Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tutores:
Dra. Elena Izquierdo Kulich
Dr. José Manuel Nieto Villar
Colaboradora:
Dra. Margarita Amigó de Quesada
Introducción 1
1. Antecedentes. Revisión bibliográfica 3
1.1 Definición de cáncer. Características morfológicas 3
1.2 Fundamentos de la geometría fractal 4
1.3 Modelos matemáticos para describir el crecimiento de
tumores 5
1.3.1 Modelos estadísticos 6
1.3.2 Modelos deterministas basados en la ecuación de
Gompertz 7
1.3.3 Modelos estocásticos 10
1.4 Dualismo estocástico – fractal. Posible origen de la función de
Gompertz 12
2. Modelo matemático para describir el crecimiento tumoral
gompertziano a partir de la morfología de los patrones celulares. 16
2.1 Obtención del modelo para describir la dinámica del número
de células totales. 16
2.2 Obtención del modelo mesoscópico adimensional 20
2.3 Obtención del modelo de Gompertz 22
2.4 Relación entre variables morfológicas 24
2.5 Comportamientos predichos por el modelo 25
3. Teoría versus resultados experimentales. Discusión 29
3.1 Materiales y métodos 29
3.2 Resultados experimentales obtenidos en el estudio de
carcinoma de cérvix 32
3.2.1 Distribución estadística del factor morfológico 32
3.2.2 Relación morfológica experimental 34
3.2.3 Comportamiento de la velocidad de crecimiento con
respecto a la edad de las pacientes 37
Conclusiones 40
Recomendaciones 40
Referencias 41
Introducción
1
Para corroborar la hipótesis planteada se establece como objetivo
general obtener un modelo que permita establecer una relación entre la
morfología de los patrones celulares en tumores y la dinámica de su
crecimiento. Los objetivos específicos formulados para corroborar la hipótesis
planteada son:
1) Obtener un modelo de Gompertz mediante la aplicación del
formalismo estocástico basado en la ecuación maestra que considere el
carácter fractal del sistema en la definición de sus variables.
2) Aplicar el modelo obtenido en el estudio de tumores malignos
humanos y comprobar si los resultados obtenidos se corresponden con lo
reportado en estudios clínicos.
Este trabajo está conformado por cuatro capítulos. En el primer capítulo
de antecedentes y revisión bibliográfica se establece el marco teórico en el cual
se inserta este trabajo. En el segundo capítulo se obtiene el modelo
matemático, estableciéndose las predicciones teóricas del mismo. En el tercer
capítulo se relacionan las predicciones del modelo matemático con lo obtenido
experimentalmente discutiéndose este resultado. El cuarto y último capítulo
contienen las conclusiones y recomendaciones.
2
1. Antecedentes. Revisión bibliográfica
3
1.2 Fundamentos de la geometría fractal
4
se ignoren las irregularidades de tamaño menor que , y se determina como
estas medidas se comportan cuando 0 .
Si existe una ley de potencia:
M F c s (1.2.2)
6
1.3.2 Modelos deterministas basados en la ecuación de Gompertz
En el enfoque determinista se parte de consideraciones con determinado
sentido físico para la obtención de modelos descriptivos del comportamiento
del sistema, que predicen como evolucionan temporalmente las variables que
describen a este. Desde el punto de vista laplaciano se establece que,
conocido el estado actual de un sistema, puede conocerse con toda certeza su
estado futuro.
El modelo de Gompertz es el más popular de los modelos deterministas
que se emplean para la modelación del crecimiento tumoral [1]. Es importante
señalar que, aunque el modelo de Gompertz se obtuvo de forma empírica, se
diferencia de los modelos estadísticos en que este se puede obtener
teóricamente a través de diferentes consideraciones relacionadas con la
fenomenología del proceso, mientras que los modelos estadísticos se
comportan como cajas negras [20].
La función de Gompertz pertenece a la familia de curvas sigmoidales y
es solución de una ecuación diferencial de la forma:
d ln n
a ln n b, (1.3.1)
dt
Donde los parámetros a y b son determinados empíricamente. Dicha
función refleja el efecto de la disminución de la velocidad de crecimiento del
tumor en el tiempo. En este sentido, se ha planteado que el efecto de
retroalimentación presente en la ley de Gompertz por el comportamiento
logarítmico típico, se debe a factores de inhibición bioquímicos liberados por las
células muertas, lo cual inhibe la proliferación y es responsable de la saturación
del crecimiento [21]. Por otra parte, la dependencia logarítmica observada se
puede considerar como un mecanismo de retroalimentación tal que, el sistema,
a cualquier tiempo, reordena la velocidad de crecimiento y la fracción de
células proliferantes de acuerdo con el logaritmo del número total de células
[22].
