KANSER DİNAMİĞİ VE KAOTİK DAVRANIŞ ANALİZİ Babak NASERI SOUFIANI YÜKSEK LİSANS TEZİ MAKİNA MÜHENDİSLİĞİ GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENİSTİTÜSÜ OCAK 2014 ANKARA i KANSER DİNAMİĞİ VE KAOTİK DAVRANIŞ ANALİZİ Babak NASERI SOUFIANI YÜKSEK LİSANS TEZİ MAKİNA MÜHENDİSLİĞİ GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENİSTİTÜSÜ OCAK 2014 ANKARA ii iii TEZ BİLDİRİMİ Tez içindeki bütün bilgilerin etik davranış ve akademik kurallar çerçevesinde elde edilerek sunulduğunu, ayrıca tez yazım kurallarına uygun olarak hazırlanan bu çalışmada bana ait olmayan her türlü ifade ve bilginin kaynağına eksiksiz atıf yapıldığını bildiririm. Babak NASERI SOUFIANI iv KANSER DİNAMİĞİ VE KAOTİK DAVRANIŞ ANALİZİ (Yüksek Lisans Tezi) Babak NASERI SOUFIANI GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ Ocak 2014 ÖZET Bu tez çalışmasında, kanser dinamiği ve kanserin biyolojik olarak davranışını analiz etmek üzere bazı matematik yaklaşımlar ele alınmaktadır. Doğrusal olmayan kanser dinamiğinin incelenmesinde tümör büyüme modellerine bağlı olarak kaotik davranışı analiz etmek için kullanılan yöntemler verilmektedir. Literatürde daha önce farklı amaçlarla kullanılmış 4 ayrı kanser modelinde kaotik davranış analizi gerçekleştirilmektedir. Kaotik davranış ve bununla ilintili çatallanma davranışları, matematik modellerdeki parametrelerin belirli aralıkları için incelenmektedir. Modellerden birisinin kaotik davranış sergilediği gösterilmektedir. Ayrıca, biyolojik nedenlere uyumlu olarak literatürde ele alınmış bir kanser dinamik modeline gecikme ekleyerek yeni bir model oluşturulmaktadır. Daha sonra bu modelde, gecikme parametresinin sistemin kaotik davranışı üzerine etkisi incelenmektedir. Yapılan analizlerde, matematik modelin ve gecikmenin kaotik davranış oluşturmadaki etkileri gösterilmektedir. Bilim Kodu : 914. 1.091 Anahtar Kelimeler : Nonlineer Sistemler, Kanser Dinamiği, Kaos, Çatallanma Sayfa Adedi : 116 Tez Yöneticisi : Prof. Dr. Metin U. SALAMCI v CANCER DYNAMICS AND CHAOTIC BEHAVIOR ANALYSIS (M.Sc. Thesis) Babak NASERI SOUFIANI GAZİ UNIVERSITY GRADUATE SCHOOL OF NATURAL AND APPLIED SCIENCE January 2014 ABSTRACT In this thesis study, mathematical approaches are provided in order to analyze cancer dynamics and its biological behaviours. Methods for chaotic behaviour analysis are studied in terms of investigation of nonlinear cancer dynamics for various models of tumour growth. Chaotic behaviour analyses of 4 different mathematical models of cancer dynamics, which are studied in the literature for various purposes, are performed. Chaotic behaviours and bifurcations are investigated for a range of parameter values in the mathematical models. It is shown that one of the models studied in this thesis exhibits chaotic behaviours. Also, compatible to biological scenario, a new mathematical model is formed by incorporating delays into one of the cancer dynamical models studied in the literature. Then effects of delays on the chaotic behaviours are studied for the newly formed mathematical model. The effects of mathematical models and delays on the chaotic behaviours are shown through the analyses. Science Code : 914. 1.091 Key Words : Nonlinear Systems, Cancer Dynamics, Chaos, Bifurcation Page Number : 116 Supervisor : Prof. Dr. Metin U. SALAMCI vi TEŞEKKÜR Çalışmama sundukları değerli katkılarının yanında gösterdikleri dostluk ve iyi niyetle kendimi sanki ülkemde gibi hissetmemi sağlayan Sayın Hocam Prof. Dr. Metin U. SALAMCI’ya en içten teşekkürlerimi sunmayı borç bilirim. Üzerindeki iş yükü ve idari görevi nedeniyle çok yoğun mesaisine rağmen bana ve diğer öğrencilerine her gereksinim duyulduğu an zaman ayırmayı ilke edinmesi, küçük ve sürekli dokunuşlarla bizleri sürekli çalışmaya istekli