Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TESIS
QUE PARA OBTENER EL GRADO DE:
PRESENTA:
DIRECTOR DE TESIS:
Dr. Konstantin E. Starkov
A Mi Madre
Porque la quiero mucho, siempre está a mi lado y me protege.
A Mi Padre
Por sus consejos y todos esos viajes al aeropuerto.
A Elideth
Porque es la mujer que amo y por ella nunca me dare por vencido.
Gracias por acompañarme siempre.
A la ciudad de Tijuana
Porque aquı́ conocı́ a grandes amigos: Ricardo Cárdenas, Diana Gamboa, Andres Cuevas,
Alejandro Galaviz, Pablo Obeso, Andrés Calvillo, Antonio Villegas, Oscar Garduño, Sonia
Ortı́z, Alan Garcı́a, Victor Ortı́z, Corina Plata, Paul Valle, Enrique Hernández . . .
Por las oportunidades de desarrollo profesional.
Por las experiencias vividas.
3
AGRADECIMIENTOS
A mis Profesores
Por compartir sus experiencias, conocimientos y desarrollar en mı́ nuevas habilidades.
Al CONACyT y COFAA
Por el apoyo económico durante mis estudios.
4
Resumen
En este trabajo se estudia la dinámica global de dos modelos matemáticos con interacciones de
células cancerı́genas y del sistema inmunológico, utilizando el método de la Localización de los
Conjuntos Compactos Invariantes (LOCI), el cual determina el dominio y las caracterı́sticas
de la dinámica de los sistemas no lineales, a través de su campo vectorial de soluciones.
En dicho dominio estan contenidas todas la dinámicas de las poblaciones de células que
se involucran en el modelo, para cualquier condición inicial dada. Para el primer modelo,
que describe la interacción de las células mieloides en el sistema inmunológico en presencia
de células cancerı́genas, se determinó su estabilidad local y se encontraron los conjuntos de
localización para las células mieloides maduras e inmaduras. Para el segundo modelo, que
describe el comportamiento de angiogenénesis tumoral, se estudiaron los casos cuando s = 0
y s > 0. Para el caso s = 0 se determinaron todos los conjuntos de localización de la dinámica
del modelo y se definieron condiciones para la convergencia al punto de equilibrio libre de
tumor. Para el caso s > 0 se determinaron los conjuntos de localización de las variables
x, z y w, para la variable y, únicamente se encontró la cota mı́nima. Además, se definieron
condiciones para la existencia de conjuntos ω lı́mite y se demostró atractividad del conjunto
K(h1 )∩K(h2 ). Para todos los modelos matemáticos estudiados, se presentan las simulaciones
de los conjuntos compactos invariantes.
5
Abstract
This work studies the global dynamics of two mathematical models with interactions of tumor
cells and immune system cells. We use the Localization Method of Compact Invariant Sets
(LOCI) to define a domain of the nonlinear systems using its vector field, and give qualitative
information about its dynamics. This domain contain all dynamics of populations cells of the
models for any initial condition. For the first model that describes the interactions of myeloid
cells in the immune system with tumor cells, we defined its locally stability and found the
compact invariant sets of mature and immature myeloid cells. For the second model that
describes the behavior of the angiogenesis, we studied the cases s = 0 and s > 0. For the
case s = 0 we got all compact invariant sets and give conditions for the convergence to
tumor free equilibrium point. On the other hand, for the case s > 0 we got the compact
invariant sets of the variables x, z and w, for the variable y we only got the lower bound.
Also, we give conditions for the existence of ω limit set and demonstrate the attraction of set
K(h1 )∩K(h2 ). For all mathematical models we present numerical simulations of the compact
invariant sets.
6
Índice general
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Índice de figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Índice de tablas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1. Introducción 13
1.1. Sistemas biológicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.1.1. Biologı́a matemática . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.1.2. Descripción matemática de los fenómenos biológicos . . . . . . . . . . 14
1.2. Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3. Objetivos especı́ficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4. Modelo matemático de la interacción de las células mieloides en la respuesta
inmunológica en presencia de células cancerı́genas . . . . . . . . . . . . . . . 17
1.5. Modelo matemático de angiogénesis tumoral . . . . . . . . . . . . . . . . . . 19
1.6. Localización de conjuntos compactos invariantes de sistemas biológicos . . . 21
1.7. Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.8. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2. Fundamentos teóricos 29
2.1. Sistemas dinámicos no lineales . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2. Solución del campo vectorial de los sistemas dinámicos . . . . . . . . . . . . 30
2.3. Trayectorias de los campos vectoriales de los sistemas dinámicos . . . . . . . 34
7
2.3.1. Punto de equilibrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3.2. Órbita periódica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3.3. Órbita homoclı́nica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3.4. Órbita heteroclı́nica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4. Derivada direccional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.5. Localización de conjuntos compactos invariantes . . . . . . . . . . . . . . . . 38
2.6. Estabilidad de los sistemas dinámicos . . . . . . . . . . . . . . . . . . . . . . 39
2.7. Teorema de LaSalle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.8. Conjuntos ω lı́mite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
8
4.2.4. Condiciones para la existencia de conjuntos ω lı́mite en el plano w = 0 87
4.2.5. Atractividad del conjunto K(h1 ) ∩ K(h2 ) . . . . . . . . . . . . . . . . 89
Conclusiones 91
Trabajos futuros 92
Anexos 93
Bibliografı́a 106
9
Índice de figuras
4.1. Series de tiempo del modelo de angiogénesis tumoral con crecimiento avascular
caso s = 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
10
4.2. Series de tiempo del modelo de angiogénesis tumoral con crecimiento vascular
caso s = 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.3. Localizaciones del modelo de angiogénesis tumoral con crecimiento avascular
caso s = 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.4. Localizaciones del modelo de angiogénesis tumoral con crecimiento vascular
caso s = 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.5. Series de tiempo del modelo de angiogénesis tumoral con crecimiento avascular
caso s > 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.6. Series de tiempo del modelo de angiogénesis tumoral con crecimiento vascular
caso s > 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.7. Localizaciones del modelo de angiogénesis tumoral con crecimiento avascular
caso s > 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.8. Localizaciones del modelo de angiogénesis tumoral con crecimiento vascular
caso s > 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
A.1. Dominio del modelo de interacción de las células mieloides en el sistema in-
munológico en presencia de células cancerı́genas, x10 = 0.255, x30 = 4.6 × 107 ,
x40 = 4.8 × 108 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
A.2. Dominios del modelo de angiogénesis tumoral con crecimiento avascular, caso
s = 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
A.3. Dominios del modelo de angiogénesis tumoral con crecimiento vascular, caso
s = 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
A.4. Dominios del modelo de angiogénesis tumoral con crecimiento avascular, caso
s > 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
A.5. Dominios del modelo de angiogénesis tumoral con crecimiento vascular, caso
s > 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
11
Índice de tablas
12
Introducción
1
1.1. Sistemas biológicos
Los sistemas biológicos constituyen ejemplos tı́picos de complejidad, dado que en ellos in-
teractúan factores diversos de forma no lineal. Dichas interacciones se presentan a niveles
molecular, celular o poblacional y en las diferentes ramas de la biologı́a como fisiologı́a, eco-
logı́a, epidemiologı́a, genética, anatomı́a, neurologı́a, inmunologı́a, oncologı́a, por mencionar
algunas. Por ejemplo, los pulmones y el corazón comparten dos caracterı́sticas anatómicas y
fisiológicas: los dos se encuentran dentro del tórax y garantizan el aporte necesario de óxigeno.
Por lo que las patologı́as de estos dos órganos están ı́ntimamente relacionadas y se influyen
mutuamente. Por otro lado, si en epidemiologı́a se desea analizar como se propaga una enfer-
medad como el SIDA (sı́ndrome de inmunodeficiencia adquirida) en una población humana
definida, convendrı́a estudiar la red de interacciones sexuales. Por otra parte, en ecologı́a cada
organismo en un ecosistema desempeña un papel biológico especı́fico, conocido como nicho
ecológico. Por ejemplo, las plantas tienen como nicho la sı́ntesis de alimento, mientras que las
bacterias y hongos tienen como nicho la descomposición. Dos especies diferentes pueden ocu-
par el mismo hábitat, pero, generalmente, no el mismo nicho. Si dos especies diferentes tratan
de ocupar el mismo nicho, competirán una con la otra, y probablemente la especie que esté
mejor adaptada ocupará el nicho. Las interacciones ecológicas más estudiadas son la compe-
tencia entre especies y las redes tróficas. En inmunologı́a, la interacción más común es la de
antı́geno-anticuerpo, ya que para que un antı́geno desencadene una respuesta inmunológica,
primero debe ser reconocido por un anticuerpo.
Es notable que existen un número muy grande de interacciones y factores que intervienen
13
en los diferentes sistemas biológicos, y que son determinantes en la fenomenologı́a de cada
una de la ramas de la biologı́a. Los biologos para analizar dichas interacciones y responder
el porque de los fenomenos biológicos utilizan la observación y la experimentación. Pero en
tiempos recientes ha habido una considerable expansión en lo que se ha dado por llamar
biomatemática o biologı́a matemática.
Las matemáticas juegan un papel clave en el quehacer cientı́fico. Los métodos y teorı́as que
de ella emanan, no solamente proveen de capacidad de predicción, sino que también pueden
ayudar en el diseño de experimentos, o bien, arrojar luz en el entendimiento de fenómenos
naturales que son inaccesibles para las ciencias experimentales mediante la experimentación
in silico.
Con base en lo anterior y a los intereses cientı́ficos de los biólogos y matemáticos, en el
último siglo, la biologı́a es una de la ciencias que se ha visto beneficiada por las matemáticas,
surgiendo con ello la biologı́a matemática.
La biologı́a matemática es un área cientı́fica que estudia los fenómenos biológicos utilizando
técnicas matemáticas y computacionales, cuyo principal fin es describir los procesos biológicos
para poder entender su fenomenologı́a y, en algún momento, hacer aportaciones al área
biológica.