Este modelo se ha empleado para estudiar el efecto de diferentes
estrategias de terapias sobre el comportamiento de diferentes tipos de tumores
[7], [13], [14], [15], [16]. En este contexto se ha encontrado que en las terapias
que pueden describirse matemáticamente mediante funciones monótonas, más
efectivas a mayor concentración del agente quimioterapéutico, la estrategia
7
óptima es la aplicación constante de dicho agente, mientras que en aquellas
que exhiben un umbral superior a partir del cual disminuye su efecto
terapéutico, resulta más apropiado establecer los instantes de tiempo de
inyección del agente mediante el empleo de un algoritmo de síntesis de control
óptimo [13].
El modelo de Gompertz no resulta apropiado para describir el
comportamiento de la mortalidad debido al cáncer con la edad ya que la
velocidad de incremento exponencial de la mortalidad producida por el cáncer
con la edad es mayor que la velocidad de incremento exponencial de la
mortalidad debido a otros factores con la edad [23]. Sin embargo, esto no
implica en modo alguno que el crecimiento de los tumores individuales no
cumpla con un modelo de Gompertz.
Los resultados encontrados en estudios clínicos demuestran que el
comportamiento del cáncer de mama se puede describir a través del modelo de
Gompertz [24]. De particular interés resulta la distribución de probabilidad de
tipo lognormal para el parámetro b en la ecuación:
donde:
k ln( NN0 )
(1.3.3)
también varía [24]. La variación del parámetro parece indicar que las
características individuales de cada caso influencian el crecimiento de un
mismo tipo de tumor, lo cual se manifiesta en la variabilidad de sólo uno de los
parámetros de Gompertz.
Por otra parte, se ha observado experimentalmente que existe un
crecimiento exponencial inicial (hasta 1–3 mm de diámetro) seguido de la fase
vascular de Gompertz [2],[14],[25].
El modelo de Gompertz para el número de células totales se ha obtenido
teóricamente mediante un enfoque netamente macroscópico basado en la
dinámica de la población celular en dos compartimentos [15]. El modelo resulta
8
en un sistema de 2 ecuaciones diferenciales que tiene solución analítica
exacta. Este modelo tiene asociada una función de transferencia inter-
compartimentos que describe el intercambio neto entre las células que
proliferan (P) y las células que no realizan mitosis (Q), donde se reportan los
parámetros asociados a la reproducción y a la muerte de las células [15]. El
crecimiento no perturbado se modela escogiendo la velocidad de intercambio
entre P y Q de modo que se obtenga el crecimiento de Gompertz empírico
establecido [26]. La velocidad de intercambio neto del tumor se considera
característica del mismo y su microambiente y, por lo tanto, representa la
respuesta acumulativa del tumor al suministro de oxígeno y nutrientes y la
comunicación intercelular. Este modelo se modifica para simular la terapia
antimitótica, prediciéndose que esta cambia la relación de proliferación P/
(P+Q), y disminuye la velocidad de transferencia de P a Q.
A partir de asumir un comportamiento dinámico de Gompertz se ha
propuesto el crecimiento de un tumor basado en la lenta evolución temporal de
un subsistema A (el tumor) insertado dentro de un sistema B de mayor tamaño
(el cuerpo) [22]. En este modelo se considera que las células vivas del tumor
consumen una cantidad de energía en forma de nutrientes y oxígeno, la cual
se recupera del ambiente (B), representado por un cuerpo vivo o una solución
externa. El ambiente B también tiene una acción mecánica que puede ser
responsable de la compresión, el incremento de la densidad y el cambio en la
forma del tumor (A). A partir de realizar un balance energético basado en las
leyes de la termodinámica se obtiene que existe un número de células mínimo
a partir del cual comienza la retroalimentación biológica, existiendo un balance
entre la energía específica para la proliferación, la energía metabólica
específica y el trabajo biomecánico, donde se considera que el valor de
saturación disminuye debido a la presión externa. A partir de los resultados
obtenidos los autores concluyen que el crecimiento de Gompertz se debe
esencialmente a este balance energético, el cual representa una descripción
macroscópica de una dinámica compleja subyacente. En este sentido, estos
resultados constituyen un paso de avance hacia la comprensión del patrón del
crecimiento tumoral mediante la conexión entre el punto de vista macroscópico
energético y la descripción más esencial y difícil del comportamiento colectivo
9
celular, donde el resultado que se obtenga también se puede describir por los
métodos de la mecánica estadística [22].
