da sugestão de Ulam e, em 1947, enviou uma carta
manuscrita para Robert Richtmyer, o líder da Divisão Teórica ("Stan Ulam, John Von
29
Neumann, Monte Carlo Method"). Sua carta incluía um esboço detalhado de uma possível
abordagem estatística para resolver o problema da difusão de nêutrons em material físsil.
Nessa época Nicholas Constantine Metropolis sugeriu um nome para o método
estatístico. Sua sugestão estava relacionada com o fato de Stanislaw ter um tio que pedia
dinheiro emprestado a parentes, porque ele dizia que "só tinha que ir para Monte Carlo" (“just
had to go to Monte Carlo”), conhecida como a capital dos jogos de azar e pelo fato das
simulações executadas por esse método estarem baseadas em eventos que ocorrem
aleatoriamente e são similares aos dos jogos de azar (YORIYAZ, 2009; METROPOLIS,
1987).
Hoje a Técnica Monte Carlo é aplicada em diversas áreas da pesquisa e tornou-se uma
ferramenta matemática comumente utilizada para simular problemas que podem ser
representados por processos estocásticos (YORIYAZ, 2009; VIEIRA, 2001).
4.6 Modelos matemáticos e simulação computacional do Efeito Bystander
A partir da descrição do efeito bystander surgiram várias tentativas de se estabelecer
modelos para estudar o efeito. Uma dessas tentativas foi feita por Brenner (2001) com o BaD
(Bystander and Direct) model . Este modelo analisou os danos radiobiológicos nas células
diretamente irradiadas e nas bystander. Nos anos seguintes o modelo foi aperfeiçoado para
tratar sobre a carcinogênese humana (BRENNER; 2002, 2003).
Nikjoo (2003) construiu um modelo para micro feixe, bastante similar ao modelo BaD,
mas se diferenciando por considerar que os danos celulares se originam de sinais específicos
de caráter protéico. Esse sinal bystander, se difunde no meio por movimento browniano, e
pode provocar a morte celular e transformações oncogênicas.
Mais tarde, em uma análise mais extensa de dados, Litlle (2004) mostrou que o ajuste
do modelo de Brenner poderia melhorar sua precisão se um período de latência maior fosse
considerado (cinco ou seis anos). O ajuste do modelo de Little é equivalente ao de um modelo
de risco relativo, que é o risco de um evento (ou de desenvolver uma doença) relativo à
exposição.
30
Em 2005 um novo modelo estocástico é desenvolvido utilizando a técnica Monte
Carlo, levando em conta a localização espacial, a morte das células e o repovoamento. A dose
de radiação ionizante e o tempo-resposta deste modelo são explorados (LITLLE, 2005).
Baseado em um modelo de crescimento tumoral e irradiação direta um modelo é
desenvolvido onde a hipersensibilidade em baixas doses e o efeito bystander são considerados
(RICHARD, 2007; 2009). Neste modelo foi utilizado um autômato celular para simular a
difusão da glicose e para descrever o crescimento celular. As fases do ciclo celular com
relação aos efeitos da radiação não foram consideradas, sendo utilizadas apenas para
descrever a multiplicação celular.
Outro modelo proposto utilizando técnicas de Monte Carlo descreve o efeito bystander
como uma sequência de dois processos distintos: desencadeamento de emissão do sinal a
partir de células irradiadas e resposta das células bystander (FAKIR, 2009). Neste modelo, as
células que receberam os sinais podem apresentar efeitos tardios e se proliferar. O modelo
enfatiza a dependência da dose para ocorrência dos efeitos e sugere que o crescimento do
meio deve ter aproximadamente o mesmo efeito de uma redução moderada da fração de
células irradiadas.
A partir de um ponto de vista sistêmico, Mariotti (2010), investiga possíveis
mecanismos do efeito bystander a partir da liberação dos sinais das células irradiadas e sua
difusão. Neste estudo, as células não estavam em contato próximo, o que faz com que a
comunicação entre as células não desempenhe um papel significativo. Em particular, são
investigados os mecanismos de liberação de citocinas e sua modulação após exposição à
radiação ionizante através de equações diferenciais e técnica Monte Carlo.
31
5. MATERIAIS E MÉTODOS
Neste trabalho, um modelo computacional foi desenvolvido para o estudo do efeito
bystander induzido por radiação baseado nos experimentos de ICCM. Este modelo descreve o
efeito como um sistema complexo, onde foi empregado o uso de Autômato Celular e Técnica
Monte Carlo.
O modelo toma foco nas interações posteriores à transferência de meio e se preocupa
com a recepção e re-emissão dos sinais bystander, considerando fatores de perda de atividade
do sinal e ação de mecanismos de reparo.
O modelo é capaz de simular a transmissão dos sinais bystander via meio intracelular,
e via junções celulares. O modelo consiste em um autômato celular bidimensional, formado
por duas redes, onde, a primeira representa a matriz celular e a segunda o meio em que as
células estão imersas (Figura 22).
FIGURA 23: Representações do autômato desenvolvido
Cada sítio da matriz representa um volume nas proximidades da célula, dentro de uma
região onde o sinal pode interagir com a célula. Um sinal localizado dentro desse raio de
interação pode interagir apenas com a célula localizada dentro do sítio. Cada sítio da matriz
celular pode conter apenas uma célula ou estar vazio, possibilitando ser ocupado em um novo
passo de tempo por uma nova célula (Figura 23).
32
FIGURA 24: Multiplicação celular no modelo
Adotou-se o uso de sítios quadrangulares, obedecendo à relação de vizinhança de
Moore, onde são considerados como vizinhos os oito sítios adjacentes ao sítio em questão. A
figura 24 mostra os estados que podem ser assumidos pelos sítios: célula saudável, célula que
recebeu o sinal bystander, célula morta, célula irradiada e ausência de célula (espaço vazio).
FIGURA 25: Estados adotados no modelo
As transições de estado das células podem ocorrer não apenas em função do efeito
bystander. As células podem se multiplicar ou morrer, em função da competição por espaço e
por nutrientes. Uma melhor discussão dos parâmetros estocásticos relacionados às transições
de estado é feita no Apêndice A.
No momento inicial da simulação as células são distribuídas na rede de forma
aleatória, bem como os sinais bystander. É possível então reproduzir diferentes geometrias,
variar a densidade celular da cultura e também variar as linhagens que se deseja simular. Com
a intenção de simular as influências da densidade celular optou-se por criar uma imensa rede
de 103 x 10
3, contabilizando um total de 10
6 sítios.
33
As mudanças de estado das células são ilustradas de acordo com a figura 25. Após a
irradiação (1), que dura um tempo T0, as células ficam em repouso por um tempo T1
(conhecido como tempo de pós-irradiação) e após esse período (2), é realizada a transferência
de meio. Foi chamado de T2 o tempo de medida dos efeitos após transferência de meio, ou
mais conhecido como tempo de resgate.
FIGURA 26: Mudanças de estado permitidos no modelo.
O número de sinais é obtido através de funções de probabilidade em função da dose
recebida pela cultura doadora. Cada um dos sinais gerados pode perder sua capacidade de
interação ao longo do tempo. A meia vida do sinal bystander depende de vários fatores.
Os sinais se movem livremente pelo meio intracelular, tendo seu movimento simulado
utilizando a técnica Monte Carlo. Estes podem interagir com as células da cultura receptora
do meio proveniente das células irradiadas (3). Quando um sinal interage com uma célula ele
desaparece da rede e a célula passa a ser uma célula sinalizada (4).
As mudanças de estado das células são realizadas por técnica Monte Carlo. Após a
recepção do sinal, segundo Schettino et al.(2003), uma célula que recebeu o sinal pode se
tornar uma fonte secundária que provoca uma reação em cadeia. As células uma vez
recebendo o sinal apresentam a possibilidade de gerar novos sinais bystander e os transmitir
às células vizinhas por junções celulares (6), ou liberá-los no meio intracelular (5). Ao final
de cada passo de tempo da simulação é possível observar o número de sinais absorvidos e
34
gerados pelas células. A probabilidade de uma célula receber um sinal de uma célula vizinha
cresce com o aumento do número de células sinalizadas em sua vizinhança.
Uma célula que recebeu o sinal bystander pode evoluir para duas situações ao longo
do tempo (7). Na primeira a célula pode voltar ao seu estado original, admitindo que ela
possua a capacidade de inativar o sinal bystander ou se reparar dos danos. Na segunda
situação a célula pode morrer em virtude dos danos. Neste caso, ela pode se soltar da placa de
cultura (8), liberando espaço na rede para que uma nova célula ocupe o seu lugar.
Mesmo nas populações que induzem esses efeitos, não são todas as células que
respondem ao sinal e manifestam o efeito (MORGAN, 2007).