La relación entre la biologá y la matemática ha sido fructı́fera desde que alguien, por primera
vez, se dio cuenta de la posibilidad de representar los fenómenos biológicos mediante modelos
matemáticos. Dentro de la biologı́a matemática se pueden encontrar modelos de los fenómenos
biológicos por medio de ecuaciones diferenciales ordinarias o parciales, procesos estocásticos,
autómatas celulares, algoritmos genéticos, entre otros, y en las diferentes ramas de la biologı́a.
El primer modelo matemático que se conoce data del año 1219, éste fue propuesto por
Leonardo de Pisa en el Liber abacci, donde formuló un problema cuya solución se darı́a
en términos de ecuaciones para la dinámica de una población. Posteriormente, en la primera
mitad del siglo XIX, Thomas Robert Malthus y Pierre François Verhulst presentaron las
ecuaciones malthusiana y logı́stica como modelos matemáticos de la evolución poblacional.
14
Dichas ecuaciones junto con las ecuaciones de Alfred J. Lotka y Vito Volterra en el siglo
XX, sentaron las bases de la ecologı́a matemática. La biologı́a matemática moderna nació
con Nicolas Rashevsky, quien publicó en 1938 el primer texto cientı́fico sobre esta disciplina
y creó en 1939, The Bulletin of Mathematical Biophysics, en la actualidad, The Bulletin of
Mathematical Biology, la primera revista especializada del área. En 1952 Alan Turing intentó
describir los procesos biológicos que regulan el crecimiento de un organismo en un trabajo
sobre ecuaciones de reacción-difusión. Hoy en dı́a se pueden encontrar diferentes modelos
matemáticos para los distintos fenomenos biológicos de todas las ramas de la biologı́a, algunos
más complicados que otros, basados en datos experimentales, leyes fı́sicas o en modelos
comprobados.
En la biologı́a matemática cada problema es particular, por lo tanto, las herramientas que se
utilizan son muy variadas. Por ejemplo, en epidemiologı́a se requieren ideas de la teorı́a de
grafos; el álgebra combinatoria se aplica en el control de sistemas en ecologı́a; la investigación
en genética molecular necesita de ciertos procesos estocásticos; las técnicas de Monte Carlo y
los métodos numéricos están presentes en la simulación de eventos raros en modelos biológicos;
los modelos lineales y no lineales en neurobiologı́a emplean ecuaciones diferenciales parciales
deterministas y estocásticas. Que junto con los avances computacionales de las útimas décadas
y el desarrollo de nuevos métodos de cálculo permiten abordar la diversidad de retos dentro
de la biologı́a matemática. Pero el más esperanzador de los desafı́os dentro de la biologı́a
matemática está vinculado a entender las dinámicas del cáncer in situ, y trasladar los modelos
y datos a la experimetación clı́nica in vitro, in vivo.
15
1.2. Objetivo general
Estudiar la dinámica global de algunos modelos de interacciones de células cancerı́genas
y del sistema inmunológico.
16
1.4. Modelo matemático de la interacción de las células
mieloides en la respuesta inmunológica en presen-
cia de células cancerı́genas
El sistema inmunológico es la defensa del cuerpo humano contra organismos extraños, su
propósito general es identificar y eliminar una gran variedad de patógenos, el cual se divide
en el sistema inmunológico innato (SII) y especı́fico (SIE). El SII es la primera y segunda
lı́nea de defensa del cuerpo humano, que tiene como medios de defensa la piel, la membrana
mucosa, el cabello, lágrimas, estornudos, pH gástrico, algunas células especializadas, proteı́nas
solubles, entre otros. El SIE es la tercera lı́nea de defensa del cuerpo humano y tiene dos
principales respuestas:
Los linfocitos B son producidos en la médula ósea, y una vez activados se dividen en
células plasmáticas que secretan anticuerpos y células de memoria, haciendo que la
respuesta inmunológica sea más rápida y en mayor cantidad.
17
Un modelo matemático que describe el comportamiento e interacciones entre las células
mieloides, células cancerı́genas y células de la respuesta inmunológica especı́fica, tiene la
siguiente estructura:
ex1 x2 x4
ẋ1 = A1 x1 −
x3 + x4
cx1 x22 x4
ẋ2 = −µL x2 +
x 3 + x4
x1 x 3
ẋ3 = Ω − A2 x3 + g (1.1)
P + x1
x1 x3
ẋ4 = θx3 − g − µ 2 x4
P + x1
A1 = a − µT
A2 = µ1 + θ,
La población de células T CD8+ presenta una disminución de manera natural a una tasa
µL y un crecimiento a una tasa c debido a las interacciones con las células cancerı́genas,
pero también una disminución a la misma tasa c debido a las interacciones con las células
mieloides.
18
además tiene un crecimiento y disminución debido a las Imc. El parámetro P es el
coeficiente de saturación de las células cancerı́genas.
El modelo (1.1) que incorpora la dinámica e interacciones de las células cancerı́genas, células
T CD8+ , Imc y Mmc, es un sistema de cuatro ecuaciones diferenciales ordinarias no lineal
con parámetros positivos. Fue desarrollado por I. Kareva y colaboradores en la referencia [7],
y tiene las siguientes caracterı́sticas:
La producción de las células T CD8+ solo puede existir en presencia de las células
cancerı́genas.
19
ẋ = ρ1 x (1 − x) − α13 xz
ρ2 yz
ẏ = s + − α23 yz − δ2 y + α24 yw
1+z
α34 zw
ż = ρ3 z (1 − z) − α31 xz − α32 zy + (1.2)
1+w
ρ4 wz
ẇ = − δ4 w,
1+z
La población de células húesped tiene una tasa de crecimiento logı́stico ρ1 y una tasa
de disminución α13 debido a la interacción con las células cancerı́genas.
La población de células efectoras tiene una tasa de crecimiento ρ2 y una tasa de dis-
minución natural δ2 , también presenta una tasa de disminución α23 debido a las in-
teracciones con las células cancerı́genas y un crecimiento a una tasa α24 debido a las
interacciónes con las células endoteliales. El parámetro s, es una tasa de crecimiento
constante, proveniente del exterior, semejante a una inmunoterapia.
La población de células cancerı́genas tiene una tasa de crecimiento logı́stico ρ3 , una tasa
de disminución α31 y α32 debido a las interacciones con las células húesped y células
efectoras, respectivamente. Pero además tiene un tasa de crecimiento α34 debido a la
interacción con las células endoteliales (angiogénesis).
El sistema (1.2) que modela la agiogénesis tumoral desarrollado por Louise Viger y colabo-
radores en la referencia [15], es un sistema de cuatro ecuaciones diferenciales ordinarias no
lineal con parámetros positivos, el cual tiene tres interacciones principales:
20
proteı́nas de factor de crecimiento como VEGF, para estimular a las células endoteliales
y se generen nuevos capilares sanguı́neos.
El tercer tipo de interacción se da entre las células endoteliales y las células efectoras del
sistema inmunológico, pues comenzada la angiogénesis tumoral, las células endoteliales
estimulan a las células efectoras para eliminar células cancerı́genas.
Conjunto Condición
a λ
K1 = {x + y + 2c
z ≤
m
} m = mı́n(d, a2 , b)
K2 = {x ≤ λ d
cλ
; z ≤ bm } m = mı́n(d, a2 , b)
λ
K3 = {x + y ≤ 2b } a≥d
λ máx P (t) P∗
K4a (ξ) = {ξz 2 + x + y ≥ 2b } máx(a, d) < 2b, ξ > 2c
= 2c
λ mı́n P (t) P∗
K4b (ξ) = {ξz 2 + x + y ≤ 2b } mı́n(a, d) > 2b, ξ < 2c
= 2c
21
En este caso, el modelo de infección viral es no autónomo o variante en tiempo, pero se
encontró el dominio del sistema, el cual está definido por los conjuntos K1 , K2 , K3 , K4a
y K4b de la tabla 1.1, respetando los teoremas del problema de localización para sistemas
invarientes en el tiempo, como se muestra en las condiciones de los conjuntos K4a y K4b . En
[28] se dio solución al problema de la localización de los CIS en dos modelos de una cadena
alimenticia de tres especies, los cuales se ubican en el cuadrante positivo en un tetraedro,
además se dan condiciones suficientes de la no existencia de CIS. En [30] se estudió la dinámica
global del modelo de cáncer superficial de vejiga en presencia del tratamiento BCG (Bacillus
Calmette-Guérin), encontrandose las cotas superiores del campo vectorial de soluciones en el
cuadrante positivo, además, se demostró la existencia de un domino acotado positivamente
invariante y se garantizó estabilidad asintótica global del punto de equilibrio libre de tumor.
En la tabla 1.2 se muestran algunos de los resultados.
Conjunto Condición
1
K(h1 ) = {w ≤ β
}
K(h2 ) = {x ≤ b}
bp2 p3 µ p3
K(h3 ) = {z − qy ≤ qαβ
} q= ,
p5 α
≤ p5
r
1 bp2 b2 p22 rq
K(h4 , q) = {z := zmáx ≤ β
+ 2qαβ
+ 4q 2 α2 β 2
+ 4βp3
}
αzmáx
K(h5 ) = {y ≤ µ−p4 b
} µ − p4 b > 0
Utilizando los conjuntos de la tabla 1.2, se demostró la existencia del domino acotado po-
4 4
sitivamente invariante (KBP ID ) en R+,0 ∩ {w > 0} y R+,0 ∩ {w = 0}. En [31] se realizó el
estudio de la dinámica del modelo de Kirschner−Panetta para la inmunoterapia del cáncer,
encontrandose las cotas máximas y mı́nimas de las poblaciones celulares, y condiciones para
la convergencia al punto de equilibrio libre de tumor. En la referencia [35] se encontraron las
cotas máximas y mı́nimas de las poblaciones celulares de un modelo que describe el com-
portamiento del cáncer relacionado con el SIDA, también se demostró la existencia de un
politopo positivamente invariante y superficies que contienen conjuntos omega−lı́mite en el
cuadrante positivo. Por último, en [36] se define un dominio donde se localizan todas las
dinámicas de un modelo de evasión inmunológica de tumores, además se demuestra que el
22
dominio es positivamente invariante. En la tabla 1.3 se muestran las localizaciones de los
CIS.