10
tumoral se relaciona con la dinámica de Gompertz. Este modelo toma en
cuenta tanto la apoptosis como la mitosis. En este caso se encontró que la
función de densidad exhibe una estructura con múltiples máximos, lo cual se
explica que es debido a la ocurrencia del proceso de mitosis en el tiempo. A
partir de los resultados obtenidos los autores concluyen que la mitosis crea la
estructura con múltiples máximos de la función de densidad de probabilidad del
tamaño de las células tumorales y que la velocidad de apoptosis afecta su
magnitud, donde el coeficiente de dispersión y la velocidad de crecimiento de
las células sólo son responsables del ajuste fino de la estructura. Este modelo
ha sido modificado insertando un término de terapia en el término determinista
del crecimiento celular [16], aunque esto último constituye una aproximación
que no toma en cuenta el efecto de las fluctuaciones externas. No obstante, La
incorporación de este término de terapia no sólo suprime la proliferación de las
células tumorales, sino que también permite que las células tumorales
disminuyan en tamaño.
Bajo estas mismas consideraciones se ha propuesto un modelo en el
cual el tamaño de las células tumorales está restringido [32]. En este caso la
función de densidad de probabilidad del tamaño de las células tumorales
obedece a una ecuación de Fokker Planck funcional asociada con un proceso
estocástico acotado. En este caso se encontró que la función de densidad de
probabilidad describe una estructura asimétrica generada por la mitosis a
medida que el sistema evoluciona en el tiempo.
Se ha descrito el efecto de las terapias a partir de un comportamiento de
Gompertz aplicando el formalismo estocástico basado en las fluctuaciones
externas [33]. La función de densidad de probabilidad del tamaño del tumor
obedece a una ecuación de Fokker Planck no lineal que no se puede resolver
analíticamente. En este caso los autores predicen que durante el tratamiento
del cáncer la intensidad de las dosis no debe reducirse porque esto permitiría
que el tumor reaparezca, mientras que la intensificación logarítmica tardía
pudiera ser la estrategia terapéutica óptima.
El origen microscópico de la dinámica de Gompertz observada a escala
macroscópica constituye un tema aún abierto para la modelación. Con el
objetivo de explicarla se ha presentado un modelo basado en autómatas
celulares para el crecimiento de un tumor avascular en un espacio cuadrado
11
bidimensional [3]. La formación de patrones y el crecimiento de la población
celular son descritas en base a una simulación de Monte Carlo, en la cual las
velocidades de los procesos son establecidas a priori. Para simular el
crecimiento se emplea una descripción microscópica de la respuesta del
sistema inmune, que incluye la proliferación celular, la muerte celular y la
degradación de células [3]. En este caso se considera la posibilidad de escape
del cáncer de la vigilancia inmune. Los resultados predicen una curva de
crecimiento con explicación a escala microscópica que está en concordancia
con el crecimiento experimental observado en tumores en animales. Los
autores también demuestran que diferentes conjuntos de parámetros darán
diferentes curvas de Gompertz. Dicho modelo muestra claramente que un
incremento en la velocidad de la lysis celular conduce a la disminución de la
velocidad de proliferación de las células del cáncer y concluyen que un mayor
tamaño del tumor podría no indicar agresividad del crecimiento tumoral. Sin
embargo, por tratarse de una simulación numérica, se obtiene un ajuste
empírico de esos datos a una función de Gompertz, por lo que no dan
explicación concreta a los parámetros de la misma.
12
la dimensión fractal. Uno de los aspectos significativos de este modelo se
relaciona con los valores predichos para el exponente de crecimiento, los
cuales expresan una característica básica de la dinámica de crecimiento de
superficies críticas. De acuerdo con este modelo, el valor del exponente de
crecimiento está entre 0,25 y 0,5, lo cual incluye el valor propuesto por Kadar-
Parisi-Zhang mediante el modelo de clase universal KPZ (0,33) [35] y el valor
propuesto por Brú (0,375) [36] relacionado con la dinámica de clase universal
(MBE). En este caso los resultados predichos por el modelo mesoscópico
sugieren que las dinámicas tumorales son demasiado complejas para
asociarse a una clase universal particular [34].