tutabilmesi ile de kendisine olağan üstü bir hayranlık duymamızı sağlamaktadır. Ayrıca kendilerinden uzakta kalmama katlanarak, her türlü maddi ve manevi destekleriyle eğitimime devam etmemi sağlayan sevgili Anne ve Babama var kalmaları dileğiyle teşekkür ederim. Tezimin her aşamasında, takıldığım her noktada yardımını esirgemeyen çalışma arkadaşlarıma, özellikle sevgili ablamız Yük. Müh. Nurdan Bilgin’e tezimin Türkçe düzeltmesinde yardımlarından dolayı teşekkür ederim. Türkiye’nin ve Türkiye’deki özellikle bilim ve teknoloji kurum ve kuruluşların bize sağladığı eğitim ve burs olanakları için de teşekkür etmeyi borç bilirim. Özellikle Tübitak projemiz (PROJE NO: 112M209) kapsamında aldığım burs nedeniyle, Tübitak’a ve kurum nezdinde tüm çalışanlarına teşekkür ederim. vii İÇİNDEKİLER Sayfa ÖZET........................................................................................................................... iv ABSTRACT ................................................................................................................. v TEŞEKKÜR ................................................................................................................ vi İÇİNDEKİLER .......................................................................................................... vii ÇİZELGELERİN LİSTESİ ......................................................................................... ix ŞEKİLLERİN LİSTESİ ............................................................................................... x SİMGELER VE KISALTMALAR ............................................................................ xii 1. GİRİŞ....................................................................................................................... 1 2. ÇATALLANMA ................................................................................................... 18 2.1. Çatallanma Giriş ............................................................................................. 18 2.2. Çatallanma Türleri .......................................................................................... 19 2.2.1. Sıfır özdeğer .......................................................................................... 20 2.2.2. Poincaré–Andronov-Hopf çatallanma .................................................. 24 3. KAOS .................................................................................................................... 32 3.1. Fraktal Geometri ............................................................................................ 34 3.2. Kaotik Hareketin Belirlenmesi ....................................................................... 35 3.2.1. Lyapunov üstelleri ................................................................................ 35 3.2.2. Güç spektrumu ...................................................................................... 41 3.2.3. Oto korelasyon ...................................................................................... 44 3.2.4. Poincaré haritalaması (Poincaré map) .................................................. 46 4. KANSER MODELLERİNDE KAOTİK DAVRANIŞ ARANMASI .................. 50 4.1. Kanser Modeli 1 ............................................................................................. 50 4.1.1. Sistemin denge noktaları ....................................................................... 52 4.1.2. Kararlılık ve kaos analizi ...................................................................... 54 viii Sayfa 4.1.3. Lyapunov üsteli ve boyutu .................................................................... 57 4.2. Kanser Modeli 2 ............................................................................................. 