As simulações com o modelo foram realizadas de modo a obter resultados e compará-
los com os obtidos experimentalmente por Mothersill e Seymour (1997, 1998, 2000). Nestes
trabalhos as porcentagens de morte clonogênica causadas por efeito bystander foram
avaliadas. Foi usada a linhagem celular de queratinócitos, em que o sinal se mantém ativo por
mais de 60 horas após a irradiação (MOTHERSILL; SEYMOUR, 1997).
A linhagem HaCaT tem potencial de crescimento ilimitado, mas ao contrário de outras
linhagens de células imortais, ela não é tumorigênica. Isso significa que elas crescem de
forma ordenada e retém todas as características estruturais e funcionais da pele humana
(BOUKAMP et al. 2007) além disso, as células HaCaT demonstram boa comunicação
intercelular via junção gap (canais aquosos que se formam entre células adjacentes em tecidos
de organismos multicelulares que permitem a passagem de pequenas moléculas entre elas.
São construídas por proteínas transmembrânicas de nome conexina, que se unem para formar
o canal), o que é um fator importante no estudo do efeito bystander (MOTHERSILL;
SEYMOUR, 2000).
Na Figura 26 vemos a divisão celular da HaCaT, os núcleos, que contêm a informação
genética da célula, estão em vermelho e os fios amarelos são os microtúbulos envolvidos na
divisão celular (SCIENCE PHOTO LIBRARY).
35
FIGURA 27: Células HaCaT. Microfotografia luz da mitose de duas células-filhas
(<http://www.sciencephoto.com/media/214560/enlarge> Acesso jan 2012)
5.1 Descrição Computacional
O Efeito Bystander por Autômato Celular e Monte Carlo é um modelo que pode ser
descrito por uma função Γ=(G,S,N,Π), onde:
· G é uma função composta por Gcell e Gmeio, ambas com dimensões ix × jy.
· S é uma função composta por Scell e Smeio sendo que:
Scell = {0, 1, 2, 3} são os estados assumidos pelas células, onde 0 representa a
célula morta, 1 representa a célula viva, 2 representa a célula sinalizada e 3
representa o espaço na rede.
Smeio = {0, 1} são os estados assumidos pelos sinais, onde 0 representa o sinal
inativo e 1 o sinal ativo.
· Para todos os sítios, definimos a vizinhança N(i,j), ou seja, para todas as células
usamos a vizinhança de Neumann para determinar suas vizinhas.
· Π(N(i,j)) atualiza o sistema de acordo com as regras de transição.
As regras de transição entre estados para a rede de células são descritas a seguir,
sabendo-se que F(x) é a função de estados, x é uma variável aleatória e x pertence [0,1]:
36
a) Seja um sítio (i,j) no estado F(x)=1. Se sítio (i,j) recebe um sinal, então F(x) 2,
se e somente se, x ≤ p(x) onde p(x) é a probabilidade de interação do sinal com a
célula.
b) Seja um sítio (i,j) no estado F(x)=1. Se sítio (i,j) recebe um sinal, então F(x) 2,
se e somente se, x ≤ pv(x), onde pv(x) é a probabilidade de recepção e interação do
sinal proveniente de cada uma das células vizinhas sinalizadas.
c) Seja um sítio (i,j) no estado F(x)=1. Se sítio (i,j) morre, então F(x) 0, se e
somente se, x ≤ pmc(x), onde pmc(x) é a probabilidade da morte de uma célula por
competição. pm(x) é uma função proporcional ao número de vizinhos vivos nos
estados F(x)=1 ou F(x)=2.
d) Seja um sítio (i,j) no estado F(x)=1. Se sítio (i,j) morre, então F(x) 0, se o
número de vizinhos de sítio(i,j) < 3 e x ≤ pmi(x), onde pmi(x) é a probabilidade da
morte de uma célula por isolamento.
e) Seja um sítio (i,j) no estado F(x)=2. Se sítio (i,j) morre, então F(x) 0, se e
somente se, x ≤ pms(x), onde pms(x) é a probabilidade de morte por sinal
bystander.
f) Seja um sítio (i,j) no estado F(x)=2. Se sítio (i,j) se repara, então F(x) 1, se e
somente se, x ≤ pr(x), onde pr(x) é a probabilidade de reparo celular dos efeitos do
sinal bystander.
g) Seja um sítio (i,j) no estado F(x)=2. Se sítio (i,j) libera um novo sinal, então é
acrescentado no sistema um sinal (n + 1) no estado F(x) 1, com posição (i,j), se
e somente se, x ≤ pre(x), onde pre(x) é a probabilidade de re-emissão de sinais
bystander.
h) Seja um sítio (i,j) no estado F(x)=0. Se sítio (i,j) se solta da cultura, então F(x)
3, se e somente se, x ≤ ps(x), onde ps(x) é a probabilidade de uma célula morta se
soltar da cultura.
As regras de transição entre estados para a rede de sinais são descritas a seguir:
a) Seja um sinal (n), com posição (i,j) no estado F(x)=1, Se sinal(n) é absorvido por
uma célula, então F(x) 0.
37
b) Seja um sinal (n), com posição (i,j) no estado F(x)=1. Se sinal(n) se torna inativo,
então F(x) 0, se e somente se, x ≤ pa(x), onde pa(x) é a probabilidade inativação
do sinal.
c) Seja um sinal (n), com posição (i,j) no estado F(x)=1. Se sinal(n) muda de posição
(i,j), onde i pode assumir os valores i-1, i, i+1 e j, os valores j-1, j e j+1, segundo
uma variável aleatória, x pertence [0,1].
5.2 Recursos computacionais
A lógica foi implementada através de um programa escrito em linguagem C mostrada
no Apêndice B.
O gerador de números aleatórios UNI de MARSAGLIA, foi escolhido para as
simulações do trabalho por ter passado em todos os testes do DIEHARD de (Marsaglia,
2011).
As simulações foram executadas em um XPS 8300 Intel® Core™ i7 quad-core, no
sistema operacional Windows® 7. Os dados foram analisados com o software Origin v7.5 e
Microsoft Office Excel 2010.
Alguns parâmetros de teste do programa e tempos esperados de simulação estão
disponíveis no Apêndice C.
38
6. RESULTADOS E DISCUSSÕES
Nesse trabalho, foi construído um modelo cujos resultados foram comparados aos
resultados experimentais de três trabalhos (MOTHERSILL; SEYMOUR, 1997, 1998, 2000),
variando-se diversos parâmetros, tais como, densidade celular, doses e tempos.
Para a validação do modelo computacional foram utilizadas as curvas experimentais
de sobrevivência em função da dose e em função do tempo. Os resultados encontrados são
valores médios de simulações executadas para diferentes sementes do gerador de números
aleatórios, mantendo-se as mesmas configurações do sistema simulado.
Ao calibrar as simulações, definimos os parâmetros livres para um determinado valor
de referência para a linhagem estudada. Para cada valor de dose foi encontrado um valor
correspondente ao número médio de sinais para obter a mesma fração de sobreviventes
encontrada na literatura. A partir do modelo calibrado estimamos o valor médio de sinais
liberados pela cultura irradiada, os valores estão entre 3 e 5 sinais por célula.
6.1 Dose Resposta
As primeiras simulações executados com o objetivo de calibrar o modelo se basearam
no trabalho de Mothersill e Seymour (1997). Seguindo o trabalho experimental, utilizou-se a
densidade de 5x104 células por placa tanto para a cultura irradiada como para a cultura de
células bystander, ou seja, a cultura que recebeu o ICCM. Os valores de dose variaram entre
0,5 e 10 Gy. Os resultados médios das simulações executadas e dos resultados experimentais
podem ser observados e comparados na figura 27.
39
FIGURA 28: Gráfico dose-resposta para a cultura bystander, onde a fração de sobrevivência está em função da
dose recebida pela cultura irradiada.
Comparando os resultados das simulações com os dados experimentais mostrados na
Figura 27, há uma excelente concordância entre eles, com um desvio padrão inferior a ± 0,3
(TAB. 2).
Tabela 3. Desvio padrão dos valores obtidos na simulação
Dose (Gy) Experimental (%) Simulação (%) Desvio Padrão da
Simulação
0 100 100 0,0
0,5 73,2 73,5 0,2
2 78,6 78,5 0,2
5 69,5 69,2 0,3
10 69,3 69,1 0,2
A segunda bateria de simulações reproduz os resultados experimentais obtidos por
Mothersill e Seymour (2000), onde culturas com densidade de 2x105 células/placa de outra
linhagem de queratinócitos foram irradiadas e as células bystander foram plaqueadas com
densidade de 5x102 células/placa. Os valores de dose variaram entre 0,01 Gy a 5,0 Gy. A
região de dose abaixo de 0,5 Gy foi mais estudada. Os resultados médios podem ser
observados na figura 28.