Bajo estas consideraciones [37], se sugiere que el tumor tiene una
dimensión fractal característica, la cual contiene la información necesaria para
predecir el crecimiento tumoral hasta que se alcanza un estado estacionario,
proponiéndose un modelo que relaciona la dimensión fractal del tumor con las
constantes de velocidad de mitosis y apoptosis a nivel de las células
individuales. También se predice que cuando las fluctuaciones externas son
relevantes la dimensión fractal del tumor puede distorsionarse con respecto al
valor característico en ausencia de estas, lo cual influye sobre la cantidad de
células que se encuentran en la interfase del tumor, donde la correlación entre
las fluctuaciones externas aditivas y las multiplicativas genera una resonancia
estocástica que pudiese explicar por qué un tumor que se encuentra en un
estado estacionario estable o latente puede evolucionar a un estado crítico,
generándose un proceso de metástasis aún bajo el efecto del hospedero y el
sistema inmune. Sin embargo, aunque es posible en primera aproximación
predecir cuando los tumores alcanzarán el estado latente, es prácticamente
imposible establecer cuando el tumor hará metástasis dado el carácter
altamente aleatorio de la acción del sistema [37].
A partir del formalismo mesoscópico y los conceptos de la geometría
fractal se han obtenido expresiones para predecir la dinámica del cáncer a
partir de la dimensión fractal de la imagen histopatológica del tejido tumoral
[38]. El sistema considerado es una región en el interior del tumor donde,
debido a la competencia por el espacio y los nutrientes, el promedio del número
total de células se encuentra en estado estacionario. A partir de considerar que
la relación mitosis/apoptosis que se predice a partir de la dimensión fractal del
13
patrón celular es proporcional a la agresividad, el modelo fue empleado para
estudiar in vivo el comportamiento de la agresividad del carcinoma de cuello
uterino con la edad de la paciente, encontrándose que la velocidad de
crecimiento de este tipo de tumor disminuye con el envejecimiento, lo que se
corresponde con los resultados obtenidos en los estudios clínicos reportados
en la literatura consultada [17] . Sin embargo, el modelo tiene limitaciones, ya
que se considera que el único factor que influye sobre la agresividad es la edad
de la paciente y las funciones que se establecen se seleccionan a partir de
criterios estadísticos, sin que sea posible explicar desde el punto de vista
fenomenológico la estructura matemática de las ecuaciones obtenidas.
A pesar de sus limitaciones, el éxito más importante de este modelo es
que establece teóricamente la relación entre la morfología del patrón celular y
el cociente mitosis/apoptosis, lo cual permite predecir la relación entre estos
parámetros dinámicos a partir de la dimensión fractal de las células tumorales
[39], donde se propone además la relación entre la morfología macroscópica
del tumor y la morfología del patrón celular.
Posteriormente este modelo [38] fue modificado para describir la
relación entre la morfología del tejido tumoral en el caso específico del
carcinoma de cérvix y los procesos dinámicos de mitosis y apoptosis [40]. El
nuevo modelo propuesto se aplicó a estudios in vivo de carcinoma de cérvix
etapa III, encontrándose que tanto la velocidad de mitosis como el índice de
agresividad, disminuyen con la edad de la paciente. Además se obtuvo que la
velocidad de apoptosis era significativamente menor en los tejidos tumorales en
comparación con las células normales de útero. Este último resultado
cuantitativo se corresponde con los resultados de los estudios genéticos y
bioquímicos efectuados en este tipo de cáncer, donde se encontró que la causa
de su aparición se debe a una disminución de la posibilidad de ocurrencia del
proceso de apoptosis debido a la inclusión de una proteína generada por el
papiloma virus, causante de este tipo de tumor, que impide que tenga lugar el
mecanismo de apoptosis [17], [18].
Se ha demostrado [41] que la curva de Gompertz normalizada que se
emplea para describir el crecimiento observado experimentalmente en
tumores malignos se puede ajustar a la función potencia:
y t at b (1.4.1)
14
con un coeficiente de regresión no lineal igual a 0,95, donde b se asocia
con una dimensión fractal temporal y t es el tiempo [41]. Para obtener este
resultado la curva de crecimiento del tumor se divide en tres intervalos para su
ajuste, considerándose de esta manera que esta curva es un fractal. El
resultado denota que no sólo el espacio ocupado por las células cancerosas
posee estructura fractal, sino que también la escala temporal en la cual
evoluciona el sistema tiene esta característica. El valor de la dimensión fractal
temporal media decrece a lo largo de la curva, acercándose eventualmente a
valores enteros. Además se han observado cambios en ambas dimensiones
fractales (temporal y espacial) durante el crecimiento o la formación de un
tumor [41], [42] lo cual sugiere que existe una influencia mutua entre la
dinámica de los eventos intracelulares, los eventos intercelulares, el tiempo y el
espacio.