Conjunto Condición
p
K(h1 ) = {0 ≤ w ≤ wmáx := µ4 }
3
p w
K(h2 ) = {0 ≤ y ≤ ymáx := b(1 + r(g 2+w
máx )}
3 máx )
cy
K(h3 ) = {0 ≤ x ≤ xmáx := µ máx } µ1 > p1
1 −p1
p
K(h4 ) = {0 ≤ z ≤ z1 máx := µ3 xmáx } µ1 > p1 , z1 máx < z2 máx }
2
2 δ2
K(h5 ) = {0 ≤ z ≤ z2 máx := 4δ µ } z1 máx ≥ z2 máx
1 2η
2
K(h6 ) = {xy ≤ b ( β2 + cymáx )}
r 4β1
Todos las dinámicas del modelo de evasión inmunológica están contenidas en el dominio
positivo invariante KBP ID definido por los conjuntos de la tabla 1.3 como KBP ID = K(h1 ) ∩
K(h2 ) ∩ K(h3 ) ∩ K(h4,5 ) ∩ K(h6 ). En la figura 1.1 (a) y (b) se muestra la dinámica del modelo
en plano de fase x, y, w y x, y, z respectivamente.
23
(b) Plano de fase x, y, z.
Figura 1.1: Dinámica de convergencia al dominio KBP ID del modelo de evasión inmunológica [36].
En la figura 1.1 se aprecia que la dinámica del sistema, para una condición inicial dada fuera
del dominio KBP ID , converge a dicho dominio y permenece dentro de él.
24
1.7. Planteamiento del problema
Con el surgimiento de la biologı́a matemática en los últimos años, el modelado y análisis ma-
temático de sistemas biológicos, ha contribuido a describir, entender o predecir los fenómenos
biológicos. Uno de los métodos utilizados para el análisis de las dinámicas de crecimiento ce-
lular o propagación del cáncer, ha sido la localización de los conjuntos compactos invariantes,
que se apoya del campo vectorial del sistema y las llamadas funciones localizadoras.
Los campos vectoriales son funciones que asignan vectores a puntos en un espacio n-dimensional
de coordenadas, los vectores tienen información relevante de cada uno de los puntos. Una
ecuación diferencial autónoma, involucra un campo vectorial en un dominio n-dimensional
llamado el espacio de fase.
Un dominio donde esté contenido el espacio de fase, es cerrado si contiene todos los vectores
asignados a las soluciones, y es acotado si su extensión en finita. Si el dominio es cerrado
y acotado se le denomina conjunto compacto, y por lo tanto alcanza un valor máximo y
mı́nimo. El conjunto compacto será invariante respecto al espacio de fase, si las condiciones
iniciales de la ecuación diferencial están contenidas en el conjunto compacto. Por lo tanto,
todas las dinámicas de la ecuación diferencial estarán contenidas en el conjunto compacto
invariante (CIS).
El método de la localización de los conjuntos compactos invariantes, consiste en la búsqueda
de un dominio que contenga el campo vectorial de soluciones de un sistema de ecuaciones
diferenciales autónomas no lineales, utilizando funciones localizadoras. Los sistemas no li-
neales tiene la caracterı́stica de ser sensibles a condiciones iniciales, en otras palabras, para
cada condición inicial dada, el comportamiento del sistema será diferente. Si se encuentra
el dominio que contenga todos los comportamientos del sistema no lineal, el análisis de su
dinámica se torna de una forma simple, por el hecho de que su campo vectorial de soluciones
estarı́a acotado, y por lo tanto, la estabilidad o la búsqueda de condiciones para determinar
estabilidad asintotica global, estarı́a cerca de determinarse.
Con base en el método de la localización de los CIS, se presenta el siguiente trabajo que tiene
como objetivo general: Estudiar la dinámica global de algunos modelos de interacciones de
células cancerı́genas y del sistema inmunológico, y como objetivos especı́ficos: Conceptualizar
los modelos biológicos de la interacción de las células mieloides en el sistema inmunológico
25
y de angiogenénesis tumoral, análizar la estabilidad local del modelo de la interacción de
las células mieloides en el sistema inmunológico, determinar la localización de los conjuntos
compactos invariantes de los modelos de interacción de las células mieloides en el sistema
inmunológico y de angiogenénesis tumoral, mostrar mediante simulación numérica la locali-
zación de los conjuntos compactos invariantes, establecer condiciones de convergencia a los
puntos de equilibrio libres de tumor para el modelo de angiogénesis tumoral caso s = 0 y de-
mostrar la existencia de conjuntos ω lı́mite para el modelo de angiogénesis tumoral caso s > 0.
26
1.8. Justificación
Un modelo matemático es una representación simplificada de los aspectos relevantes del
comportamiento de un fenómeno y sus relaciones causales, por ejemplo, el movimiento de
una partı́cula, el desplazamiento de un cuerpo, el crecimiento poblacional o la concentración
de un elemento en una reacción quı́mica. La finalidad de estos modelos recae en comprender
la fenomenologı́a del suceso y predecir su comportamiento.
Durante la primera decada de este siglo, la aplicación del enfoque de las matemáticas a la
biologı́a ha traido la creación de la biologı́a matemática, y con ella, numerosos avances en
biologı́a y tecnologı́a [1, 2, 3]. En la biologı́a matemática, los modelos matemáticos son muy
usados, debido a que es posible establecer algunos resultados de un experimento sin realizarlo,
además de obtener predicciones que no son obvias a simple vista.
Por otra parte, datos de la Organización Mundial de la Salud (OMS) ubican al cáncer como
una de las principales causas de muerte en el mundo. Tan solo en 2012, hubo cerca de
14 millones de nuevos casos y 8.2 millones de muertes relacionadas con el cáncer [5]. En
México, cada año se generan 130 mil nuevos casos de cáncer y 90 mil fallecidos debido a ésta
enfermedad [6], colocandolo como un problema de salud pública.
Con base en lo anterior, uno de los retos actuales de la biologı́a matemática, es entender el
comportamiento dinámico celular de los diferentes tipos de cáncer y sus interacciones. Con
la finalidad de identificar que factores de la dinámica favorecen a las células sanas o evitan
el crecimiento incontrolable de las células cancerı́genas, encontrar los medios óptimos del
suministro de algún tratamiento, predecir el comportamiento o aparición del cáncer.
Por tal razón, en este trabajo se realiza el análisis matemático de la dinámica celular del
cáncer y sus interacciones en algunos modelos biológicos, utilizando el método de la localiza-
ción de los conjuntos compactos invariantes.
Para alcanzar los objetivos planteados, este trabajo se ha organizado de la siguiente manera:
27
células mieloides en el sistema inmunológico en presencia de células cancerı́genas, mediante
linealización y la localización de los CIS.
28
Fundamentos teóricos
2
Es muy común que para los sistemas dinámicos no lineales, no se pueda obtener una solución
analı́tica dada una condición inicial. En su lugar, se trata de determinar el comportamiento
cualitativo de las soluciones, usando las propiedades del campo vectorial, ya que contiene
las trayectorias de las soluciones, y cada punto puede desempeñar el papel de una condición
inicial. A continuación se presentan las definiciones formales de los aspectos teóricos de los
sistemas dinámicos no lineales, de los campos vectoriales y sus retratos de fase tı́picos, de
la derivada direccional, del método de la localización de los CIS y de la estabilidad de los
sistemas dinámicos.
x˙1 = f1 (x1 , x2 , · · · , xn , p)
29
Donde x1 , x2 , · · · , xn son las variables de estado y p ∈ R, los parámetros del sistema. Otra
forma de representar (2.1) es en forma vectorial:
Donde x ∈ Rn y p ∈ R. Los sistemas, tanto (2.1) como (2.2), tienen la caracterı́stica de ser
autónomos, determinı́sticos, de dimensión finita y su campo vectorial f (x, p) está dado por
funciones diferenciables no lineales. Debido a que (2.2) está dada por funciones no lineales,
no es posible dar una solución explı́cita del sistema. Por lo tanto, el análisis de la dinámica
del sistema (2.2) se da a través del estudio de su campo vectorial.
Como se muestra en la figura 2.1, una forma de representar un campo vectorial, es dibujar la
flecha que representa al vector f (x) en el punto (x1 , x2 ). Naturalmente, es imposible hacerlo
para todos los puntos (x1 , x2 ), pero se puede conseguir un representación razonable de f (x).
30
En las figuras 2.2 (a), (b), (c) y (d) se muestran los campos vectoriales de las funciones
f (x) = [−x2 x1 ]T , f (x) = [−x1 x2 ]T , f (x) = [x1 x2 ]T y f (x) = [x2 sin x1 ]T , respectivamente.
31
(c) Campo vectorial de la función f (x) = [x1 x2 ]T .
32
de una ecuación diferencial.
Como se puede ver en la figura 2.4, los campos vectoriales de los ecuaciones diferenciales dan
33
información aproximada sobre el comportamiento de la solución real de la ecuación, y por
lo tanto, también de su dinámica goblal. Como se pudo observar en las figuras 2.2 y 2.4, los
campos vectoriales tienen diferentes formas o dinámicas, esto debido a las caracterı́sticas de
las funciones, y en general, existen dinámicas partı́culares que se presentan frecuentemente en
los campos vectoriales de los sistemas dinámicos. A continuación se presenta la descripción
de algunas de estas dinámicas.
En la figura 2.5, A, B y C son puntos de equilibrio, y D es una órbita cerrada. Las órbitas
cerradas se dividen en: Órbitas periódicas, homoclı́nicas y heteroclı́nicas.