60
65
70
75
80
85
90
95
100
0 2 4 6 8 10
Fraç
ão d
e S
ob
revi
ven
tes
(%)
Dose (Gy)
Dose-Resposta para 5x104 células/placa
Mothersill e Seymour 1997
Simulações
40
FIGURA 29: Gráfico dose-resposta para a cultura bystander, onde a fração de sobrevivência está em função da
dose recebida pela cultura irradiada.
A figura 29 apresenta os mesmos resultados que a anterior, porém dando ênfase à
região de baixas doses.
FIGURA 30: Fração de sobrevivência em função da dose recebida pela cultura irradiada na região de dose abixo
de 1Gy.
40
50
60
70
80
90
100
110
0 1 2 3 4 5
Fraç
ão d
e S
ob
revi
ven
tes
(%)
Dose (Gy)
Dose-Resposta para 2x105 células/placa irradiada e 5x102 células/placa bystander
Mothersill e Seymour 2000
Simulações
40
50
60
70
80
90
100
110
0 0,2 0,4 0,6 0,8 1
Fraç
ão d
e S
ob
revi
ven
tes
(%)
Dose (Gy)
Dose-Resposta para 2x105 células/placa irradiada e 5x102 células/placa bystander abaixo de 1Gy
Mothersill e Seymour 2000
Simulações
41
Comparando os resultados das simulações com os dados experimentais mostrados na
Figura 28, também há concordância entre eles sendo o desvio padrão inferior a 0,3. Isso
indica que o modelo desenvolvido é capaz de reproduzir com boa faixa de segurança os
resultados experimentais apresentados na literatura.
Nos dois trabalhos experimentais de Mothersill (1997, 2000) e nas simulações, pode se
observar um comportamento semelhante nas curvas dose-resposta. No primeiro caso, onde as
duas culturas, tanto a irradiada e a bystander tinham densidades iguais a 5,0 x 104
células/placa, nota-se dois pontos de inflexão na curva: (0.5, 73.5) e (2.0, 78.5). No segundo
caso, onde se aumentou a densidade das células irradiadas e diminuiu-se a das células
bystander, os pontos de inflexão são (0.3, 48.73) e (0.5, 61.69). O primeiro ponto de inflexão
em ambas as curvas mostra a mudança do comportamento da função dose-resposta de maneira
que a tendência do número de sobreviventes que era de diminuir passa a aumentar,
aparentando uma certa adaptação da cultura à dose ou aos sinais bystander. Levanta-se então
a possibilidade de existir uma região ou um valor de dose responsável pela ativação dos
mecanismos de reparo, ou de emissão de fatores promotores de proliferação celular. Este
valor de dose seria um ponto de transição de fase, abaixo do qual a célula não ativaria os seus
mecanismos de reparo, ou proliferação e acima dele, ela o faria. Esse fato pode ser também
entendido como um processo de recuperação. De acordo com trabalho de (CHEN et al., 2010)
o processo de transmissão do sinal não cessa após as células irradiadas liberarem o sinal
bystander. Esse sinal continua estimulando outras sinalizações intracelulares podendo causar
uma série de respostas em celulas bystander. A partir disso, as células bystander participam
do processo de “rescue effects” em tradução livre, “efeitos de resgate” liberando substâncias
que podem ajudar células irradiadas a se recuperarem em um processo de redução dos danos
induzidos pela radiação.
O segundo ponto de inflexão reverte o quadro e a cultura passa a responder
coerentemente ao aumento da dose até a saturação do efeito.
A diferença nos valores de dose dos dois pontos de inflexão, considerando-se que as
culturas são queratinócitos, para o modelo computacional foram consideradas iguais. Então,
esta diferença se explica pelo fato de que no segundo caso, quando a cultura irradiada tem
maior densidade, espera-se um maior número de sinais bystander dispersos no meio de
cultura bystander de menor densidade. Então, o primeiro ponto de inflexão deve ocorrer para
um menor valor de dose, no caso, 0.3 Gy. Para o segundo ponto de inflexão, há também
42
coerência, pois pelo fato de haver mais sinais na rede, os mecanismos de adaptação (reparo)
são superados pelos mecanismos de dano em menor dose. Caso as diferenças de linhagem
utilizadas nos trabalhos de Mothersill (1997, 2000) sejam importantes, seria necessário um
ajuste ou um refinamento no modelo computacional.
Efeito da Variação da Densidade Celular
6.1.1 Efeito da variação da densidade de células irradiadas
Com o aumento do número de células irradiadas, é observado um aumento do efeito
na cultura bystander (MOTHERSILL; SEYMOUR, 1997), ou seja, a sobrevivência celular
diminui. Foram realizadas simulações mantendo o número de células na cultura bystander
constante (5x104) e variando o número de células irradiadas. Os resultados obtidos pela
simulação e pelos experimentos são mostrados na figura 3:
FIGURA 31: Gráfico da fração de sobrevivência em função da densidade de células na cultura irradiada.
Mais uma vez os resultados médios das simulações concordaram com os dados
experimentais.
0
20
40
60
80
100
120
0,0E+0 1,0E+5 2,0E+5 3,0E+5 4,0E+5
Fraç
ão d
e S
ob
revi
ven
tes
(%)
Densidade de células irradiadas
Fração de Sobrevivência X Densidade de Células Irradiadas
Mothersill e Seymour 1997 (%)
Simulação (%)
43
6.1.2 Efeito da variação da densidade de células bystander
Não foram encontrados dados experimentais na literatura para diferentes densidades
de células bystander com as mesmas condições utilizadas (dose, tempos, etc.) para a linhagem
HaCaT. O modelo apresentou excelente concordância com os resultados experimentais já
descritos, o que validou o modelo e assim, pode ser utilizado para estimar o comportamento
do efeito, variando-se as densidades das células não irradiadas. Os resultados são mostrados
na figura 31.
FIGURA 32: Variação do efeito bystander pela variação das densidade de células na cultura bystander
O aumento da densidade de células bystander na cultura gera uma pequena variação
no efeito, menor que 2%, onde, quanto maior o número dessas células, maior a fração de
sobreviventes, observando um efeito contrário ao da variação do número de células irradiadas.
A diminuição do efeito com o aumento da densidade de células bystander é consistente
porque o número de sinais por célula da rede se torna menor.
60
62
64
66
68
70
72
0,0E+0 5,0E+4 1,0E+5 1,5E+5 2,0E+5 2,5E+5 3,0E+5 3,5E+5
Fraç
ão d
e so
bre
viv
ente
s (%
)
Densidade de células Bystander
Simulação da Fração de Sobreviventes X Densidade Bystander
44
6.2 Comportamento temporal
Na primeira parte deste trabalho se desenvolveu um modelo computacional híbrido
que utiliza Autômato Celular e Técnica Monte Carlo, para posteriormente numa segunda
etapa encontrar funções matemáticas capazes de descrever o efeito bystander.
Foram realizadas nove simulações a partir de diferentes sementes de gerador de
números aleatórios a fim de determinar o comportamento temporal do efeito. Os resultados
encontrados foram validados com base no trabalho de Mothersill e Seymour de 1998, onde
houve variação do tempo em que a cultura bystander ficou em contato com o ICCM (T2). Os
primeiros resultados encontrados se referem à fração de sobreviventes para cada passo de
tempo computacional (FIGURA 32).
FIGURA 33: Comportamento do efeito bystander para a linhagem HaCaT em cada passo de tempo
computacional.
A partir destes resultados o modelo pode ser calibrado, obtendo-se uma relação
temporal como mostrada na figura 33, onde se compara os resultados de simulação com os
resultados experimentais.
50
60
70
80
90
100
110
0 50 100 150 200Fraç
ão d
e so
bre
vive
nte
s (
%)
Passos de Tempo Computacional
Simulação da Fração de Sobreviventes X Passos de Tempo
45
FIGURA 34: Comportamento temporal do efeito bystander para a linhagem celular. O efeito ocorre
predominantemente nos trinta primeiros minutos após a transferência de meio.
6.3 Equações de ajuste
A partir dos resultados das simulações iniciou-se um trabalho para obter funções
matemáticas capazes de descrever o efeito. A primeira relação encontrada ajustando os
parâmetros no programa Origin v7.5 foi a fração de sobrevivência SF, em função do passo de
tempo dt:
(
)
(
)
(
) (3)
Onde:
C1= -1175,09; C2= 185,98; C3 = 4,72; C4= 1233,29; C5= 3,19; C6=20,565; C7=225047 e
C8= 5,05.
Para se encontrar a equação de calibração do software foi utilizada uma equação
logística obtida através do Origin v7.5 que transforma tempo computacional tc em tempo real
t:
50
60
70
80
90
100
110
0 50 100 150 200 250Fraç
ão d
e S
ob
revi
ven
tes
( %
)
Tempo(h)
Simulação da Fração de Sobreviventes em função do Tempo
Mothersill e Seymour 1998
Simulações
46
(
) (4)
Onde:
C1=14162,54; C2= - 0,089; C3 = 14162,54; C4= 57,66 e n = 4,18.