Se ha discutido que el tiempo y el espacio poseen estructura fractal en el
caso de los sistemas tumorales, donde según los autores la fractalidad del
espacio – tiempo es un prerrequisito para el acoplamiento y crecimiento [43],
proponiéndose una relación universal entre el tiempo y el espacio para un
proceso no lineal con la dinámica de Gompertz, donde estas dos categorías
están relacionadas entre sí a través de una función lineal de sus logaritmos
[43]. También se ha demostrado que la dimensión fractal espacial es una
función tanto del tiempo escalar como de la dimensión fractal temporal.
La primera derivada de la función de Gompertz produce una curva en
forma de campana asimétrica al igual que la dimensión fractal temporal en el
tiempo, lo que indica que esta dinámica aparece por un acoplamiento de
probabilidades más complejo del que se relaciona con un modelo logístico, lo
cual se manifiesta en el carácter asimétrico de la primera derivada. Los
autores afirman que no se pueden señalar los procesos microscópicos locales
que contribuyen a la aparición de la dinámica de Gompertz en un determinado
punto de tiempo, ya que el crecimiento y la auto-organización ocurren en un
espacio tiempo de carácter fractal y se encuentran relacionados con un atractor
extraño [44].
15
2. Modelo matemático para describir el crecimiento tumoral
gompertziano a partir de la morfología de los patrones celulares
16
El mínimo valor de D f se corresponde con un caso en el cual todas
las células tumorales se localizan en la interfase del tumor, mientras que el
valor máximo implica una ocupación total del espacio interno del tumor por una
masa compacta de células. La relación 2.1.1 expresa que la variable n está
relacionada con el área de la sección circular del tumor que se encuentra
ocupada por células tumorales.
Por otra parte, el número de células en la interfase del tumor se define
por:
df
m r (2.1.3)
1 d f 1.5 (2.1.4)
17
Fig. 2.1 Imagen histopatológica de carcinoma epidermoide de cérvix. I
representa la interfase entre el tumor y el hospedero caracterizada por su
dimensión fractal d f , A representa las células en el interior del tumor cuya
dimensión fractal es D f , y B el patrón celular del hospedero. r es el radio del
tumor.
18
cambio que ocurre en cada proceso a nivel de las células se obtiene la
ecuación maestra [28] que describe la probabilidad P n, t de tener el
número de células n al tiempo t :
P n, t
t
E 1 1 n P n, t E 1 1 n P n, t
P n0 , 0 1 (2.1.10)
La ecuación maestra 2.1.10 es una ecuación diferencial en diferencias
no lineal y, por lo tanto, no tiene solución analítica exacta, siendo necesario
aplicar un método aproximado de solución [27], [28].
Si el cambio n en el número total de células n cuando tiene lugar un
proceso individual a escala microscópica es despreciable con respecto al
número total de células la variable n puede ser tratada como continua. Por lo
tanto, el operador paso E se puede expresar en términos de derivadas
parciales con respecto a n:
1 2
E 1
1
n 2 n
2
(2.1.11)
1 2
E 1
1
2
n 2 n
Sustituyendo el operador paso definido según 2.1.11 en la ecuación
2.1.10, se obtiene la ecuación de Fokker-Planck [28] correspondiente a la
función de probabilidad asociada al número de células totales:
P n, t 1 2
t
n
n n P n, t
2 n 2
n n P n, t (2.1.12)
P n0 , 0 1
dt
d n
n
n (2.1.13)
n 0 n0
19
d
dt
2 n
1
n
n (2.1.14)
0 0
0 2 n s 1 s n s n s (2.2.2)
D
ns
s (2.2.4)
A partir de las soluciones en estado estacionario se define la variable
adimensional:
n
x (2.2.5)
ns
20
en estado estacionario xs es igual a la unidad.
De forma semejante se define para la varianza:
(2.2.6)
s
d
d
2 x 1 1 1 x x
(2.2.9)
0 0
ln x h x h 1
1
(2.3.3)
h 0
La ecuación 2.3.1 se transforma en:
21
d ln x
ln x
d
x 0 x0 (2.3.4)
1
22
fractal del patrón celular.
d f D f ln
d ln r r
d p
r 0 r0 (2.3.7)
1
d f D f 1
p
d f D f
23
interesante obtener la mayor información posible asociada con la morfología
del tumor.