Un punto de equilibrio xe de un sistema dinámico, escrito de la forma (2.2), son todos los
valores de xe ∈ x que hacen:
ẋ = f (xe , p) = 0. (2.4)
34
En la dinámica del sistema, xe tiene la caracterı́stica que, si el sistema es iniciado en xe ,
entonces la dinámica permanecerá en xe para todo t ≥ 0.
Un sistema dinámico de la forma (2.2), tiene órbitas periódicas, si tiene soluciones periódicas.
Una solución es periódica si, para toda t existe una 0 < T < ∞ tal que:
En las figuras 2.6 y 2.7 se muestra una solución periódica y el campo vectorial de una órbita
periódica, respectivamente.
35
2.3.3. Órbita homoclı́nica
Una órbita se dice que es homoclı́nica, si su trayectoria converge al punto de equilibrio xe para
−∞ ≤ t ≤ +∞. En la figura 2.8 se muestra el campo vectorial de una órbita homoclı́nica.
Las trayectorias cerradas formadas por órbitas heteroclı́nicas se denominan ciclos homoclı́ni-
cos.
36
2.4. Derivada direccional
Los campos vectoriales asociados a los sistemas dinámicos permiten calcular, de manera
sencilla, la tasa de variación de funciones escalares a lo largo de las soluciones de la ecuación
diferencial asociadas al campo vectorial, mediante la derivada direccional o derivada de Lie.
A continuación se presenta la definición de la derivada de Lie y algunas de sus propiedades.
Definición 1. Sea h(x) una función escalar suave, de clase C ∞ , y un campo vectorial f (x, p)
también de clase C ∞ . Entonces la derivada direccional o derivada de Lie de la función h(x)
con respecto al campo vectorial f (x, p), la cual se designa mediante Lf h(x), se define como:
∂h(x)
Lf h(x) = f (x, p). (2.6)
∂x
La derivada de Lie Lf h(x), que sigue siendo una función escalar, mide en cada punto x del
espacio, la variación instantánea de la función h(x) con respecto a la solución de la ecuación
diferencial ẋ = f (x, p) que pasa por ese punto.
Definición 2. La función h(x) es llamada primera integral del sistema ẋ = f (x, p) sı́:
Lf h(x) = 0. (2.7)
Si se calcula la derivada de Lie de h(x) con respecto al sistema (2.2), y esta es igual a cero,
significa que el campo vectorial f (x, p) y h(x) son ortogonales.
Lf (h1 + h2 ) = Lf h1 + Lf h2 .
Lαf h = αLf h.
37
2.5. Localización de conjuntos compactos invariantes
El método de la localización de los conjuntos compactos invariantes, define un dominio en el
espacio de fase de los sistemas dinámicos no lineales. En dicho dominio estarán contenidas
todas las dinámicas del sistema, bajo ciertas condiciones. A continuación se presentan las
definiciones de los teoremas del método.
donde
con
38
contienen todos los conjuntos compactos invariantes del sistema (2.2), y además:
K1 ⊇ K2 ⊇ · · · ⊇ Km ⊇ · · · . (2.17)
39
En la figura 2.10, la trayectoria 1 es estable en el sentido de Lyapunov, la trayectoria 2 es
asintoticamente estable, y la trayectoria 3 es inestable.
Lf V (x)|U ≤ 0, (2.21)
Definición 8. Sea xe un punto de equilibrio de (2.2), y existe una función V (x) tal que:
Definición 9. Dado xe un punto de equilibrio de (2.2), y existe una matriz A del sistema
40
(2.2) tal que:
∂f1 (xe ,p) ∂f1 (xe ,p)
∂x1
··· ∂xn
.. ..
Jf (xe , p) = ...
= A, (2.26)
. .
∂fn (xe ,p) ∂fn (xe ,p)
∂x1
··· ∂xn
Si todos los valores propios de la matriz A tienen parte real negativa, xe es localmente asintóti-
camente estable.
41
Estudio de la dinámica global de un modelo matemático
3
de la interacción de las células mieloides en el sistema
inmunológico en presencia de células cancerı́genas
42
De (3.1) se determina que los puntos de equilibrio son:
Ω θΩ
EP1 = {0, 0, , }, (3.2)
A 2 µ2 A 2
eµL A1 µ2 (P cA1 + eµL )
EP2 = , +1 ,
cA1 e θ (P cA1 + eµL ) − geµL
Ω θ (P cA1 + eµL ) − geµL
Ω (P cA1 + eµL )
, . (3.3)
A2 (P cA1 + eµL ) − geµL µ2 A2 (P cA1 + eµL ) − geµL
A1 > 0. (3.4)
Si las condiciones (3.5), (3.6) y (3.4) no se cumplen, entonces (3.3) no es un punto de equilibrio
del sistema (1.1).
43
Los valores propios de (3.8) son:
λ1 = A 1 , (3.9)
λ2 = −µL , (3.10)
λ3 = −A2 , (3.11)
λ4 = −µ2 . (3.12)
Por la definición 9, el punto de equilibrio (3.2) es inestable. Pero, para garantizar su estabili-
dad, se debe cumplir que A1 < 0, por lo tanto, se debe satisfacer a < µT . Si esta condición se
cumple, el punto de equilibrio (3.2) es único y por lo tanto es globalmente asintoticamente es-
table. Mediante simulación numérica y utilizando los valores de la tabla 3.2, se comprobó que
el punto de equilibrio (3.3) es inestable, ya que dos valores propios son complejos conjugados
con parte real positiva.
x1 x3
Lf h1 = Ω − A2 x3 + g .
P + x1
44
Dado que g Px+x
1 x3
1
> 0, dicho término se deja fuera de la ecuación (3.13) y se obtiene:
x3
Dado que gP P +x 1
> 0, dicho término se deja fuera de la ecuación (3.16) y se obtiene que:
Ω
h1 |s(h1 ) ≤ := x3 máx , (3.18)
A2 − g
bajo la condición:
A2 > g. (3.19)
Utilizando (3.15) y (3.18) se define el conjunto K(h1 ), bajo la condición (3.19), como:
Ω Ω
K(h1 ) = ≤ x3 ≤ . (3.20)
A2 A2 − g
Dicho conjunto (3.20) incluye todos los valores que puede tomar la variable x3 para cualquier
condición inicial dada dentro del mismo conjunto.
45
Ahora, tomando como función localizadora h2 = x4 , su derivada de Lie respecto a (1.1) es:
x1 x3
Lf h2 = θx3 − g − µ2 x 4 .
P + x1
θ
h2 |s(h2 ) ≤ x3 máx , (3.23)
µ2
θΩ
h2 |s(h2 ) ≤ := x4 máx . (3.24)
µ2 (A2 − g)
x3
Dado que gP P +x 1
> 0, dicho término se deja fuera de la ecuación (3.25) y se obtiene que:
θ−g
h2 |s(h2 ) ≥ x3 mı́n , (3.27)
µ2
46
bajo la condición :
θ > g. (3.28)
Ω (θ − g)
h2 |s(h2 ) ≥ := x4 mı́n . (3.29)
A2 µ2
Utilizando (3.24) y (3.29) se defien el conjunto K (h2 ), bajo la condición (3.28), como:
Ω (θ − g)
θΩ
K (h2 ) = ≤ x4 ≤ . (3.30)
A2 µ2 µ2 (A2 − g)
El conjunto (3.30) incluye todos los valores que puede tomar la variable x4 para cualquier
condición inicial dada dentro del mismo conjunto.
47
3.4. Simulación numérica de la localización de los CIS
para Imc y Mmc
Con la definición de los conjuntos de localización de los CIS para las variables de estado x3 y
x4 del sistema (1.1), se presenta mediante simulación numérica, las cotas que definen dichos
conjuntos. En la tabla 3.1 se muestran las definiciones de los conjuntos y sus condiciones, y
en la tabla 3.2 los valores de los parámetros del sistema. Los valores fueron tomados de la
referencia [7].
Conjunto
n o
Ω Ω
K(h1 ) = A2
≤ x3 ≤ A2 −g
A2 > g
n o
Ω(θ−g) θΩ
K (h2 ) = A2 µ 2
≤ x4 ≤ µ2 (A2 −g)
θ>g
A2 > g
Tabla 3.2: Parámetros del modelo de interacciones de las células mieloides en el sistema inmu-
nológico.
a = 0.432 µL = 0.02 P = 10
µT = 0.02 c = 1.8 × 10−8 θ = 0.2
µ1 = 0.02 Ω = 107 µ2 = 0.02
e = 2.02 × 10−8 g = 0.0125
En las figuras 3.1 (a), (b), (c) y (d) se muestran las series de tiempo de las poblaciones de
células cancerigenas, T CD8+ , Imc y Mmc, respectivamente.
48
(a) Población de células cancerı́genas, x10 = 0.255.
49
(c) Población de Imc, x30 = 4.6 × 107 .
Figura 3.1: Series de tiempo del modelo de interacciones de las células mieloides en el sistema
inmunológico en presencia de células cancerı́genas.
En las figuras 3.2 (a) y (b) se muestran las cotas de localización de la tabla 3.1, para las Imc
y Mmc.
50
(a) Población de Imc, x30 = 4.6 × 107 .
51
Estudio de la dinámica global de un modelo matemático
4
de angiogénesis tumoral
En este capı́tulo, mediante la localización de los CIS, en la sección 4.2 y 4.1 se define el
dominio de la dinámica global para el modelo (1.2), con y sin tratamiento de inmunoterapia,
respectivamente.
Para determinar los puntos de equilibrio del sistema (1.2) cuando s = 0, se define el siguiente
sistema de ecuaciones:
x(ρ1 − ρ1 x − α13 z) = 0
ρ2 z
y( − α23 z − δ2 + α24 w) = 0
1+z
α34 w
z(ρ3 − ρ3 z − α31 x − α32 y + ) = 0 (4.1)
1+w
ρ4 z
w( − δ4 ) = 0.