Os pontos que ficaram fora da curva tiveram suas diferenças corrigidas com o uso de
duas equações. A primeira ficou responsável pelos momentos iniciais após a transferência de
meio até o tempo t = 2 hs:
(
) (5)
Onde:
α1=7,14; β1= 3,7273x10-16
; γ1 = 1,61777 e θ1= 0,17925 são os parâmetros de ajuste.
e a segunda para t ≥ 2 hs:
(
) (6)
Onde:
α2=72,466; β2= 6,82168; γ2 = 1,4975 e θ2= 103,222.
Substituindo-se as equações (5) e (6) na equação (3), é encontrada uma equação do
efeito em função do tempo t. Os resultados dos ajustes das curvas apresentaram resultados
muito próximos dos dados da literatura (FIGURA 34), com erros relativos menores que 1%
para os pontos acima de 0,1 horas. O ponto calculado para 0,1 horas apresentou um erro
relativo menor que 5%.
47
FIGURA 35: Resultado do modelo computacional comparado com os dados descritos na literatura.
Deve-se ressaltar que as equações obtidas não substituem a simulação, mas são úteis
para estimar resultados intermediários aos pontos experimentais.
50
60
70
80
90
100
110
0 50 100 150 200 250
Fraç
ão d
e s
ob
revi
ven
tes
(%)
Tempo (h)
Comparação do Modelo Computacional com os Dados Experimentais
Mothersill e Seymour 1998
Modelo Matemático
48
7. CONCLUSÕES E PERSPECTIVAS
Neste trabalho foi proposto um modelo computacional via autômato celular que
mostrou ser uma ferramenta importante para o estudo do efeito bystander, uma vez que
apresentou uma boa concordância entre os dados de simulação e os dados experimentais
encontrados na literatura.
O efeito bystander das radiações ionizantes foi modelado e validado com base nos
resultados experimentais in vitro para os parâmetros utilizados nos experimentos.
Os experimentos de ICCM sugerem que as células irradiadas secretam moléculas
capazes de danificar outras células no meio. Não se conhece a natureza dos sinais, bem como
suas características, pesos e o número de sinais envolvidos no efeito onde várias moléculas
aparecem como candidatas a mediadora do efeito bystander. No modelo computacional
desenvolvido, não foi feita nenhuma discriminação de um tipo de molécula envolvida. Todos
os sinais foram considerados como tendo as mesmas características, e consequentemente
sujeitos às mesmas regras, onde as regras estocásticas garantem comportamentos diferentes
aos efeitos dos sinais.
Foi observado que há dois pontos de inflexão nas curvas dose-resposta. Não há dados
ainda para avaliar essa questão, mas pode-se sugerir como tema de trabalhos futuros a
investigação mais detalhada desses pontos e da região de dose onde eles se encontram. Este é
um ponto bastante interessante tanto do ponto de vista matemático quanto do ponto de vista
biológico. Eles podem representar uma adaptabilidade da cultura celular às radiações
ionizantes transformando-as em mais ou menos radio resistentes.
49
8. REFERÊNCIAS
BARROS NETO, Benício de; SCARMINIO, Ieda Spacino; BRUNS, Roy Edward. Como
Fazer Experimentos: Pesquisa e desenvolvimento na ciência e na indústria. 4ªed. Porto
Alegre: Bookman, 2010.
BRENNER, D. J.; LITTLE, J. B.; SACHS,R. K. The bystander effect in radiation
oncogenesis: II. A quantitative model. Radiat Res. 155, pp 402–408, 2001.
BRENNER, D. J.; SACHS, R. K. Do low dose-rate bystander effects influence domestic
radon risks?. Int. J. Radiat. Biol. 78, pp. 593–604, 2002.
BRENNER, D. J.; SACHS,R.; K. Domestic radon risks may be dominated by bystander
effects-but the risks are unlikely to be greater than we thought. Health Phys., 85 pp. 103-108,
2003.
BI, Wan li et al. In Vitro Evidence that Metabolic Cooperation Is Responsible for the
Bystander Effect observed with HSV tk Retroviral Gene Therapy. Human gene terapy. 4,
725-731, 1993.
BOUKAMP, P. et al. Normal Keratinization in a Spontaneously Immortalized Aneuploid
Human Keratinocyte Cell Line. The Journal of Cell Biology, 106, pp. 761-771, March,
1988.
CALLAHAN, P. Conway’s Game of Life. The World of Math. Online. Disponível em
<http://www.math.com/students/wonders/life/life.html>. Acesso em 12/01/2012.
CASTRO, M. L. A.; CASTRO, R. O. Autômatos celulares: implementações de von
Neumann, Conway e Wolfram. Revista de Ciências Exatas e Tecnologia. 3, Nº 3
Dezembro, 2008.
CHEN, S.; ZHAO, Y.; HAN, W.; CHIU, S. K.; ZHU, L.; WU, L.; YU, K. N. Rescue effects
in radiobiology: Unirradiated bystander cells assist irradiated cells through intercelullar signal
feedback. Mutation Research, v. 706, p. 59-64, 2010.
CHOPARD, Bastien; DROZ, Michel. Cellular Automata Modeling of Physical Systems.
Cambridge Universit Press, Cambridge, 1998.
DILÃO, R.Autómatos Celulares, Máquinas de Turing ou a Natureza como Máquina de
Cálculo. Colóquio Ciências, 1993.
DOMINGOS, Alves; GAGLIARDI, Henrique Fabricio. Técnicas de modelagem de processos
epidêmicos e evolucionários. Notas em Matemática Aplicada, XXIX CNMAC, 2006.
EISBERG, Robert; RESNICK, Robert. Física Quântica – Átomos, Moléculas, Sólidos,
Núcleos e Partículas. Tradução de Paulo Costa Ribeiro, Ênio Costa da Silveira e Marta Feijó
Barroso. Rio de Janeiro:Campus, 1979.
FAKIR, H.; HOFMANN, W.; TAN, W. Y., SACHS, R. K. “Triggering-Response Model for
Radiation-Induced Bystander Effects”, Radiat Res. 171, pp 320–331, 2009.
FERREIRA, Marcela Richele. Auômato celular com probabilidade de transição
dependentes da altura para o estudo de crescimento de superfícies. Dissertação, CEFET-
MG, Belo Horizonte, 2009.
50
GOPAL, Suntharalingam, N. P., E; Hendry,J. (2002). Basic Radiobiology. Capítulo 14.
Disponível em: http://www-naweb.iaea.org/nahu/dmrp/pdf_files/Chapter14.pdf.
GREMONINI, Lucas; VICENTINI, Eduardo. Automatos celulares: Revisão bibliográfica e
exemplos de implementações. Revista Eletrônica Lato Sensu – UNICENTRO, ed. 6, 2008.
HAMADA, N.; MATSUMOTO, H.; HARA, T.; KOBAYASHI Y. Intercellular and
intracellular signaling pathways mediating ionizing radiation-induced bystander effects. J.
Radiat. Res. 48, 87–95, 2007.
IYER, R.; LEHNERT, B. E.; SVENSSON, R. Factors underlying the cell growth-related
bystander responses to alpha particles. Cancer Research, v. 60, p. 1290–1298, 2000.
ILNYTSKYY, Yaroslav; KOTURBASH, Igor; KOVALCHUK, Olga; Radiation-Induced
Bystander Effects In Vivo are Epigenetically Regulated in a Tissue-Specific Manner.
Environmental and Molecular Mutagenesis, 50:105-113, 2009.
LITTLE, J. B.; The bystander effect model of Brenner and Sachs fitted to lung cancer data in
11 cohorts of underground miners, and equivalence of fit of a linear relative risk model with
adjustment for attained age and age at exposure. J. Radiol. Prot. 24, pp. 243–255, 2004.
LITTLE , J. B.; FILIPE, J. A.; PRISE, K. M.; FOLKARD, M.; BELYAKOV, O. V.; A model
for radiation-induced bystander effects, with allowance for spatial position and the effects of
cell turnover. J. Theor. Biol.232, p. 329-338, 2005.
MARIOTTI, L. et al. Effects of Ionizing Radiation on Cell-to-Cell Communication.
Radiation Research, 174(3), p. 280-289. 2010.
MARSAGLIA, G. DIEHARD - Source Files in C. Disponível em: http://stat.fsu.edu/~geo/,
(2011).
MARTINS, Roberto de Andrade. A descoberta dos raios X: o primeiro comunicado de
Röntgen. Revista Brasileira de Ensino de Física, v. 20, p. 373-91, 1998.
MARTINS, Roberto de Andrade. Como Becquerel não descobriu a radioatividade. Caderno
Catarinense de Ensino de Física, v. 7, p. 27-45, 1990.
MARTINS, Roberto de Andrade. As primeiras investigações de Marie Curie sobre elementos
radioativos. Revista da SBHC, nº I, p. 29-41, 2003.