A partir de considerar que el tumor tiene una forma aproximadamente
circular, según lo observado en la figura 2.1 se establece la siguiente relación
entre el número de células en la interfase y el número de células totales:
dn
am (2.4.1)
dr
donde a es una constante de proporcionalidad.
La fracción del área total ocupada por células en el patrón celular
observado puede definirse como:
Df
n r
f (2.4.2)
n s p
valor del cociente dinámico para un determinado tipo de tumor.
25
crecimiento con respecto a y a la edad del tumor.
Para la caracterización de la agresividad de los tumores a partir de su
morfología, se determina analíticamente la velocidad de crecimiento
correspondiente a la edad del tumor o etapa clínica. De este modo puede
predecirse el comportamiento de la velocidad de crecimiento del tumor en
función de su morfología (Figura 2.4).
26
Fig. 2.5 Evolución temporal de la incertidumbre para dos valores
diferentes de .
27
Fig. 2.7 Comportamiento de f en función de d f a D f constante.
28
biopsias de tumores in vivo se empleó el programa ImageJ 1.43 de Wayne
Rasband, Instituto Nacional de Salud, USA (http://rsb.info.nih.gov/ij).
Puesto que el tratamiento químico previamente descrito produce el
marcaje de los núcleos celulares en azul, se separan los colores (fig. 3.1 b) y
escoge el canal que corresponde a la ausencia de color rojo (fig. 3.1 c), con lo
cual se elimina la contribución del citoplasma y el estroma marcado en rojo a la
intensidad de los píxeles. A la imagen binaria correspondiente (fig. 3.1 d) se le
determina la fracción del área ocupada por píxeles, que constituye una medida
de la ocupación del área del tejido por los núcleos celulares, y se le determina
la dimensión fractal D f por el método del conteo de caja (fig. 3.2). La
dimensión fractal del contorno d f se determina a partir del perfil del FFT de la
imagen (fig. 3.3).
29
Fig. 3.2 Representación gráfica del cálculo de la dimensión fractal
mediante el método del conteo de caja.
Los valores del cociente para cada caso fueron calculados a partir
de los valores de D f y df determinados experimentalmente, según ya ha
sido definido en el capítulo 2:
df
(2.1.5)
Df
31
bondad de ajuste realizada (ver Anexo 1), dado que el menor valor de P
obtenido es mayor o igual que 0.1, no se puede rechazar la idea de que
cumpla con la distribución propuesta para un 90% de nivel de confianza.
Es interesante señalar que este resultado para el cáncer de cérvix
relacionado con la función de probabilidad lognormal que muestra el parámetro
de Gompertz también fue encontrado en el estudio clínico que se hizo en
tumores mamarios [22].
32
a considerar consiste en que es posible establecer criterios de agresividad y
prognosis a partir de la morfología de los tejidos tumorales. En este sentido, la
relación morfológica dada por la ecuación 2.4.5 permite encontrar
experimentalmente un parámetro que es proporcional al cociente mitosis
apoptosis promedio para un tipo específico de tumor.
o escala de observación de la morfología y el intercepto b ln a , que
33
estadísticamente significativa entre las variables para un 99% de nivel de
confianza, donde el coeficiente de correlación R = -0.984 indica una relación
relativamente fuerte entre las variables. La figura 3.7 representa el gráfico
obtenido para dicha correlación.
El cumplimiento de esta relación, como ya ha sido discutido en 2.4,
implica que a mayor D f y menor d f hay una mayor densidad de células en el
tejido tumoral representada por f , lo cual está en correspondencia con la
definición de como la constante de Gompertz. La existencia de una
correlación lineal constituye además una validación de la definición del radio de
estado estacionario p en el modelo de Gompertz correspondiente a la
dinámica del radio del tumor.
En este caso se obtiene que para este tipo de tumor a toma un valor
34
Por otra parte, se había discutido que en trabajos previos [39] se
predecía una disminución de d f con el incremento de D f . En la tabla 3.3 se
muestran los resultados de un ajuste lineal empírico de d f como función de
D f , donde se observa que su pendiente es negativa, lo cual se corresponde
con las predicciones teóricas. En particular el valor de P indica que existe una
relación estadísticamente significativa entre las variables para un 95% de nivel
de confianza. En la figura 3.8 se observa la función teórica predicha, los datos
determinados experimentalmente para df y Df en tejido tumoral y el
comportamiento estadístico ajustado.