58 4.2.1. Tedavi uygulamadan kararlılık ve kaos analizi .................................... 61 4.2.2. Lyapunov üsteli ve boyutu .................................................................... 65 4.3. Kanser Modeli 3 ............................................................................................. 66 4.3.1. Kararlılık ve kaos analizi ...................................................................... 70 4.3.2. Lyapunov üsteli ve boyutu .................................................................... 75 4.4. Kanser Modeli 4 ............................................................................................. 77 4.4.1. Matematiksel model .............................................................................. 79 4.4.2. Kararlılık ve kaos analizi ...................................................................... 80 4.4.3. Lyapunov üsteli ve boyutu .................................................................... 85 4.4.4. Çatallanma diyagramı ........................................................................... 87 5. TÜMÖR-BAĞIŞIKLIK SİSTEMİ HÜCRELERİ ETKİLEŞİMİNİN GECİKMELİ DİFERANSİYEL DİNAMİK MODELİ ........................................ 89 5.1. Giriş ................................................................................................................ 89 5.1.1. Gecikmeli diferansiyel denklemler ....................................................... 90 5.1.2. Gecikmeli diferansiyel denklemlerin temel özellikleri ......................... 91 5.1.3. Gecikmeli doğrusal diferansiyel denklemler ile sabit gecikme ve katsayı ................................................................................................... 93 5.2. Biyolojik Özgeçmişi ....................................................................................... 94 5.3. Matematiksel Model ....................................................................................... 96 5.4. Kararlılık ve Kaos Analizi.............................................................................. 98 5.5. Nümerik Analizi ........................................................................................... 103 6. SONUÇ ............................................................................................................... 109 KAYNAKLAR ........................................................................................................ 112 ÖZGEÇMİŞ ............................................................................................................. 116 ix ÇİZELGELERİN LİSTESİ Çizelge Sayfa Çizelge 3.1. Çekicilerin farklı karakteristik özellikleri .............................................. 49 Çizelge 4.1. Kaotik davranış aramasında kullanılan parametre aralıkları ................. 54 Çizelge 4.2. Parametre değerleri ................................................................................ 55 Çizelge 4.3. Kaos aramasında kullanılan parametre aralıkları ................................... 61 Çizelge 4.4. Parametre değerleri ................................................................................ 62 Çizelge 4.5. Modelde kullanılan parametreler ve açıklamaları.................................. 71 Çizelge 4.6. Kaotik davranış aramasında kullanılan parametre aralıkları ................. 72 Çizelge 4.7. Parametre değerleri ................................................................................ 74 Çizelge 4.8. Parametre açıklamaları........................................................................... 80 Çizelge 4.9. Kaotik davranış aramasında kullanılan parametre aralıkları ................. 82 Çizelge 4.10. Model parametreleri ............................................................................. 