1+z
52
De (4.1) se determina que los puntos de equilibrio son:
1 δ4 w4 α13 δ4
y4 = ρ3 (1 − ) + α34 − α31 (1 − ) .
α32 ρ4 − δ4 1 + w4 ρ1 (ρ4 − δ4 )
1 δ4 ρ 2 δ4
w4 = δ2 + α23 − .
α24 ρ4 − δ4 ρ4
ρ4 > δ 4 . (4.6)
α13 δ4
< 1. (4.7)
ρ1 (ρ4 − δ4 )
δ4 ρ 2 δ4
δ2 + α23 > . (4.8)
ρ4 − δ4 ρ4
δ4
0< < 1. (4.9)
ρ4 − δ4
δ4 w4 α13 δ4
ρ3 (1 − ) + α34 > α31 (1 − ). (4.10)
ρ 4 − δ4 1 + w4 ρ1 (ρ4 − δ4 )
53
mı́nimas están definidas por el punto de equilibrio (4.2) como:
xmı́n = 0. (4.11)
ymı́n = 0. (4.12)
zmı́n = 0. (4.13)
wmı́n = 0. (4.14)
Por lo tanto, los conjuntos de localización de las variables de estado se definen de la siguiente
manera:
Lf h1 = ρ1 x − ρ1 x2 − α13 xz.
S(h1 ) = ρ1 x − ρ1 x2 − α13 xz = 0 .
(4.15)
De (4.16), solo se toma S(h1 ) = {ρ1 − ρ1 x − α13 z = 0}. Dado que α13 z > 0, se deja fuera el
término de la ecuación y se obtiene que:
K(h1 ) = {0 ≤ x ≤ 1} . (4.19)
54
El conjunto (4.19) encierra todos los valores que puede tomar la variable x para cualquier
condición inicial dada dentro del mismo conjunto.
Ahora, tomando como función localizadora h2 = z, la derivada de Lie respecto a (1.2) es:
α34 zw
Lf h2 = ρ3 z − ρ3 z 2 − α31 xz − α32 zy + .
1+w
α34 w
De (4.21), solo se toma S(h2 ) = ρ3 − ρ3 z − α31 x − α32 y + 1+w
= 0 . Dado que el término
α34 w
1+w
se puede reescribir, se obtiene que:
α34
S(h2 ) = ρ3 − ρ3 z − α31 x − α32 y + α34 − =0 . (4.22)
1+w
α34
En (4.22), dado que los términos α31 x, α32 y, 1+w > 0, se dejan fuera de la ecuación y se
obtiene que:
S(h2 ) ⊂ {ρ3 − ρ3 z + α34 ≥ 0} . (4.23)
α34
h2 |S(h2 ) ≤ 1 + := zmáx . (4.24)
ρ3
El conjunto (4.25) encierra todos los valores que puede tomar la variable z para cualquier
condición inicial dada dentro del mismo conjunto.
55
Después, tomando como función localizadora h3 = x + w, la derivada de Lie respecto al
sistema (1.2) es:
ρ4 wz
Lf h3 = ρ1 x − ρ1 x2 − α13 xz + − δ4 w.
1+z
Entonces el conjunto S(h3 ) es:
2 ρ4 wz
S(h3 ) = ρ1 x − ρ1 x − α13 xz + − δ4 w = 0 . (4.26)
1+z
ρ4 w
En (4.27), dado que los términos ρ1 x2 , α13 xz, 1+z > 0, se dejan fuera de la ecuación y se
obtiene que:
S(h3 ) ⊂ {ρ1 x + w (ρ4 − δ4 ) ≥ 0} . (4.28)
ρ1
h3 |S(h3 ) ≤ 1 − xmáx , (4.31)
ρ4 − δ4
56
bajo las condiciones:
ρ4 > δ 4 , (4.32)
ρ1
1 > . (4.33)
ρ4 − δ4
ρ1
x+w ≤1− . (4.34)
ρ 4 − δ4
Sı́ se deja fuera el término x en (4.34), la desigualdad se sigue cumpliendo, por lo tanto:
ρ1
w ≤1− := wmáx . (4.35)
ρ 4 − δ4
Entonces, el conjunto que incluye todos los valores que puede tomar x+w, bajo las condiciones
(4.32) y (4.33), se define como:
ρ1
K(h3 ) = 0 ≤ x + w ≤ 1 − . (4.36)
ρ 4 − δ4
También (4.36) tiene un subconjunto que encierra todos los valores que puede tomar la
variable w, el cual está definido por (4.14) y (4.35), y se denota como:
ρ1
K1 (h3 ) = 0≤w ≤1− , (4.37)
ρ4 − δ4
α13 δ4
< ρ1 < ρ4 − δ4 . (4.38)
ρ 4 − δ4
La condición (4.38) garantiza la existencia del conjunto (4.37) y del punto de equilibrio (4.5)
en función del parámetro ρ1 .
57
(1.1) es:
ρ2 yz
Lf h4 = − α23 yz − δ2 y + α24 yw + ρ1 x − ρ1 x2 − α13 xz.
1+z
El conjunto S(h4 ) se define como:
ρ2 yz 2
S(h4 ) = − α23 yz − δ2 y + α24 yw + ρ1 x − ρ1 x − α13 xz = 0 .
1+z
1 2
S(h4 ) = ρ2 y 1 − − α23 yz − δ2 y + α24 yw + ρ1 x − ρ1 x − α13 xz = 0 .
1+z
ρ2 y 2
S(h4 ) = ρ2 y − − α23 yz − δ2 y + α24 yw + ρ1 x − ρ1 x − α13 xz = 0 . (4.39)
1+z
ρ2 y
En (4.39), dado que los términos 1+z
, α23 yz, ρ1 x2 , α13 xz > 0, se dejan fuera de la ecuación y
se obtiene que:
S (h4 ) ⊂ {(ρ2 + α24 w − δ2 ) y + ρ1 x ≥ 0} . (4.40)
ρ1
y+x≤1− , (4.44)
ρ2 + α24 [1 − ρ4ρ−δ
1
4
] − δ2
ρ1
ρ2 + α24 [1 − ] > δ2 . (4.45)
ρ4 − δ4
ρ1
1 > . (4.46)
ρ2 + α24 [1 − ρ4ρ−δ
1
4
] − δ 2
58
Sı́ se deja fuera el término x en (4.44), la desigualdad se sigue cumpliendo, por lo tanto:
ρ1
y ≤1− := ymáx . (4.47)
ρ2 + α24 [1 − ρ4ρ−δ
1
4
] − δ2
Entonces, (4.44) define el conjunto K(h4 ), bajo las condiciones (4.45) y (4.46), como:
( )
ρ1
K(h4 ) = 0≤y+x≤1− . (4.48)
ρ2 + α24 [1 − ρ4ρ−δ
1
4
] − δ2
El conjunto (4.48) encierra todos los valores que puede tomar x + y. Dicho conjunto también
encierra un subconjunto que contiene todos los valores que puede tomar la variable y, que se
define por (4.12) y (4.47) como:
( )
ρ1
K1 (h4 ) = 0≤y ≤1− , (4.49)
ρ2 + α24 [1 − ρ4ρ−δ
1
4
] − δ2
59
4.1.3. Simulación numérica de la localización de los CIS de la an-
giogénesis tumoral caso s = 0
Con la definición de los conjuntos de localización de los CIS para las variables de estado
x, y, z y w del sistema (1.2) en el caso s = 0, se presenta mediante simulación numérica,
las cotas que definen dichos conjuntos. En la tabla 4.1 se muestran las definiciones de los
conjuntos y sus condiciones, y en la tabla 4.2 y 4.3 los valores de los parámetros del sistema
para cuando se presenta el crecimiento avascular y vascular del tumor, respectivamente. Los
valores fueron tomados de la referencia [15].
Conjunto
K(h1 ) = {0 ≤ x ≤ 1}
α34
K(h2 ) = {0 ≤ z ≤ 1 + ρ3
}
ρ1
K1 (h3 ) = {0 ≤ w ≤ 1 − ρ4 −δ4
}
ρ4 > δ4
ρ1
1> ρ4 −δ4
ρ1
K1 (h4 ) = {0 ≤ y ≤ 1 − ρ1 }
ρ2 +α24 [1− ρ −δ ]−δ2
4 4
ρ2 + α24 [1 − ρ ρ−δ
1
] > δ2
4 4
ρ1
1> ρ1
ρ2 +α24 [1− ρ −δ ]−δ2
4 4
60
Tabla 4.2: Parámetros del modelo de angiogénesis tumoral caso avascular.
Los parámetros de las tablas 4.2 y 4.3 difieren únicamente en el párametro ρ4 , que es la
tasa de crecimiento de las células endoteliales; en [15] se encontró el rango de valores de ρ4
que afectan el crecimiento de células cancerı́genas para que se comporte de forma avascular
o vascular, y se determinó que el valor de ρ4 para el crecimiento avascular es 0.72 y para el
vascular 0.92. En la figura 4.1 (a), (b), (c) y (d) se presentan las series de tiempo de la po-
blación de células húesped, efectoras, cancerı́genas y endoteliales, respectivamente, cuando el
crecimiento del tumor es avascular y en la figura 4.2 (a), (b), (c) y (d) cuando el crecimiento
del tumor es vascular.
61
(b) Población de células efectoras, y0 = 0.01.
62
(d) Población de células endoteliales, w0 = 0.01.
Figura 4.1: Series de tiempo del modelo de angiogénesis tumoral con crecimiento avascular caso
s = 0.
63
(b) Población de células efectoras, y0 = 0.01.
64
(d) Población de células endoteliales, w0 = 0.01.
Figura 4.2: Series de tiempo del modelo de angiogénesis tumoral con crecimiento vascular caso
s = 0.
65
(a) Población de células húesped, x0 = 1.