Es apreciable que la correlación entre ambas dimensiones fractales es
pobre. Existen dos posibles causas para la poca correlación observada. La
primera se asocia con la determinación experimental de ambas d f y D f a
partir del tratamiento de las imágenes de las biopsias, donde cada paso del
procesamiento simplifica las propiedades de la imagen. Este hecho constituye
una cuestión abierta en cuanto al tratamiento de imágenes óptimo a emplear.
La segunda causa está asociada con las diferencias entre el comportamiento
dinámico de las células en el interior del tumor y aquellas en la interfase del
tumor con el hospedero, provocado por el efecto de este último.
35
Fig. 3.8 Relación entre df y D f . Datos experimentales (puntos),
correlación lineal estadística (línea continua) y predicciones teóricas (línea
discontinua).
v
dx
d
2. 302 6e exp 2. 302 6e (3.2.3)
36
correlación moderada entre las variables, si bien la dispersión es considerable,
como se observa en la figura 3.9. Esta dispersión puede tener tres causas
fundamentales:
1. Existe un error asociado con el tratamiento de las imágenes
histopatológicas, el cual ha sido previamente discutido.
2. Sólo se ha considerado la edad como parámetro obviando la
influencia de los restantes factores clínicos.
3. Se considera que todos los tumores tienen la misma edad,
cuando en realidad la edad del tumor no se ha establecido, sino su etapa
clínica.
De acuerdo con esto se predice que la velocidad de crecimiento del
tumor disminuye con el envejecimiento. La disminución de la velocidad que
puede asociarse con una menor agresividad del tumor a mayor edad de la
paciente se corresponde con lo encontrado en los estudios clínicos reportados
en la literatura consultada [14].
37
Este resultado ha sido obtenido a partir de las consideraciones
establecidas en el modelo matemático, el cual se basa en considerar la
fractalidad del tumor y el carácter estocástico de los procesos que ocurren a
nivel de las células individuales. Por lo tanto el modelo propuesto constituye
una confirmación del principio del dualismo fractal estocástico [44]. Este
principio establece que la aparición de la dinámica de Gompertz a nivel
macroscópico durante el crecimiento y la auto-organización de una estructura
biológica está determinada por la dinámica a nivel microscópico de los
sistemas celulares supramoleculares, la cual depende tanto del acoplamiento
complejo de los eventos estocásticos como de la estructura fractal del espacio-
tiempo [43]. En este sentido, Se ha establecido que la función de Gompertz es
una función de probabilidad, donde su primera derivada es una función de
densidad de probabilidad de tipo no Gausiana y por otra parte, la función de
Gompertz define la dinámica fractal en el espacio tiempo, un prerrequisito para
el acoplamiento de procesos [44].
38
Conclusiones
Recomendaciones
39
Referencias
40
[18] E. M. Toledo Cuevas and A. García Carrancá, P53 and human papillomavirus in
the carcinogenesis of the uterine cervix, Rev. invest. clín, 48, 1, (1996), 59-68.
[19] R. W. Tsang, A. W. Fyles, Y. Li, M. M. Rajaraman, W. Chapman, M. Pintilie and
C. S. Wong, Tumor proliferation and apoptosis in human uterine cervix carcinoma
I: correlations between tumor proliferation and apoptosis, Radiother Oncol, 50
(1999), 85-92.
[20] J.O. Ramsay and B.W. Silverman, “Functional Data Analysis,” Second Edition,
Springer series in statistics, Springer, 2005.
[21] J. P. Freyer and R.M. Sutherland, Proliferative and Clonogenic Heterogeneity of
Cells from EMT6/Ro Multicellular Spheroids Induced by the Glucose and Oxygen
Supply, Cancer Research, 46 (1986) 3504.
[22] P. Castorina, D. Zappalà, Tumor Gompertzian growth by cellular energetic
balance, Physica A, 365 (2006) 473–480.
[23] J. E. Riggs, The Gompertz function: distinguishing mathematical from biological
limitations, Mechanisms of Ageing and Development, 69 (1993), 33-36.
[24] L. Norton, A Gompertzian Model of Human Breast Cancer Growth, Cancer
Research, 48 (1988), 7067-7071.
[25] G. G. Steel, Cell Tissue Kinet., 13 (1980), 451.
[26] F. Kozusko and Z. Bajzer, Combining Gompertzian growth and cell population
dynamics, Math. Biosci., 185 (2003), 153–167.
[27] C. W. Gardiner, “Handbook of Stochastic Methods for Physics, Chemistry and
the Natural Sciences," Third edition, Springer Series in Synergetics, 13, Springer-
Verlag, Berlin, 2004.