83 Çizelge 5.1. Model parametreleri ............................................................................... 97 x ŞEKİLLERİN LİSTESİ Şekil Sayfa Şekil 1.1. Hénon haritasının genelleştirilmiş şeklidir ................................................ 14 Şekil 1.2. Hénon haritası için çeşitli dinamik davranışlarının bölgesi ....................... 15 Şekil 2.1. Fold çatallanması ....................................................................................... 22 Şekil 2.2. Transkritik Çatallanması ............................................................................ 23 Şekil 2.3. Pichfork Çatallanması ................................................................................ 24 Şekil 2.4. Hopf Çatallanması ..................................................................................... 26 Şekil 2.5. Alt kritik Hopf çatallanması ...................................................................... 27 Şekil 2.6. Faz-parametre uzayında Alt kritik Hopf çatallanması ............................... 27 Şekil 2.7. Alt kritik Hopf çatallanması ...................................................................... 28 Şekil 2.8. Faz-parametre uzayında Alt kritik Hopf çatallanması ............................... 28 Şekil 3.1. Rössler sistemin kaotik çekicisi. a=0,2, b=0,2, c=6,3 ................................ 33 Şekil 3.2. Rössler sistemin kaotik çekicisi (faz uzayında). a=0,2, b=0,2, c=6,3 ........ 33 Şekil 3.3. Fraktal örnekleri ........................................................................................ 35 Şekil 3.4. İki yakın yörüngenin gelişimi: Lyapunov üssün sayısal hesaplaması ....... 36 Şekil 3.5. Lorenz denkleminin Lyapunov üsteli ........................................................ 40 Şekil 3.6. Güç spektrumu ........................................................................................... 44 Şekil 3.7. Mantıksal haritalamanın (Logestic map) korelasyon fonksiyonu (periyodik ), (kaotik).................................................................. 46 Şekil 3.8. Üç-boyutlu otonom sistem için Poincaré haritası ..................................... 47 Şekil 3.9. Henon-Heiles sistemin Poincaré haritası ................................................... 48 Şekil 4.1. Çizelge 4.2’deki parametre değerlerine göre kanser dinamiğinin zamana bağlı davranışı ........................................................................................... 56 Şekil 4.2. Çizelge 4.2’de verilen parametre değerleri için kanser dinamiği davranışının faz-düzleminde gösterimi ..................................................... 56 Şekil 4.3. Lyapunov üstellerinin zamana göre değişimi ............................................ 57 Şekil 4.4. Çizelge 4.4’de verilen parametre değerlerine göre kanser dinamiğinin zamana bağlı değişimi ............................................................................... 63 Şekil 4.5. Çizelge 4.4’de verilen parametre değerleri için kanser dinamiği davranışının faz-düzleminde gösterimi ..................................................... 64 Şekil 4.6. Çizelge 4.4’de verilen parametre değerleri için kanser dinamiği davranışının faz-uzayında gösterimi .......................................................... 64 Şekil 4.7. Lyapunov üstellerinin zamana göre değişimi ............................................ 65 xi Şekil Sayfa Şekil 4.8. Çizelge 4.7’de verilen parametre değerlerine göre kanser dinamiğinin zamana bağlı değişimi ............................................................................... 75 Şekil 4.9. Çizelge 4.7’de verilen parametre değerleri için kanser dinamiği davranışının faz-uzayında gösterimi .......................................................... 75 Şekil 4.10. Lyapunov üstellerinin zamana göre değişimi .......................................... 