66
(c) Población de células cancerı́genas, z0 = 0.1.
Figura 4.3: Localizaciones del modelo de angiogénesis tumoral con crecimiento avascular caso
s = 0.
67
(a) Población de células húesped, x0 = 1.
68
(c) Población de células cancerı́genas, z0 = 0.1.
Figura 4.4: Localizaciones del modelo de angiogénesis tumoral con crecimiento vascular caso s = 0.
69
4.1.4. Condiciones para la convergencia al punto de equilibrio libre
de células cancerı́genas caso s = 0
Los puntos de equilibrio libres de células cancerı́genas para el sistema (1.2), caso s = 0, son
(4.2) y (4.3). Por linealización, se sabe que (4.2) es inestable y (4.3) es estable si se satisface
α31 > ρ3 . Otra manera de garantizar la convergencia del sistema (1.2), al punto de equilibrio
libre de tumor {1, 0, 0, 0}, para cualquier condición inicial, es la siguiente:
ẋ = ρ1 x (1 − x) , (4.50)
ẇ = −δ4 w. (4.52)
De (4.52), se observa que w siempre tiende a cero, por lo tanto, una condición de convergencia
es:
δ4 > 0. (4.53)
α24 ρ1
δ2 > α24 − . (4.57)
ρ 4 − δ4
De (4.50), se observa que ẋ tiene crecimiento logı́stico, y siempre llegará a una población de
70
uno. Por lo tanto, otra condicición de convergencia es:
ρ1 > 0 (4.58)
Para determinar los puntos de equilibrio del sistema (1.2) cuando s > 0, se establece el
siguiente sistema de ecuaciones:
s − δ2 y = 0, (4.63)
s
y= ,
δ2
s
EP1 = {0, , 0, 0}. (4.64)
δ2
71
Ahora en (4.59) se hace x = 1, esto implica que z = 0, esto a su vez implica que w = 0 y que
s
y= δ2
. Por lo tanto, otro punto de equilibrio es:
s
EP2 = {1, , 0, 0}. (4.65)
δ2
ρ4 z
− δ4 = 0,
1+z
z δ4
= . (4.66)
1+z ρ4
ρ1 − ρ1 x − α13 z = 0, (4.69)
α13 δ4
x=1− , (4.70)
ρ1 (ρ4 − δ4 )
α13 δ4
< 1, (4.71)
ρ1 (ρ4 − δ4 )
α34 w
ρ3 − ρ3 z − α31 x − α32 y + = 0, (4.72)
1+w
72
y también de la ecuación (4.60) se establece que:
s ρ2 z
+ − α23 z − δ2 + α24 w = 0. (4.73)
y 1+z
s α23 δ4 ρ4 δ4
α24 w + = δ2 + − , (4.74)
y ρ 4 − δ4 ρ4
w α13 δ4 δ4
α34 − α32 y = α31 (1 − ) − ρ3 (1 − ), (4.75)
1+w ρ1 (ρ4 − δ4 ) ρ 4 − δ4
y se define que:
α23 δ4 ρ 4 δ4
A1 = δ2 + − ,
ρ4 − δ4 ρ4
α13 δ4 δ4
A2 = α31 (1 − ) − ρ3 (1 − ),
ρ1 (ρ4 − δ4 ) ρ4 − δ4
s
α24 w + = A1 , (4.76)
y
w
α34 − α32 y = A2 . (4.77)
1+w
Al resolver simultáneamente las ecuaciones (4.76) y (4.77) se pueden tener diferentes casos
como: {A1 > 0, A2 > 0}, {A1 > 0, A2 < 0}, {A1 < 0, A2 > 0} y {A1 < 0, A2 < 0}. Pero,
por la condiciones (4.7), (4.8) y (4.9), únicamente se tienen 2 casos: {A1 > 0, A2 > 0} y
{A1 > 0, A2 < 0}. Por lo tanto, al resolver simultáneamente las ecuaciones (4.76) y (4.77),
se definen los puntos de equilibrio:
α13 δ4 s δ4
EP3 = {1 − , , , w3 }, (4.78)
ρ1 (ρ4 − δ4 ) A1 − α24 w3 ρ4 − δ4
α13 δ4 s δ4
EP4 = {1 − , , , w4 }, (4.79)
ρ1 (ρ4 − δ4 ) A1 − α24 w4 ρ4 − δ4
73
donde:
√
−b + b2 − 4ac
w3 = .
√2a
−b − b2 − 4ac
w4 = .
2a
a = α24 (1 − γ).
b = β − A1 (1 − γ) − α24 γ.
c = β + A1 γ.
α32 s
β = .
α34
A2
γ = .
α34
ρ4 > δ4 . (4.80)
α13 δ4
< 1. (4.81)
ρ1 (ρ4 − δ4 )
−b > 0. (4.82)
c > 0. (4.86)
Si las condiciones (4.80) a (4.88) no se cumplen, entonces (4.78) y (4.79) no son puntos de
equilibrio del sistema (1.2) cuando s > 0.
Por lo tanto, el sistema (1.2) cuando s > 0 tiene cuatro puntos de equilibrio definidos por
(4.64), (4.65), (4.78) y (4.79), los cuales se muestran a continuación:
74
s
EP1 = {0, , 0, 0},
δ2
s
EP2 = {1, , 0, 0},
δ2
α13 δ4 s δ4
EP3 = {1 − , , , w3 },
ρ1 (ρ4 − δ4 ) A1 − α24 w3 ρ4 − δ4
α13 δ4 s δ4
EP4 = {1 − , , , w4 }.
ρ1 (ρ4 − δ4 ) A1 − α24 w4 ρ4 − δ4
El problema de la localización de los conjuntos compactos invariantes del sistema (1.2) para
el caso s > 0 se reduce, ya que los conjuntos de las variables de estado x y w siguen definidos
por (4.19) y (4.37) respectivamente. Además zmin esta definido por (4.13). Por lo tanto, los
cotas para y y zmáx se definen de la siguiente manera.
ρ2 yz
Lf h1 = s + − α23 yz − δ2 y + α24 yw.
1+z
ρ2 yz
S(h1 ) = s+ − α23 yz − δ2 y + α24 yw = 0 .
1+z
ρ2 yz
S(h1 ) = − + α23 yz + δ2 y − α24 yw = s . (4.89)
1+z
ρ2 yz
En (4.89), dado que los términos 1+z
, α24 yw > 0, se dejan fuera de la ecuación y se obtiene
que:
S(h1 ) ⊂ α23 yz + δ2 y ≥ s . (4.90)
s
h1 |S(h1 ) ≥ := ymı́n . (4.91)
δ2 + α23 zmáx
75
Donde zmáx en (4.91) está definido por (4.24). Por lo tanto, (4.91) se define como:
ρ3 s
h1 |S(h1 ) ≥ := ymı́n . (4.92)
δ2 ρ3 + α23 ρ3 + α23 α34
Ahora, tomando como función localizadora h2 = z, la derivada de Lie respecto a (1.2) es:
α34 zw
Lf h2 = ρ3 z − ρ3 z 2 − α31 xz − α32 zy + .
1+w
α34 w
De (4.94), solo se toma S(h2 ) = ρ3 − ρ3 z − α31 x − α32 y + 1+w
= 0 , y al reescribir el
α34 w
término 1+w
se obtiene que:
α34
S(h2 ) = ρ3 − ρ3 z − α31 x − α32 y + α34 − =0 . (4.95)
1+w
α34
En (4.95), dado que los términos α31 x, 1+w > 0, se dejan fuera de la ecuación y se obtiene
que:
S(h2 ) ⊂ {ρ3 − ρ3 z − α32 y + α34 ≥ 0} . (4.96)
(2)
Donde zmáx es una cota mejorada de (4.24) utilizando (4.92), la cual queda definida como:
76
bajo la condición:
α34 α32 s
1+ > . (4.99)
ρ3 δ2 ρ3 + α23 ρ3 + α23 α34
(2)
A su vez, zmáx definida por (4.98), mejora la cota mı́nima de y definida por (4.91). La cual
se denota como:
s (2)
h1 |S(h1 ) ≥ (2)
:= ymı́n > ymı́n . (4.100)
δ2 + α23 zmáx
Por lo tanto, el conjunto que encierra todos los valores que puede tomar la variable z queda
definido por (4.13) y (4.98), como:
∗ α34 α32 s
K (h2 ) = 0 ≤ z ≤ 1 + − , (4.101)
ρ3 δ2 ρ3 + α23 ρ3 + α23 α34
Para la variable y únicamente se encontró la cota mı́nima, la cual esta definida por (4.100).
Por lo tanto, la dinámica de y esta contenida en el conjunto:
( )
s
K ∗ (h1 ) = y≥ (2)
. (4.103)
δ2 + α23 zmáx
77
4.2.3. Simulación numérica de la localización de los CIS de la an-
giogénesis tumoral caso s > 0
Con la definición de los conjuntos de localización de los CIS para las variables de estado
x, y, z y w del sistema (1.2), en el caso s > 0, se presenta mediante simulación numérica,
las cotas que definen dichos conjuntos. En la tabla 4.4 se muestran las definiciones de los
conjuntos y sus condiciones. Los valores de los parámetros del sistema, son los mismos de la
tabla 4.2 y 4.3, más el parámetro s = 0.001.
Conjunto
K(h1 ) = {0 ≤ x ≤ 1}
α34 α32 s
K ∗ (h2 ) = {0 ≤ z ≤ 1 + ρ3
−δ2 ρ3 +α23 ρ3 +α23 α34
}
α34 α32 s
1+ ρ3
> δ2 ρ3 +α23 ρ3 +α23 α34
ρ1
K1 (h3 ) = {0 ≤ w ≤ 1 − ρ4 −δ4
}
ρ4 > δ4
ρ1
1> ρ4 −δ4
s
K ∗ (h1 ) = {y ≥ (2) }
δ2 +α23 zmáx
(2) α34
zmáx = 1 + ρ3
− δ ρ +α α32 s
2 3 23 ρ3 +α23 α34
δ2 ρ3 +α23 ρ3 +α23 α34 α34
0<s< α32
1 + ρ3
En la figura 4.5 (a), (b), (c) y (d) se presentan las series de tiempo de la población de células
húesped, efectoras, cancerı́genas y endoteliales, respectivamente, cuando el crecimiento del
78
tumor es avascular y en la figura 4.6 (a), (b), (c) y (d) cuando el crecimiento del tumor es
vascular.