MARTINS, C. C. Autômato celular aplicado no crescimento de câncer. Tese,
Universidade Estadual de Ponta Grossa. Ponta Grossa, 2010.
METROPOLIS, N. THE BEGINNING of the MONTE CARLO METHOD; Los Alamos
Science, Special Issue, 1987.
METROPOLIS, N.; Ulam, S. The Monte Carlo method. Journal of the American Statistical
Association, 44:335-341, 1949.
MORGAN, W.F.; Sowa, M.B. Non-targeted bystander effects induced by ionizing radiation.
Fundamental and molecular mechanisms of mutagenesis. Mutation Research, 616, pp. 159-
164, 2007.
MOTHERSILL, C.; SEYMOUR, C. B. Medium from irradiated human epithelial cells but not
human fibroblasts reduces the clonogenic survival of unirradiated cells. Int. J. Radiat. Biol.
71, pp. 421–427, 1997.
51
MOTHERSILL, C.; SEYMOUR, C. B. Cell–cell contact during gamma irradiation is not
required to induce a bystander effect in normal human keratinocytes: Evidence for release
during irradiation of a signal controlling survival into the medium. Radiat. Res. 149, pp.
256–262, 1998.
MOTHERSILL, C.; SEYMOUR, C. B. Relative contribution of bystander and targeted cell
killing to the low-dose region of the radiation dose-response curve . Radiat. Res. 153 pp.
508-511, 2000.
MOTHERSILL, C.; SEYMOUR, C. B. Radiation-Induced Bystander Effects: Past History
and Future Directions, Radiat. Res. 155, pp. 757–765, 2001.
NAGASAWA, H.; LITTLE, J. B.; Induction of sister chromatid exchanges by extremely low
doses of alpha-particles. Cancer Res. 52, 6394–6396 November, 1992.
NELSON , David L.; COX, Michael M.; Lehninger: Principles of Biochemistry. 3. Ed., São
Paulo, 2002.
NIKJOO, H.; KHVOSTUNOV, I. K.; Biophysical model of the radiation induced bystander
effect. Int. J. Radiat. Biol. 79, 43–52, 2003.
PFEIFER, R. KUNZ, H. E WEBER, M. M. Artificial Life. Institut fr Informatik der
Universitt Zrich, 2000.
PRISE, K. M.; BELYAKOV, O. V.; FOLKARD, M.; MICHAEL, B. D. Studies of bystander
effects in human fibroblasts using a charged particle microbeam. Int. J. Radiat. Biol. 74,
793–798, 1998.
RICHARD, M.; WEBB, R. P.; KIRKBY, N. F. A computer model of the Bystander effect:
effects of individual behaviours on the population response. Applied Radiat. And Isotopes,
67 pp. 440-442, 2009.
RICHARD, M.; KIRKBY, K. J.; WEBB, R. P.; KIRKBY, N. F. A mathematical model of
response of cells to radiation. Nuclear Instruments and Methods in Physics Research B
255, 18-22, 2007.
RUCKER, Rudy: The Lifebox, the Seashell, and the Soul: What Gnarly Computation
Taught Me About Ultimate Reality, the Meaning Of Life , and How To Be Happy. Basic
Books, Paperback, 2006. Disponível em http://www.rudyrucker.com/lifebox/lifeboxsample.pdf
SCHETTINO, G. et al. Low-dose studies of bystander cell killing with targeted soft X rays,
Radiat. Res. 160, 505–511, 2003.
TAUHATA, L. ; SALATI, I.P.A.; PRINZIO, R. Di.; PRINZIO, M.A.R.R.Di.: Radioproteção
e Dosimetria: Fundamentos ; 5ª revisão, Instituto de Radioproteção e Dosimetria / Comissão
Nacional de Energia Nuclear, Rio de Janeiro, 2003.
TILEBEIN, Meike. A complex adaptive systems approach to efficiency and innovation.
Kybernetes, Vol. 35 Iss: 7/8, pp.1087 – 1099, 2006.
VIEIRA, J.W. Uso de técnicas Monte Carlo para Determinação de Curvas de isodose em
Braquiterapia. Dissertação, Universidade Federal de Pernambuco, Pernambuco, 2001.
VIEIRA, C. E. C.; RIBEIRO, C. C. ; SOUZA, R.C. Geradores de Números Aleatórios. PUC-
RioInf. MCC22/04 Junho. Rio de Janeiro, 2004.
52
XAVIER, Ana Maria; MORO, José Tulio; HEILBRON , Paulo Fernando. Princípios de
segurança e proteção radiológica. terceira edição. Universidade Federal do Rio Grande do
Sul Setembro 2006. Disponível em: http://www6.ufrgs.br/spr/SegurancaProtRad.pdf
YORIYAZ, H. Método Monte Carlo: princípios e aplicações na área de Física Médica.
Revista Brasileira de Física Médica, p141-149, 2009.
WOLFRAM, S. Universality and complexity in cellular automata. Physics D, 10, 1–35,
1984.
WOLFRAM, S. Computation theory of cellular automata. Communications in
mathematical Physics, 96, 15–57, 1984.
WOLFRAM, S.; A New Kind of Science, Champaign, IL,USA: Wolfram Media INC., 2002.
53
APÊNDICE A: Influência dos Parâmetros na Simulação
O modelo computacional é capaz de reproduzir os resultados experimentais de
sobrevivência celular para a linhagem HaCaT. Tornou-se interessante identificar a influência
dos parâmetros celulares do modelo. Entender o peso de cada parâmetro é vital para calibrar a
simulação para outra linhagem celular. O código escrito apresenta seis parâmetros referentes à
linhagem celular:
Probabilidade de recepção de sinal bystander através do meio;
Probabilidade de recepção de sinal bystander por junções gap;
Probabilidade de reemissão de sinal bystander no meio;
Probabilidade de reparo de danos;
Probabilidade de morte por competição por espaço ou por nutrientes;
Sensibilidade (probabilidade de morte ao receber sinal bystander);
Para encontrar a influência desses fatores, foi realizada uma investigação utilizando
um planejamento fatorial (BARROS NETO et al, 2010). Nesse trabalho, para mapear o
comportamento do efeito, foi assumido como parâmetros de interesse as probabilidades de
recepção de sinal bystander pelo meio, a probabilidade de re-emissão de sinais, a
probabilidade de reparo aos danos do sinal e a probabilidade de morte da célula ao receber um
sinal.
Para se estudar o efeito de um fator, é necessário fazer a variação desse mesmo fator
em níveis diferentes. Com um número muito grande de fatores, como no nosso caso, se torna
interessante usar um planejamento onde variamos todos os parâmetros em pelo menos dois
níveis. De acordo com regras de planejamento de experimentos, foi feito o planejamento
fatorial 24 porque foram analisados quatro dos seis parâmetros. Para esse planejamento as
combinações necessárias para se realizar todas as variações possíveis são mostradas na figura
A1. Em um planejamento de dois níveis, é comum o uso dos sinais (+) e (-) ou os valores (1)
e (-1) para se designar os níveis superiores e inferiores.
54
Tabela A 1: Matriz de Planejamento
1 2 3 4
1 -1 -1 -1 -1
2 1 -1 -1 -1
3 -1 1 -1 -1
4 1 1 -1 -1
5 -1 -1 1 -1
6 1 -1 1 -1
7 -1 1 1 -1
8 1 1 1 -1
9 -1 -1 -1 1
10 1 -1 -1 1
11 -1 1 -1 1
12 1 1 -1 1
13 -1 -1 1 1
14 1 -1 1 1
15 -1 1 1 1
16 1 1 1 1
A definição dos níveis utilizados no planejamento deve partir do conhecimento
disponível do fenômeno que se pretende estudar. Se tratando de um trabalho de simulação
computacional, foram utilizados como referências os parâmetros utilizados nas simulações.
Os valores utilizados são mostrados na TAB. A2.
Tabela A 2: Variação das probabilidades de mudança de estado
em função do sinal bystander
Fator Probabilidades - +
1 Probabilidade de Recepção de sinal 0,4 0,5
2 Probabilidade de Reemissão de sinal 0,5 0,6
3 Probabilidade de Reparo 0,0005 0,001
4 Sensibilidade (Probabilidade de Morte Clonogênica) 0,7 0,8
Foram realizadas 16 simulações e suas réplicas, totalizando 32 simulações. Com elas
podemos calcular a média global do efeito e quinze efeitos: quatro efeitos principais, seis
interações de dois fatores, quatro interações de três fatores e uma interação de quatro fatores.