76 Şekil 4.11. Faz-uzayında kanser dinamiği ....................................... 83 Şekil 4.12. Kaotik sistemin başlangıç koşullarına aşırı duyarlılığının sınanması ...... 84 Şekil 4.13. Faz-uzayında Kaotik sistemin başlangıç koşullarına aşırı duyarlılığı ..... 85 Şekil 4.14. Lyapunov üstellerinin zamana göre değişimi .......................................... 86 Şekil 4.15. Çatallanma diyagramı .............................................................................. 87 Şekil 5.1. Hücre aktivasyonunu ................................................................................. 95 Şekil 5.2. “Matematica” program parçacığı ............................................................. 101 Şekil 5.3. Çatallanma diyagramı .............................................................................. 105 Şekil 5.4. Eş. 5.6’da yer alan hücre popülasyonlarının, gecikme bileşeni ve başlangıç koşulları durumunda zamana göre değişimi ................................................................................................... 105 Şekil 5.5. Eş. 5.6’da yer alan hücre popülasyonlarının, gecikme bileşeni ve başlangıç koşulları durumunda zamana göre değişimi ................................................................................................... 106 Şekil 5.6. Sistem (5.6) ‘nın kaotik davranışı ( Şekil 5.7. Faz-uzayında sistemin kaotik davranışı ) .............. 107 ..... 107 xii SİMGELER VE KISALTMALAR Bu çalışmada kullanılmış bazı simgeler ve kısaltmalar, açıklamaları ile birlikte aşağıda sunulmuştur. Simgeler Açıklama Gerçel sayılar kümesi Özdeğerler Başlangıç değerleri Jakobiyen matris | | Uzunluk ‖ ‖ Öklid geometrisinde norm Iraksama Alt küme 〈 〉 İçler çarpımı Lyapunov üsteli Kısaltmalar Açıklama ACI Adoptif hücresel immünoterapi ADD Adi diferansiyel denklemler CTL (Cytotoxic T cell) Sitotoksik T hücresi DNA (Deoxyribonucleic acid) Deoksiribonükleik asit GSR Gram-Schmidt yeniden ortonormalleştirme HER2 Human epidermal growth factor receptor 2 IL-2 Interleukin 2 NK (Natural killer) Doğal öldürücü RNA (Ribonucleic acid) Ribonükleik asit 1 1. GİRİŞ Yaygın ve tedavisi zor hastalıklar ve yaşlı nüfusundaki artışa bağlı olarak sağlık hizmetlerinin ve sağlık teknolojilerinin etkin ve verimli kullanılması zorunlu bir hal almaktadır. İnsanın yaşam kalitesinin artırılmasının yanında, sağlık harcamalarının azaltılması beklentileri yeni sağlık teknolojilerinin geliştirilmesine, üretilmesine ve yaygınlaştırılmasına bağlıdır. Bu kapsamda, hem akademik ortamda hem de endüstriyel çevrelerde çeşitli çalışmalar yürütülmektedir. Günümüzde, yaygın ve tedavisi zor hastalık grubunda ilk akla gelen hastalıklardan birisi de kanserdir. İçerdiği karmaşık davranış biçimi ile “kanser dinamiği” matematikçiler ve mühendisler için ilgi çekici bir çalışma konusu olurken, buradan elde edilen sonuçlar tedavi ve sonrasındaki davranış biçiminin algılanmasında tıp çevresine önemli veriler sunulmaktadır. Böylelikle matematik, mühendislik ve tıp bilimleri için disiplinler arası çalışma bakımından etkin bir platform olan kanser dinamiği ve tedavisi, önemini her geçen gün artıran bir araştırma alanı haline gelmektedir. Ortak çalışmalardan bazıları ana hatları ile “kanser tanısı için hassas görüntüleme yöntemleri geliştirilmesi”, “vücuda enjekte edildiğinde kanser dokusunu normal dokudan ayırt edebilecek ve vücuda zarar vermeyecek maddelerin geliştirilmesi”, “görüntüleme eşliğinde kanserli dokunun çevresine zarar vermeksizin çıkarılması” ve son olarak “organa veya dokuya özgü uygun doz veya enerji ölçüm ve planlama yöntemleri” olarak sayılabilir. Organa veya dokuya özgü uygun doz veya enerji ölçüm ve planlama yöntemleri alanı mühendislik disiplini için optimizasyon tekniklerinin kullanılması bakımından ilgi çekicidir. Ayrıca kanserin