79
(c) Población de células cancerı́genas, z0 = 0.1.
Figura 4.5: Series de tiempo del modelo de angiogénesis tumoral con crecimiento avascular caso
s > 0.
80
(a) Población de células húesped, x0 = 1.
81
(c) Población de células cancerı́genas, z0 = 0.1.
Figura 4.6: Series de tiempo del modelo de angiogénesis tumoral con crecimiento vascular caso
s > 0.
82
de localización de la tabla 4.4 de las poblaciones de células del modelo, en los casos de
crecimiento avascular y vascular del tumor, respectivamente.
83
(c) Población de células cancerı́genas, z0 = 0.1.
Figura 4.7: Localizaciones del modelo de angiogénesis tumoral con crecimiento avascular caso
s > 0.
84
(a) Población de células húesped, x0 = 1.
85
(c) Población de células cancerı́genas, z0 = 0.1.
Figura 4.8: Localizaciones del modelo de angiogénesis tumoral con crecimiento vascular caso s > 0.
86
4.2.4. Condiciones para la existencia de conjuntos ω lı́mite en el
plano w = 0
η δ2 ρ4 α23 ρ4 α24 ρ4 ρ4 s η−1
Lf h4 = y w −δ4 + + z− w − wy = 0. (4.106)
ρ2 ρ2 ρ2 ρ2
Teorema 1. Si:
ρ2 δ2 ρ 4
zmáx < δ4 − , (4.108)
ρ4 α23 ρ2
bajo la condición:
ρ 4 δ2
δ4 > , (4.109)
ρ2
87
o
δ2 ρ4 α23 ρ4
+ zmáx < δ4 . (4.110)
ρ2 ρ2
Se garantiza la existencia de un conjunto ω limite para cualquier media trayectoria acotada
positivamente en R4+,0 ∩ {ymı́n > 0}.
α24 ρ4
Demostración. En la ecuación (4.106), dado que los términos ρ2
w, ρρ42s wy η−1 > 0, se dejan
fuera de la ecuación y se obtiene que:
η δ2 ρ4 α23 ρ4
Lf h4 = y w + z − δ4 ≤ 0. (4.111)
ρ2 ρ2
Entonces, para que (4.111) sea semidefinida negativa, es decir Lf h4 ≤ 0, se debe cumplir que:
δ2 ρ4 α23 ρ4
+ z < δ4 , (4.112)
ρ2 ρ2
y en el peor de los casos para (4.112), se debe cumplir que:
δ2 ρ4 α23 ρ4
+ zmáx < δ4 . (4.113)
ρ2 ρ2
δ4 ρ2
ρ4 < . (4.114)
δ2
δ4 ρ 2
δ4 < ρ4 < . (4.115)
δ2
88
4.2.5. Atractividad del conjunto K(h1 ) ∩ K(h2 )
En esta sección se demostrará que el dominio K(h1 ) ∩ K(h2 ) es un conjunto atractivo del
sistema (1.2) para el caso s > 0. Es decir, las trayectorias entran al dominio K(h1 ) ∩ K(h2 )
y permanecen ahı́ o tienden al punto de equilibrio E1 := {1, δs2 , 0, 0}. Para comenzar, hágase
notar que:
ẋ|R4+,0 ∩{{x>1}∪{x=1;z>0}} < 0, (4.116)
y además
ẋ|R4+,0 ∩{{x=1;z=0}} = 0.
Entonces, para alguna a y b, con b > a > 1, se considera el conjunto Mab := R4+,0 ∩ {a ≤ x ≤
b}. Además, la desigualdad ẋ < ρ1 x(1 − x) se mantiene en Mab . Por lo tanto, para cualquier
trayectoria x(t), y(t), z(t), w(t) ∈ Mab y t ∈ [t0 , t1 ] se tiene que:
Z t1
x(t1 ) − x(t0 ) = ẋ(t)dt < ρ1 a(1 − a)(t1 − t0 ). (4.117)
t0
De (4.117) se observa que, si t → ∞, x(t) → −∞, lo cual no es posible. Por lo tanto, cual-
quier trayectoria x(t), y(t), z(t), w(t) ∈ Mab , sale de Mab atravesando su frontera x = a en
algún instante de tiempo. Entonces, por (4.116), cualquier trayectoria entra en el dominio
R4+,0 ∩ {x < 1} y permanece ahı́, o tiende al punto de equilibrio E1 .
Por otra parte, para el conjunto K(h2 ) se tiene que ż ≤ z(ρ3 + α34 ) − ρ3 z 2 . Entonces, sea
alguna a y b, con b > a ≥ 1, y el conjunto M̃ab := R4+,0 ∩ {a ≤ z ≤ b}, por lo tanto, se tiene
que: Z t1
z(t1 ) − z(t0 ) = ż(t)dt < a(ρ3 + α34 − ρ3 a)(t1 − t0 ). (4.118)
t0
89
Conclusiones
90
dinámica. Por otro lado, el sistema (1.1) tiene dos puntos de equilibrio, definidos por (3.2) y
(3.3), y se determinó de forma local, que (3.3) es inestable ya que dos valores propios poseen
parte real positiva. También de forma local, se encontró que (3.2) es inestable, pero, para
garantizar su estabilidad, se debe satisfacer a < µT , esto implica que A1 < 0, lo que implica
que (3.2) sea un punto de equilibrio único y por lo tanto globalmente asintoticamente estable.
Para terminar con las conclusiones del estudio del sistema (1.1), es importante mencionar
que debido a la complejidad de las interacciones en el modelo, el problema de LOCI aún
no está resuelto, pues no estan definidos los conjuntos de localización de la dinámica de la
población de células cancerı́genas y células T CD8+ .
En lo que respecta al modelo (1.2) de angiogénesis tumoral, se estudiaron dos casos, cuando
s = 0 y cuando s > 0. Para el primer caso, se definieron los conjuntos de localización de
la dı́namica de las poblaciones de células húesped, efectoras, cancerı́genas y endoteliales, los
cuales están definidos por (4.19), (4.49), (4.25)y (4.37), respectivamente, bajo las condiciones
(4.45), (4.46), (4.32) y (4.33). También, se definieron condiciones de convergencia al punto
de equilibrio libre de células cancerı́genas (4.3), las cuales están definidas por (4.53), (4.57)
y (4.58), o que se satisfaga α31 > ρ3 . Para el caso s > 0, se definieron nuevos conjuntos de
localización de la dı́namica de las poblaciones de células húesped, efectoras, cancerı́genas y
endoteliales, los cuales están definidos por (4.19), (4.103), (4.101) y (4.37), respectivamente,
bajo las condiciones (4.32), (4.33) y (4.99). Además, para garantizar la existencia de los
dominios del modelo, se determinó una condición para el párametro s, definido por (4.102).
Por otra parte, se definio la existencia de conjuntos ω lı́mite para cualquier media trayectoria
acotada positivamente en la región delimitada por y η w con η = −ρ4 ρ−1
2 , bajo la condición
91
Trabajos futuros
92
Anexos
93
Tabla de los conjuntos compactos invariantes
A
Tabla A.1: CIS de las células mieloides maduras e inmaduras.
Conjunto
n o
Ω Ω
K(h1 ) = A2
≤ x3 ≤ A2 −g
A2 > g
n o
Ω(θ−g) θΩ
K (h2 ) = A2 µ2
≤ x4 ≤ µ2 (A2 −g)
θ>g
A2 > g
94
Figura A.1: Dominio del modelo de interacción de las células mieloides en el sistema inmunológico
en presencia de células cancerı́genas, x10 = 0.255, x30 = 4.6 × 107 , x40 = 4.8 × 108 .
95
Tabla A.2: CIS del modelo de angiogénesis tumoral caso s = 0.
Conjunto
K(h1 ) = {0 ≤ x ≤ 1}
α34
K(h2 ) = {0 ≤ z ≤ 1 + ρ3
}
ρ1
K1 (h3 ) = {0 ≤ w ≤ 1 − ρ4 −δ4
}
ρ4 > δ4
ρ1
1> ρ4 −δ4
ρ1
K1 (h4 ) = {0 ≤ y ≤ 1 − ρ1 }
ρ2 +α24 [1− ρ −δ ]−δ2
4 4
ρ2 + α24 [1 − ρ ρ−δ
1
] > δ2
4 4
ρ1
1> ρ1
ρ2 +α24 [1− ρ −δ ]−δ2
4 4
96
Dominio del modelo de angiogéneisis tumoral con crecimiento avascular,
x0 = 1, z0 = 0.1, y0 = 0.01.
97
Dominio del modelo de angiogéneisis tumoral con crecimiento avascular,
x0 = 1, w0 = 0.01, z0 = 0.1.
Figura A.2: Dominios del modelo de angiogénesis tumoral con crecimiento avascular, caso s = 0.
98
Dominio del modelo de angiogéneisis tumoral con crecimiento vascular,
x0 = 1, w0 = 0.01, y0 = 0.01.
Figura A.3: Dominios del modelo de angiogénesis tumoral con crecimiento vascular, caso s = 0.
99
Tabla A.3: CIS del modelo de angiogénesis tumoral caso s > 0.