[28] N. G. van Kampen, “Stochastic Processes in Physics and Chemistry," N. H.
Publications, Elsevier, 1992.
[29] J. L. Steimer et al., Modelling the genesis and treatment of cancer: The
potential role of physiologically based pharmacodynamics, European journal of
cancer, 46 (2010), 21 –32.
[30] T. Bose and S. Trimper, A stochastic model for tumor growth with immunization,
PACS numbers: 87.10.-e; 87.15.ad; 87.15.Ya; 05.40.-a; 02.50.Ey (2008).
[31] C. F. Lo, Functional Fokker-Planck Equation Approach for a Gompertzian Model
of Tumour Cell Growth, Proceedings of the World Congress on Engineering Vol II
(2007).
[32] C. F. Lo, A modified stochastic Gompertz model for tumor cell growth,
Computational and Mathematical Methods in Medicine, iFirst article, (2009), 1–9.
[33] C. F. Lo, Stochastic Nonlinear Gompertz Model of Tumor Growth, Proceedings
of the World Congress on Engineering Vol II (2009).
[34] E. Izquierdo Kulich and J.M. Nieto Villar, Mesoscopic model for tumor growth,
Mathematical Biosciences and Engineering, 4, 4 (2007), 687–698.
[35] M. Block, E. Schöll, and D. Drasdo, Classifying the expansion kinetics and
critical surface dynamics of growing cell populations, arXiv:physics/0610146 1 19,
(2006).
41
[36] A. Brú, M. Pastor, I. Fernaud, I. Brú, S. Melle, and C. Berenguer, Super-rough
dynamics on tumor growth, Phys. Rev. Lett., 81 (1998), 4008-4011.
[37] E. Izquierdo Kulich and J.M. Nieto Villar, Morphogenesis of the tumor patterns,
Mathematical Biosciences and Engineering, 5, 2 (2008), 299–313.
[38] E. Izquierdo-Kulich, M. Amigó de Quesada, C. M. Pérez Amor, O. Castanella
Saint-Blancard y J. M. Nieto-Villar, Predicción de la agresividad del cáncer a partir
de la morfología del tejido tumoral: aplicación en el estudio del carcinoma
epidermoide de cuello uterino, Revista Cubana de Física, 26, 2B (2009), 246-250.
[39] E. Izquierdo Kulich, M. Amigó de Quesada, C. M. Pérez-Amor, M. Lopes
Texeira and J. M. Nieto Villar, The dynamics of tumor growth and cells pattern
morphology, Mathematical Biosciences and Engineering, 6, 3 (2009), 547–559.
[40] E. Izquierdo Kulich, M. Amigó de Quesada, C. M. Pérez Amor and J.M. Nieto
Villar, Morphogenesis and aggressiveness of cervix carcinoma, Mathematical
Biosciences and Engineering, 8, 4 (2011), 987-997.
[41] P. Waliszewski and J. Konarski, The Gompertzian curve reveals fractal
properties of tumor growth, Chaos, Solitons and Fractals, 16 (2003), 665–674.
[42] P. Waliszewski, M. Molski, J. Konarski, On the modification of fractal self-space
during cell differentiation or tumor progression, Fractals, 8, 2 (2000), 195–203.
[43] P. Waliszewski and J. Konarski, On time–space of nonlinear phenomena with
Gompertzian dynamics, BioSystems, 80 (2005), 91–97.
[44] P. Waliszewski, A principle of fractal-stochastic dualism and Gompertzian
dynamics of growth and self-organization, BioSystems, 82 (2005), 61–73.
42
Anexo: Prueba de bondad de ajuste de la distribución lognormal al
parámetro .
Prueba de Chi-cuadrado
Límite inferior Límite Frecuencia Frecuencia Chi-cuadrado
superior observada esperada
por debajo de 0.232 5 5.43 0.03
0.232 0.246 5 5.43 0.03
0.246 0.257 5 5.43 0.03
0.257 0.268 6 5.43 0.06
0.268 0.280 7 5.43 0.45
0.280 0.297 5 5.43 0.03
por encima de 0.297 5 5.43 0.03
Chi-cuadrado = 0.684
P = 0.953
Estadígrafo estimado de Kolmogorov D+ = 0.049
Estadígrafo estimado de Kolmogorov D- = 0.072
Estadígrafo total estimado DN = 0.072
P aproximado = 0.989
Estadígrafo EDF Valor Forma modificada P
Kolmogorov-Smirnov D 0.072 0,454 >0.10
Anderson-Darling A2 0.207 0.207 >0.10