Os resultados obtidos nos experimentos estão na TAB. 3:
55
Tabela A 3: Resultados obtidos para o planejamento 24
M 1 2 3 4 12 13 14 23 24 34 123 124 134 234 1234 Resposta (%) Resp. M si²
1 1 -1 -1 -1 -1 1 1 1 1 1 1 -1 -1 -1 -1 1 26,39 26,79 26,59 0,08
2 1 1 -1 -1 -1 -1 -1 -1 1 1 1 1 1 1 -1 -1 30,91 30,99 30,95 0,0032
3 1 -1 1 -1 -1 -1 1 1 -1 -1 1 1 1 -1 1 -1 26,48 26,47 26,48 0,00005
4 1 1 1 -1 -1 1 -1 -1 -1 -1 1 -1 -1 1 1 1 31,04 30,74 30,89 0,045
5 1 -1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 1 -1 26,51 26,59 26,55 0,0032
6 1 1 -1 1 -1 -1 1 -1 -1 1 -1 -1 1 -1 1 1 31,03 30,76 30,90 0,03645
7 1 -1 1 1 -1 -1 -1 1 1 -1 -1 -1 1 1 -1 1 26,56 26,48 26,52 0,0032
8 1 1 1 1 -1 1 1 -1 1 -1 -1 1 -1 -1 -1 -1 31,19 30,77 30,98 0,0882
9 1 -1 -1 -1 1 1 1 -1 1 -1 -1 -1 1 1 1 -1 27,17 27,07 27,12 0,005
10 1 1 -1 -1 1 -1 -1 1 1 -1 -1 1 -1 -1 1 1 31,89 31,43 31,66 0,1058
11 1 -1 1 -1 1 -1 1 -1 -1 1 -1 1 -1 1 -1 1 27,26 27,16 27,21 0,005
12 1 1 1 -1 1 1 -1 1 -1 1 -1 -1 1 -1 -1 -1 31,89 31,59 31,74 0,045
13 1 -1 -1 1 1 1 -1 -1 -1 -1 1 1 1 -1 -1 1 27,17 27,01 27,09 0,0128
14 1 1 -1 1 1 -1 1 1 -1 -1 1 -1 -1 1 -1 -1 31,92 31,42 31,67 0,125
15 1 -1 1 1 1 -1 -1 -1 1 1 1 -1 -1 -1 1 -1 27,13 27,25 27,19 0,0072
16 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 31,92 31,45 31,70 0,11045
A partir dos valores encontrados podemos calcular os efeitos. A partir da seguinte
equação:
(A1)
onde k é o número de fatores, x é o vetor linha que obtemos transpondo a coluna de
planejamento do fator desejado e por fim y que representa a coluna das respostas médias,
onde podemos escrever para o fator 1:
[ ]
[
]
4,47%
56
Realizando o cálculo dos efeitos de cada fator encontramos os dados mostrados
na TAB. A4. Claramente, observamos que os fatores de maior interesse para o ajuste do
programa são: o fator 1 (probabilidade de recepção de sinal) e o fator 4 (sensibilidade ao
sinal). Os demais fatores se confundem, apresentando baixa significância.
Tabela A 4: Efeitos para os quatro fatores e suas interações
Fator Efeito (%) Erro (%)
Média de todos os fatores 29,07594 0,021110938
1 4,46563 0,145296034
2 0,02063 0,145296034
3 -0,00688 0,145296034
4 0,68937 0,145296034
12 0,00937 0,145296034
13 0,00438 0,145296034
14 0,07062 0,145296034
23 0,02187 0,145296034
24 0,05063 0,145296034
34 -0,01688 0,145296034
123 -0,00187 0,145296034
124 -0,03313 0,145296034
134 -0,00313 0,145296034
234 -0,03562 0,145296034
1234 -0,01688 0,145296034
Assim, a influência dos parâmetros foram determinados para ajudar na calibração do
programa para outras linhagens celulares, sendo a probabilidade de recepção de sinal o fator
de maior interesse.
57
APÊNDICE B: O programa Computacional
Programa em C
Variáveis:
IX – Posição x do sítio
JY – Posição y do sítio
SITIO – Número do sítio
IXT – Posição x do sinal
JYT – Posição y do sinal
TOX – Número do sinal
TE – Idade do sinal
AV – tipo de vizinhança
cont – Contador de vizinhos em um determinado estado
CELL – Número total de células
INCEL – Número total de sítios
IXARESTA – Dimensão em X da rede
IYARESTA – Dimensão em Y da rede
TA – Número de sinais
TEMPO – Tempo total
seco – Número de Sinais re-emitidos no passo
SV – Células normais
SM – Células mortas
SC – Células sinalizadas
SP – Fração de sobreviventes
alea – Numero aleatório
STG – Somatório de sinais ativos
deca – Probabilidade de inativação do sinal
dt – Passo de tempo
tee – Probabilidade de célula morta liberar espaço
SS – Células vivas
seta – Probabilidade de morte por competição
P1 – Probabilidade de recepção do sinal
P2 – Probabilidade de re-emissão
P3 – Probabilidade de reparo
P4 – Probabilidade de morte
58
P5 – Probabilidade de sinalização via junções celulares
s1 – Semente número 1 do gerador de números aleatórios
s2 – Semente número 2 do gerador de números aleatórios
#include<stdio.h>
#include<stdlib.h>
#include<math.h>
#include<time.h>
#define N 10000000
#define NN 100000000
#define UNIMAX 4294967295UL
#define s1new (s1=(18000*(s1&0xFFFF)+(s1>>16)))
#define s2new (s2=(30903*(s2&0xFFFF)+(s2>>16)))
#define UNI (s1new<<16)+(s2new&0xFFFF) // GERADOR UNI
main()
{
/* ********************************************************************** */
// Declaração de Variáveis
/* ********************************************************************** */
int *IX, *JY, *SITIO, *JYT, *IXT, *TOX, *TE, *AV, *cont, *ZITIO, *TT,
CELL, INCEL, IXARESTA, IYARESTA, TA, TEMPO, L, seco, TC, I, FS, NS;
double ST, SV, SM, SC, alea, STG, altox, dose, apli, uno, deca, tk, dt,
tee, zresto1, zresto2, SS, delta, seta, alba, albe, dead, compost,
sega, SP, P1, P2, P3, P4;
time_t lt;
FILE *vivo;
unsigned long s1=1, s2=2;
/* ********************************************************************** */
// Alocação dinâmica dos vetores
/* ********************************************************************** */
IX = malloc(N*sizeof(int)); JY = malloc(N*sizeof(int));
SITIO = malloc(N*sizeof(int)); JYT = malloc(N*sizeof(int));
IXT = malloc(N*sizeof(int)); TOX = malloc(N*sizeof(int));
TE = malloc(N*sizeof(int)); AV = malloc(N*sizeof(int));
cont = malloc(N*sizeof(int)); ZITIO = malloc(N*sizeof(int));
TT = malloc(NN*sizeof(int));
/* ********************************************************************** */
// Escrever
/* ********************************************************************** */
printf("Inicio do programa bystander: ");
printf("\n\nPor favor informe Cell: ");
59
scanf("%i",&CELL);
printf("\n\n");
P1=0.4;
P2=0.5;
P3=0.0005;
P4=0.7;
IXARESTA=1000;
IYARESTA=1000;
TEMPO=20;
dt=5;
INCEL = IXARESTA*IYARESTA;
albe=0.000005;
delta=0.00002;
printf("Numero de sinais?? ");
scanf("%i",&TA);
printf("Numero de sinais: %i\n\n",TA);
/* ********************************************************************** */
// REDE
/* ********************************************************************** */
IX[0] = JY[0] = 1;
for(I=1;I<INCEL;I++)
{
IX[I]=IX[I-1]+1;
JY[I]=JY[I-1];
if (IX[I]>IXARESTA)
{
JY[I]=JY[I-1]+1;
IX[I]=1;
}
}
for(I=0;I<INCEL;I++)
SITIO[I]=4;
/* ********************************************************************** */
// Cel.