kendini tekrarlayan yapısının modellenmesi ve ardından eğer bir kaotik davranış varsa bu davranışın uygun girişler verilerek kontrol edilebilmesi, tedavi ve sonrası için araştırılması gereken unsurlar olarak önemini devam ettirmektedir. Bu tez kapsamında genel olarak kanser dinamiğindeki kaotik davranışın analizi ele alınmaktadır. Eldeki matematik modellerden yola çıkarak kanser dinamiğinin gelecekte göstereceği davranış biçimlerini ortaya koymak, tedavi sürecinin sağlıklı bir şekilde planlamasının yapılabilmesi için önemli bulgular sunmaktadır. Kaotik 2 davranış biçimi ise, özellikle kanser dinamiğinde tedavinin geçerliliği bakımından araştırılması gereken en önemli unsurlardan birisi olarak geçerliliğini sürdürmektedir. Yukarıda kısaca bahsedilen çok disiplinlilik zorunluluğu, tez konusunun gerektiği şekilde aktarılabilmesi için makine mühendisliği açısından farklı terminolojinin ve bir takım temel kavramların tanımlanmasını gerekli kılmaktadır. Hem tez genelinde hem de giriş bölümünde karşılaşılacak bazı kavram ve bilgiler, tez bütünlüğü açısından diğer disiplinlerde kullanılan terminolojiden alıntı yapılarak aktarılmaktadır. Bu bölümde önce matematikten, sonra biyoloji ve tıptan ve ardından da fizik-matematikten alınan bazı kavramlar açıklanmaktadır. Dinamik sistemler Dinamik sistem teorisi, temel bilim, mühendislik ve ekonomi gibi tüm bilim alanlarında, sistem davranışlarını analiz etmek için kullanılmaktadır. Dinamik sistemler kullanılarak yapılan çalışmaların temeli, sistemi matematiksel modellerle ifade etmeye dayanmaktadır. Bu sistem modelleri, doğrusal, doğrusal olmayan, sürekli diferansiyel denklemler veya farklı tiplerde diferansiyel denklemler şeklinde olabilirler. Analizlerde çoğunlukla doğrusal veya doğrusal olmayan, süreklilik içeren sistemler ele alınmakta ve ele alınan sistemler doğrusal veya doğrusal olmayan diferansiyel denklemler ile ifade edilmektedirler. Adi diferansiyel denklemlerin bilimde kullanımı çeşitli kaynaklarda geniş biçimde irdelenmektedir. Adi diferansiyel denklemlerin tarihi, güneşin etrafında dönen dünyamızın hareketini açıklamaya çalışan Isaac Newton’un çalışmalarına kadar uzanmaktadır. Newton’un çalışmaları dinamik sistemlerin ortaya çıkışının miladı sayılmaktadır. O zamanlardan günümüze değin, dinamik sistemlerin bilimde kullanımında hem teorik hem de uygulama alanları açısından birçok köklü değişimler gerçekleşmiştir. Teorik yönden ele alındığında, ilk gelişmeler adi diferansiyel denklemlerin analitik çözümü ile sınırlı kalmıştır. Ardından, doğrusal olmayan diferansiyel denklemlerin analitik çözümü konusunda çalışmalar yapılmış 3 ve çoğu doğrusal olmayan diferansiyel denklemlerin analitik olarak çözülemediği görülmüştür. On dokuzuncu yüzyılın sonunda Henry Poincaré tarafından ortaya konan yeni yaklaşım, faz portreleri kullanarak doğrusal olmayan sistemlerin global davranışları hakkında ayrıntılı bilgi sağlanabileceğini göstererek önemli bir yol açmıştır. Poincaré’in çalışmalarının sonucunda, (first-return map) birincil-dönüşüm topolojisi, denge noktaları, periyodik yörüngelerin kararlılığı, kararlı ve kararsız manifoldlar gibi doğrusal olmayan diferansiyel denklemlerin lokal ve global analizinin temel kavramları ortaya konulmuştur [1] Poincaré’in çalışmaları, ardından gelen kuşağın çalışmalarını önemli ölçüde etkilemiştir. Bunlardan en önemlisi G.D. Birkoff olarak kabul edilir. Birkoff, Poincaré teoremlerini astrofizikte, üç gök cisimli problemin çözümünde kullanmış ve topolojik argümanlar, minimal ve tekrarlayan kümeler kavramlarını ve ergodik teorisini ortaya koymuştur. Ardından Holmes tarafından sembolik dinamikler için genişletilmiş olan (discrete map) ayrık haritalama yöntemi de Birkoff’un katkısıdır [2]. Doğrusal olmayan sistem denklemlerinin anlaşılması