Conjunto
K(h1 ) = {0 ≤ x ≤ 1}
α34 α32 s
K ∗ (h2 ) = {0 ≤ z ≤ 1 + ρ3
−δ2 ρ3 +α23 ρ3 +α23 α34
}
α34 α32 s
1+ ρ3
> δ2 ρ3 +α23 ρ3 +α23 α34
ρ1
K1 (h3 ) = {0 ≤ w ≤ 1 − ρ4 −δ4
}
ρ4 > δ4
ρ1
1> ρ4 −δ4
s
K ∗ (h1 ) = {y ≥ (2) }
δ2 +α23 zmáx
(2) α34
zmáx = 1 + ρ3
− δ ρ +α α32 s
2 3 23 ρ3 +α23 α34
δ2 ρ3 +α23 ρ3 +α23 α34 α34
0<s< α32
1 + ρ3
100
Dominio del modelo de angiogéneisis tumoral con crecimiento avascular,
x0 = 1, z0 = 0.1, y0 = 0.01.
101
Dominio del modelo de angiogéneisis tumoral con crecimiento avascular,
x0 = 1, w0 = 0.01, z0 = 0.1.
Figura A.4: Dominios del modelo de angiogénesis tumoral con crecimiento avascular, caso s > 0.
102
Dominio del modelo de angiogéneisis tumoral con crecimiento vascular,
x0 = 1, w0 = 0.01, y0 = 0.01.
Figura A.5: Dominios del modelo de angiogénesis tumoral con crecimiento vascular, caso s > 0.
103
B
Trabajos derivados de la tesis
104
Global Dynamics of the Angiogenesis in a Tumor-Immune System Model
ẋ = ρ1 x (1 − x) − α13 xz
ρ2 yz
ẏ = s + − α23 yz − δ2 y + α24 yw
1+z
α34 zw (1)
ż = ρ3 z (1 − z) − α31 xz − α32 zy +
1+w
ρ4 wz
ẇ = − δ4 w.
1+z Figure 1: Interactions between host, effector, tumor
In (1) x denote the population of host cells, y population and endothelial cells [1].
105
Bibliografı́a
[1] Sánchez, G. F., Miramontes, P., Gutı́errez, S. J. L., (2002), Clásicos de la biologı́a Matemática,
Primera Edición, Editorial Siglo XXI.
[2] Soto, A. M., Sonnenschein, C., Maini, P. K., Noble, D., (2011), Systems biology and cancer,
Prog Biophys Mol Biol, 106:2, pp. 337-339.
[3] Mackey, M. C., Maini, P. K., (2015), What Has Mathematics Done for Biology?, Bull Math
Biol, 77, pp. 735-738.
[4] Biologı́a Matemática: un enfoque desde los sistemas dinámicos, (2002), Facultad de Ciencias
UNAM.
[6] http://www.jornada.unam.mx/ultimas/2015/02/03/casos-de-cancer-aumentaran-22-millones-
anuales-en-proximas-dos-decadas-oms-8026.html
[7] Kareva, I., Berezovskaya, F., Castillo, C., (2010), Myeloid cells in tumour-immune interactions,
Journal of Biological Dynamics, 4:4, pp. 315-327.
[8] Abbas, A. K., Lichtman, A. H., Pilla, S., (2008), Inmunológia celular y molecular, Sexta Edición,
Elsevier.
[9] Cota, A. M., Midwinter, M. J., (2012), The immune system, Anaesthesia and Intensive Care
Medicine, 13:6, 273-275.
[10] Kusmartsev, S., Gabrilovich, D. I., (2002), Immature myeloid cells and cancer-associated im-
mune suppression, Cancer Immunol Immunother, 51, 293-298.
106
[11] Kusmartsev, S., Gabrilovich, D. I., (2006), Role of immature Myeloid cells in mechanisms of
immune evasion in cancer, Cancer Immunol Immunother, 55, 237-245.
[12] Kawamoto, H., Minato, N., (2004), Myeloid cells, The international Journal of Biochemistry
& Cell Biology, 36, 1374-1379.
[13] Shojaei, F., Zhong, C., Wu, X., Yu, L., Ferrara, N., (2008), Role of myeloid cells in tumor
angiogenesis and growth, Trends in Cell Biology, 18:8, 372-378.
[14] Schmid, M. C., Varner, J. A., (2012), Myeloid cells in tumor inflammation, Vascular Cell, 4:14,
1-7.
[15] Viger L., Denis F., Rosalie M., Letellier C., (2014), A cancer model for the angiogenic switch,
Journal of Theoretical Biology, 360, pp. 21-33.
[16] Chaplain, M. A. J., (1996), Avascular Growth, Angiogenesis and Vascular Growth in Solid
Tumours: The Mathematical Modelling of the Stages of Tumour Development, Mathl. Comput.
Modelling, 23:6, pp. 47-87.
[17] Plank, M. J., Sleeman, B. D., and Jones, P. F., (2004). A mathematical model of tumour
angiogenesis, regulated by vascular endothelial growth factor and the angiopoietins, Journal of
theoretical biology, 229:4, pp. 435-454.
[18] Krishchenko, A. P., (1997), Estimations of Domains with Cycles, Computers Math. Applic.,
34:2-4, pp. 325-332.
[19] Krishchenko, A. P., (2005), Localization of Invariant Compact Sets of Dynamical Systems,
Differential Equations, 41:21, pp. 1669-1676.
[20] Krishchenko, A. P., Starkov, K. E., (2005), Iteration Method of the Localization of Periodic
Orbits, PhysCon 2005, pp. 602-605.
[21] Krishchenko, A. P., Starkov, K. E., (2006), Localization of compact invariant sets of the Lorenz
system, Physics Letters A, 353, pp. 383-388.
[22] Coria, L. N., Starkov, K. E., (2009), Bounding a domain containing all compact invariant
sets of the permanent-magnet motor system, Commun Nonlinear Sci Numer Simulat, 14, pp.
3879-3888.
107
[23] Starkov, K. E., (2010), Compact invariant sets of the static spherically symmetric Einstein
Yang Mills equations, Physics Letters A, 374, pp. 1728-1731.
[24] Starkov, K. E., (2011), Compact invariant sets of the Bianchi VIII and Bianchi IX Hamiltonian
systems, Physics Letters A, 375, pp. 3184-3187.
[25] Starkov, K. E., (2014), On the Ultimate Dynamics of the Four-Dimensional Rössler System,
International Journal of Bifurcation and Chaos, 24:11, 1450149, 7 páginas.
[26] Krishchenko, A. P., Starkov, K. E., (2014), Dynamical Analysis of Raychaudhuri Equations Ba-
sed on the Localization Method of Compact Invariant Sets, International Journal of Bifurcation
and Chaos, 24:11, 1450136, 10 páginas.
[27] Krishchenko, A. P., Starkov, K. E., (2007), Estimation of the domain containing all compact
invariant sets of the viral infection model, PhysCon 2007.
[28] Starkov, K. E., Coria, L. N., (2009), Bounding the domain of some three species food systems,
CHAOS 09, vol. 2, pp. 193-196.
[29] Starkov, K. E., Pogromsky, A. Y., (2013), On the global dynamics of the Owen Sherratt model
describing the tumor macrophage interactions, International Journal of Bifurcation and Chaos,
23:02, 1350020, 9 páginas.
[30] Starkov, K. E., Gamboa, D., (2014), Localization of compact invariant sets and global stability
in analysis of one tumor growth model, Mathematical Methods in the Applied Sciences, 37:18,
pp. 2854-2863.
[31] Starkov, K. E., Coria, L. N., (2013), Global dynamics of the Kirschner Panetta model for the
tumor immunotherapy, Nonlinear Analysis: Real World Applications, 14:3, pp. 1425-1433.
[32] Starkov, K. E., Krishchenko, A. P., (2014), On the global dynamics of one cancer tumour growth
model, Communications in Nonlinear Science and Numerical Simulation, 19:5, pp. 1486-1495.
[33] Krishchenko, A. P., Starkov, K. E., (2016), On the global dynamics of a chronic myelogenous
leukemia model, Communications in Nonlinear Science and Numerical Simulation, 33, 174-183.
[34] Starkov, K. E., Villegas, A., (2014), On some dynamical properties of a seven-dimensional can-
cer model with immunotherapy, International Journal of Bifurcation and Chaos, 24:02, 1450020,
11 páginas.
108
[35] Starkov, K. E., Plata, C., (2014), On the global dynamics of the cancer AIDS related mathe-
matical model, Kybernetika, 50:4.
[36] Valle, P. A., Coria, L. N., Starkov, K. E., (2014), Estudio de la dinámica global para un modelo
de Evasión Inmune de un tumor cancerı́geno, Computación y Sistemas, 18:4, pp. 773-786.
[37] Instituto de Ciencias Matemáticas, Boletı́n trimestal, IV Trimestre 2014/I Trimestre 2015,
Octavo número, pp. 1-20.
[38] Selección Gaceta Politécnica, (2014), Investigador del IPN realiza modelos matemáticos para
tratamiento contra el cáncer, 69:6, pp. 4-9.
[40] Khalil, H. K., (2002), Nonlinear systems, Tercera Edición, Editorial Prentice Hall.
[41] Sira, H., Márquez, R., Rivas-Echeverrı́a, F., Llanes-Santiago, O., (2005), Control de sistemas
no lineales: Linealización aproximada, extendida, exacta, Primera Edición, Editorial Pearson
Prentice Hall.
[42] Thompson, R. C., Yaqub, A., (1976), Introducción al algebra abstracta y lineal, Primera Edición,
Unión Tipográfica Editorial Hispano Americana.
[43] Stewart, J., (2008), Cálculo: Trascendentes tempranas, Sexta Edición, Editorial CENGAGE
Learning.
[44] Strogatz, S. H., (1994), Nonlinear dynamics and chaos: with applications to physics, biology,
chemistry and engineering, Perseus books.
[45] Guckenheimer, J., Holmes, P., (1983), Nolinear Oscilations, Dynamical Systems and Bifurca-
tions of Vector Fields, Springer.
[46] Hubbard, J. H., West, B. H., (1991), Differential Equations: A Dynamical Systems Approach,
Springer-Verlag.
109