/* ********************************************************************** */
for(I=0; I<CELL; I++)
{
while(1)
{
FS=(int)(((1.0*UNI)/UNIMAX)*INCEL);
if(SITIO[FS]!=1)
{
SITIO[FS] = 1;
break;
60
}
}
}
/* ********************************************************************** */
// Avaliador de vizinhos
/* ********************************************************************** */
for(I=0;I<INCEL;I++)
{
zresto1=I%IXARESTA;
zresto2=(I-1)%IXARESTA;
if(I==1)
{
AV[I]=1;
}
else
{
if(I == IXARESTA)
{
AV[I]=2;
}
else
{
if(I == (INCEL - IXARESTA + 1 ))
{
AV[I]=3;
}
else
{
if(I == INCEL)
{
AV[I]=4;
}
else
{
if(I < IXARESTA)
{
AV[I]=5;
}
else
{
if(zresto2 == 0)
{
AV[I]=6;
}
else
{
if(zresto1 == 0)
{
AV[I]=7;
}
else
{
if(I > (INCEL-IXARESTA))
61
{
AV[I]=8;
}
else
{
AV[I]=9;
}
}
}
}
}
}
}
}
}
for(I=0;I<INCEL;I++)
ZITIO[I]=SITIO[I];
for(I=0;I<TA;I++)
{
alea=(1.0*UNI)/UNIMAX;
IXT[I]=(int)(alea*(IXARESTA-1));
alea=(1.0*UNI)/UNIMAX;
JYT[I]=(int)(alea*(IYARESTA-1));
TOX[I]=1;
altox=(1.0*UNI)/UNIMAX;
TT[I]=(int)(altox*12);
}
lt=time(NULL);
printf("O programa iniciou em: ");
printf(ctime(<));
printf("\n\n");
vivo = fopen("sobreviventes2.txt","w+");
SV=0;
SM=0;
SC=0;
SS=0;
for(I=0;I<INCEL;I++)
{
if(SITIO[I] == 1)
{
SV=SV+1;
}
else
{
if(SITIO[I] == 2)
62
{
SC=SC+1;
}
else
{
if(SITIO[I] == 0)
{
SM=SM+1;
}
}
}
}
SS=SV+SC;
SP=(100*(SS/CELL));
fprintf(vivo,"%10.2lf\n",SP);
/* ********************************************************************** */
// TEMPO
/* ********************************************************************** */
tk = 0;
while(tk <= TEMPO)
{
printf("\n\nPasso: %5.2lf",tk);
printf("\n\nTotal: %10.2lf",SS);
printf("\nPorcento: %10.2lf",SP);
/* ********************************************************************** */
// REGRA - Recepcao de sinal
/* ********************************************************************** */
seco=0;
for(I=0;I<TA;I++)
{
if(TOX[I] > 0)
{
for(L=0;L<INCEL;L++)
{
if((IX[L] == IXT[I])&&(JY[L] == JYT[I]))
{
if(SITIO[L] == 1)
{
alea=((1.0)*UNI)/UNIMAX;
if(alea <= P1)
{
SITIO[L]=2;
TOX[I]=0;
seco=seco+1;
break;
}
63
}
}
}
}
}
/* ********************************************************************** */
// REGRA - Mudança de estado das celulas
/* ********************************************************************** */
TC=0;
for(I=0;I<INCEL;I++)
{
if(SITIO[I] == 2)
{
alea=(1.0*UNI)/UNIMAX;
if(alea <= P2)
{
TA=TA+1;
TOX[TA]=1;
IXT[TA]=IX[I];
JYT[TA]=JY[I];
TT[TA]=0;
TC=TC+1;
}
alea=(1.0*UNI)/UNIMAX;
if(alea <= P3)
{
SITIO[I]=1;
}
else
{
if (alea <= P4)
{
SITIO[I]=0;
TE[I]=1;
}
}
}
else
{
if(SITIO[I] == 0)
{
alea=(1.0*UNI)/UNIMAX;
tee =((TE[I])*0.000005);
if(alea < tee)
{
SITIO[I]=4;
}
}
else
if(SITIO[I] == 4)
{
alea=(1.0*UNI)/UNIMAX;
64
if(alea < 0.0000000015)
{
SITIO[I]=1;
}
}
}
}
/* ********************************************************************** */
// REGRA - Junctions cell-cell
/* ********************************************************************** */
for(I=0;I<INCEL;I++)
{
ZITIO[I]=SITIO[I];
}
for(I=0;I<INCEL;I++)
{
if(SITIO[I]==1)
{
cont[I]=0;
if (AV[I] == 1)
{
if(SITIO[2] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[IXARESTA+1] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I+IXARESTA+1] == 2)
{
cont[I]=cont[I]+1;
}
alea=(1.0*UNI)/UNIMAX;
if(alea < (delta*cont[I]))
{
ZITIO[I]=2;
}
}
else
{
if (AV[I] == 2)
{
if(SITIO[IXARESTA-1] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[2*IXARESTA] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[(2*IXARESTA)-1] == 2)
65
{
cont[I]=cont[I]+1;
}
alea=(1.0*UNI)/UNIMAX;
if(alea < (delta*cont[I]))
{
ZITIO[I]=2;
}
}
else
{
if(AV[I] == 3)
{
if(SITIO[I-IXARESTA] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I+1] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I-IXARESTA+1] == 2)
{
cont[I]=cont[I]+1;
}
alea=(1.0*UNI)/UNIMAX;
if(alea < (delta*cont[I]))
{
ZITIO[I]=2;
}
}
else
{
if(AV[I] == 4)
{
if(SITIO[INCEL-1] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[INCEL-IXARESTA] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[(INCEL-IXARESTA)-1] == 2)
{
cont[I]=cont[I]+1;
}
alea=(1.0*UNI)/UNIMAX;
if(alea < (delta*cont[I]))
{
ZITIO[I]=2;
}
}
else
66
{
if(AV[I] == 5)
{
if(SITIO[I-1] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I+1] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I+IXARESTA] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I+IXARESTA+1] == 2)
{
cont[I]=cont[I]+1;
}
if (SITIO[I+IXARESTA-1] == 2)
{
cont[I]=cont[I]+1;
}
alea=(1.0*UNI)/UNIMAX;
if(alea < (delta*cont[I]))
{
ZITIO[I]=2;
}
}
else
{
if(AV[I] == 6)
{
if(SITIO[I+1] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I-IXARESTA] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I+IXARESTA] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I-IXARESTA+1] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I+IXARESTA+1] == 2)
{
cont[I]=cont[I]+1;
}
alea=(1.0*UNI)/UNIMAX;
67
if(alea < (delta*cont[I]))
{
ZITIO[I]=2;
}
}
else
{
if(AV[I] == 7)
{
if(SITIO[I-1] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I-IXARESTA] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I+IXARESTA] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I-IXARESTA-1] ==2)
{
cont[I]=cont[I]+1;
}
if (SITIO[I+IXARESTA-1] == 2)
{
cont[I]=cont[I]+1;
}
alea=(1.0*UNI)/UNIMAX;
if(alea < (delta*cont[I]))
{
ZITIO[I]=2;
}
}
else
{
if(AV[I] == 8)
{
if(SITIO[I-1] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I+1] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I-IXARESTA] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I-IXARESTA-1] == 2)
{
68
cont[I]=cont[I]+1;
}
if(SITIO[I-IXARESTA+1] == 2)
{
cont[I]=cont[I]+1;
}
alea=(1.0*UNI)/UNIMAX;
if(alea < (delta*cont[I]))
{
ZITIO[I]=2;
}
}
else
{
if(SITIO[I-1] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I+1] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I-IXARESTA] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I+IXARESTA] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I-IXARESTA-1] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I+IXARESTA-1] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I-IXARESTA+1] == 2)
{
cont[I]=cont[I]+1;
}
if(SITIO[I+IXARESTA+1] == 2)
{
cont[I]=cont[I]+1;
}
alea=(1.0*UNI)/UNIMAX;
if(alea < (delta*cont[I]))
{
ZITIO[I]=2;
}
}
}
}
69
}
}
}
}
}
}
}
for(I=0;I<INCEL;I++)
{
ZITIO[I]=SITIO[I];
}
/* ********************************************************************** */
// Fome - Competição - Isolamento
/* ********************************************************************** */
alba =(0.000045)+((pow((tk/180),2))/100000);
for(I=0;I<INCEL;I++)
{
cont[I]=0;
if(SITIO[I] == 1)
cont[I]=1;
if (AV[I] == 1)
{
if((SITIO[2]==1)||(SITIO[2]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[IXARESTA+1]==1)||(SITIO[IXARESTA+1]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I+IXARESTA+1]==1)||(SITIO[I+IXARESTA+1]==2))
{
cont[I]=cont[I]+1;
}
seta=alba*cont[I];
if(cont[I] < 3)
{
alea=(1.0*UNI)/UNIMAX;
if(alea < seta)
{
ZITIO[I]=0;
}
}
else
if(cont[I] > 7)
{
alea=(1.0*UNI)/UNIMAX;
if(alea < seta)
{
ZITIO[I]=0;
}
70
}
}
else
{
if(AV[I] == 2)
{
if((SITIO[IXARESTA-1]==1)||(SITIO[IXARESTA-1]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[2*IXARESTA]==1)||(SITIO[2*IXARESTA]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[(2*IXARESTA)-1]==1)||(SITIO[(2*IXARESTA)-1]==2))
{
cont[I]=cont[I]+1;
}
seta=alba*cont[I];
if(cont[I] < 3)
{
alea=(1.0*UNI)/UNIMAX;
if(alea < seta)
{
ZITIO[I]=0;
}
}
else
{
if(cont[I] > 7)
{
alea=(1.0*UNI)/UNIMAX;
if(alea < seta)
{
ZITIO[I]=0;
}
}
}
}
else
{
if(AV[I] == 3)
{
if((SITIO[I-IXARESTA]==1)||(SITIO[I-IXARESTA]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I+1]==1)||(SITIO[I+1]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I-IXARESTA+1]==1)||(SITIO[I-IXARESTA+1]==2))
{
cont[I]=cont[I]+1;
71
}
seta=alba*cont[I];
if(cont[I] < 3)
{
alea=(1.0*UNI)/UNIMAX;
if(alea < seta)
{
ZITIO[I]=0;
}
}
else
{
if(cont[I] > 7)
{
alea=(1.0*UNI)/UNIMAX;
if(alea < seta)
{
ZITIO[I]=0;
}
}
}
}
else
{
if(AV[I] == 4)
{
if((SITIO[INCEL-1]==1)||(SITIO[INCEL-1]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[INCEL-IXARESTA]==1)||(SITIO[INCEL-IXARESTA]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[(INCEL-IXARESTA)-1]==1)||(SITIO[(INCEL-IXARESTA)-1]==2))
{
cont[I]=cont[I]+1;
}
seta=alba*cont[I];
if(cont[I] < 3)
{
alea=(1.0*UNI)/UNIMAX;
if(alea < seta)
{
ZITIO[I]=0;
}
}
else
{
if(cont[I] > 7)
{
alea=(1.0*UNI)/UNIMAX;
if(alea < seta)
{
72
ZITIO[I]=0;
}
}
}
}
else
{
if(AV[I] == 5)
{
if((SITIO[I-1]==1)||(SITIO[I-1]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I+1]==1)||(SITIO[I+1]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I+IXARESTA]==1)||(SITIO[I+IXARESTA]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I+IXARESTA+1]==1)||(SITIO[I+IXARESTA+1]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I+IXARESTA-1]==1)||(SITIO[I+IXARESTA-1]==2))
{
cont[I]=cont[I]+1;
}
seta=alba*cont[I];
if(cont[I] < 3)
{
alea=(1.0*UNI)/UNIMAX;
if(alea < seta)
{
ZITIO[I]=0;
}
}
else
{
if(cont[I] > 7)
{
alea=(1.0*UNI)/UNIMAX;
if(alea < seta)
{
ZITIO[I]=0;
}
}
}
}
else
{
if(AV[I] == 6)
{
73
if((SITIO[I+1]==1)||(SITIO[I+1]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I-IXARESTA]==1)||(SITIO[I-IXARESTA]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I+IXARESTA]==1)||(SITIO[I+IXARESTA]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I-IXARESTA+1]==1)||(SITIO[I-IXARESTA+1]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I+IXARESTA+1]==1)||(SITIO[I+IXARESTA+1]==2))
{
cont[I]=cont[I]+1;
}
seta=alba*cont[I];
if(cont[I] < 3)
{
alea=(1.0*UNI)/UNIMAX;
if(alea < seta)
{
ZITIO[I]=0;
}
}
else
{
if(cont[I] > 7)
{
alea=(1.0*UNI)/UNIMAX;
if(alea < seta)
{
ZITIO[I]=0;
}
}
}
}
else
{
if(AV[I] == 7)
{
if((SITIO[I-1]==1)||(SITIO[I-1]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I-IXARESTA]==1)||(SITIO[I-IXARESTA]==2))
{
cont[I]=cont[I]+1;
}
74
if((SITIO[I+IXARESTA]==1)||(SITIO[I+IXARESTA]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I-IXARESTA-1]==1)||(SITIO[I-IXARESTA-1]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I+IXARESTA-1]==1)||(SITIO[I+IXARESTA-1]==2))
{
cont[I]=cont[I]+1;
}
seta=alba*cont[I];
if(cont[I] < 3)
{
alea=(1.0*UNI)/UNIMAX;
if(alea < seta)
{
ZITIO[I]=0;
}
}
else
{
if(cont[I] > 7)
{
alea=(1.0*UNI)/UNIMAX;
if(alea < seta)
{
ZITIO[I]=0;
}
}
}
}
else
{
if(AV[I]==8)
{
if((SITIO[I-1]==1)||(SITIO[I-1]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I+1]==1)||(SITIO[I+1]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I-IXARESTA]==1)||(SITIO[I-IXARESTA]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I-IXARESTA-1]==1)||(SITIO[I-IXARESTA-1]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I-IXARESTA+1]==1)||(SITIO[I-IXARESTA+1]==2))
75
{
cont[I]=cont[I]+1;
}
seta=alba*cont[I];
if(cont[I] < 3)
{
alea=(1.0*UNI)/UNIMAX;
if(alea < seta)
{
ZITIO[I]=0;
}
}
else
{
if(cont[I] > 7)
{
alea=(1.0*UNI)/UNIMAX;
if(alea < seta)
{
ZITIO[I]=0;
}
}
}
}
else
{
if((SITIO[I-1]=1)||(SITIO[I-1]=2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I+1]==1)||(SITIO[I+1]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I-IXARESTA]==1)||(SITIO[I-IXARESTA]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I+IXARESTA]==1)||(SITIO[I+IXARESTA]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I-IXARESTA-1]== 1)||(SITIO[I-IXARESTA-1]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I+IXARESTA-1]==1)||(SITIO[I+IXARESTA-1]==2))
{
cont[I]=cont[I]+1;
}
if((SITIO[I-IXARESTA+1]==1)||(SITIO[I-IXARESTA+1]==2))
{
cont[I]=cont[I]+1;
}
76
if((SITIO[I+IXARESTA+1]==1)||(SITIO[I+IXARESTA+1]==2))
{
cont[I]=cont[I]+1;
}
seta=alba*cont[I];
if(cont[I] < 3)
{
alea=(1.0*UNI)/UNIMAX;
if(alea < seta)
{
ZITIO[I]=0;
}
}
else
{
if(cont[I] > 7)
{
alea=(1.0*UNI)/UNIMAX;
if(alea < seta)
{
ZITIO[I]=0;
}
}
}
}
}
}
}
}
}
}
}
}
for(I=0;I<INCEL;I++)
{
SITIO[I]=ZITIO[I];
}
/* ********************************************************************** */
// Validade Sin
/* ********************************************************************** */
for(I=0;I<TA;I++)
{
if (TOX[I]> 0)
{
TT[I]=TT[I]+ dt;
alea=(1.0*UNI)/UNIMAX;
deca=0.99*(pow(2,(-(TT[I])/450)));
if (alea > deca)
{
TOX[I]=0;
}
}
}
77
/* ********************************************************************** */
// TEE
/* ********************************************************************** */
for(I=0;I<INCEL;I++)
{
if(SITIO[I]==0)
{
TE[I]=TE[I]+1;
}
}
/* ********************************************************************** */
// Nova posição do sinal
/* ********************************************************************** */
for(I=0;I<TA;I++)
{
while(1)
{
alea=(1.0*UNI)/UNIMAX;
IXT[I]=(int)((alea*(IXT[I+2]-IXT[I-2])+IXT[I-2]));
alea=(1.0*UNI)/UNIMAX;
JYT[I]=(int)((alea*(JYT[I+2]-JYT[I-2])+JYT[I-2]));
if(((IXT[I]>=0)||(IXT[I]<IXARESTA))||((JYT[I]>=0)||(JYT[I]<IYARESTA)))
{
break;
}
}
}
/* ********************************************************************** */
// CONTADOR VIV. MORT. DANI.
/* ********************************************************************** */
SV=0;
SM=0;
SC=0;
SS=0;
for(I=0;I<INCEL;I++)
{
if(SITIO[I] == 1)
{
SV=SV+1;
}
else
{
if(SITIO[I] == 2)
{
78
SC=SC+1;
}
else
{
if(SITIO[I] == 0)
{
SM=SM+1;
}
}
}
}
SS=SV+SC;
SP=(100*(SS/CELL));
fprintf(vivo,"%10.2lf\n",SP);
tk += dt;
}
fclose(vivo);
printf("\n\n");
lt=time(NULL);
printf("\n\nO programa terminou em: ");
printf(ctime(<));
printf("\n\n");
/* ********************************************************************** */
// Liberando espaço alocado para os vetores
/* ********************************************************************** */
free(IX); free(JY); free(SITIO); free(JYT); free(IXT);
free(TOX); free(TE); free(AV); free(cont); free(ZITIO);
free(TT);
printf("\n\n");
return 0;
}
79
APÊNDICE C: Parâmetros para teste
Na TAB. C1estão listados alguns parâmetros e resultados esperados para conferir se o
código listado no Apêndice B foi compilado de forma correta.
Tabela C 1: Parâmetros para teste
Simulação
Número
de células
Bystander
Número de
Sinais
Bystander
Semente do
gerador
Passo de
tempo
Tempo
final de
simulação
Tempo médio
de execução da
simulação
Fração de
sobreviventes
esperada
1 5x104 1x104 1 / 2 5 20 passos 1 h 98,13%
2 1x106 1x104 23 / 4,5 5 20 passos 1 h 98,47%
3 5x104 2,1x105 354 / 256 5 20 passos 3h 73,51%
4 5x102 2,1x105 354 / 256 5 20 passos 8 h 73,8%
5 5x102 6x105 654 / 9 5 20 passos 12 h 50,60%