konusunda Lyapunov, Andronov ve Pontryagin gibi Rus bilim adamlarından özellikle salınımlar, kararlılık ve global çatallanma konularında çığır açan önemli katkılar gelmiştir [3]. Takip eden zamanda, M. Peixoto, Andronov ve Pontryagin tarafından geliştirilen düzlemsel sistemlerin iki boyutlu manifoldu teorisini genelleştirmiştir [4]. Kolmogorov, Arnold ve Moser yarı periyodik dinamikleri inceledikleri ve KAM teoremi olarak adlandırılan çalışmaları ile konuya katkıda bulunmuşlardır. Tüm bu gelişmelerin ötesinde, Poincaré’den sonra dinamik sistemler teorisindeki en önemli buluş, 1967’ye gelindiğinde Smale [5] tarafından, daha önce Cartwright ve Littlewood [6] tarafından gözlenen Van der Pol denkleminin periyodik olarak zorlandığında periyodik olmayan salınım davranışı gösterdiğini açıklayabilmeleri olmuştur. Smale’in buna ek olarak diğer katkısı, “Smale at nalı” haritası olarak adlandırılan iki boyutlu bir prototip haritasını icat ederek, (bu keşfi daha sonraları “kaos” olarak isimlendirilecek), deterministik adi diferansiyel denklemlerin rasgele-benzerlikler fenomenini açıklamak için kullanmasıdır [5]. 4 1960’lardan itibaren bilgisayarların gelişimi, dinamik sistemlerin analizi ve görselleştirmesi konusunda önemli bir ivme yaratmıştır. İlklerden biri olan Lorenz, hava durumu tahmin modelinin benzetim çalışmalarıyla uğraşırken, başlangıç koşullarının değişiminden çok fazla etkilenen bir yapı fark etti ve daha sonraları bu “Lorenz çekicisi” olarak adlandırıldı [7]. Lorenz, benzetimini yapmaya çalıştığı, üç boyutlu adi diferansiyel denklemin çözümünün, herhangi bir denge noktasına veya bir periyodik döngüye yaklaşmadığını, düzensiz ve tahmin edilemez fakat sınırlı bir dinamik davranış gösterdiğini gözlemledi. İlk yayınlandığında hiç ilgi görmeyen Lorenz’in bu gözlemi, daha sonraları “Lorenz çekicisi” olarak adlandırılmış, ilk ve en çok bilinen kaotik çeker olarak kabul edilmiştir. Günümüzde Lorenz’in çalışmaları, finansmandan tıpa, akışkanlar dinamiğinden ekolojik tür etkileşimlerine, elektronik devrelerden Newton mekaniğine kadar bir çok farklı disiplinde, dinamik sistemlerin tahmin edilemezlik fenomenini açıklamak için kullanılmaktadır. Özetle, hemen hemen her tür sistem, diferansiyel denklemler ile modellenebilmektedir ve Newton’un diferansiyel denklemleri kullanmasından bugüne değin sürekli gelişen dinamik sistem teorisi, bilimsel çalışmalarda önemli bir araç olarak kabul edilmektedir. Biyolojik sistemlerin incelenmesi içinde fizik ve mühendisliğin argümanlarının ve araçlarının kullanılmaya başlaması oldukça yeni bir gelişmedir. Bu nedenle diferansiyel denklemler kullanılarak biyolojik sistemlerin de modellenebileceğini fark eden bilim adamlarının bu alana ilgisi yoğunlaşmıştır. Özellikle VolterraLotka’nın av-avcı modeli, ekoloji ve insan biyolojisindeki birçok alt sistemin rekabetçi dinamiğini açıklamak için kullanılmıştır. Bu fikrin, yani nüfus artışı ve rekabetçi dinamikler fikrinin vücuttaki tümörlerin büyümesini de açıklayabileceği öngörülerek, sağlıklı doku hücreleri ve bağışıklık sistem hücreleri gibi diğer vücut hücrelerinin etkisi olduğunda veya olmadığı durumlar için farklı tümör büyüme modelleri geliştirilmiştir. Geliştirilen tümör büyüme modelleri, birçok klinik çalışmanın sonuçlarını anlamak için kullanılmıştır. Tümör büyüme modelleri veya kanser modelleri, anlaşılması çok kolay olan konular değildir. Oldukça karmaşık biyolojik sistemleri diferansiyel sistemlere indirgemek, doğal olarak çalışılan konuyu hataya açık hale getirmektedir. Bu karmaşıklığın farkında olarak, kanser dinamiğinin 5 sadece basit adi diferansiyel denklem modelleriyle veya basitçe tümör-bağışıklık hücre etkileşimiyle açıklanamayacağını bilerek konuya yaklaşmak önemlidir. Canlı organizmanın son derece karmaşık bir sistem olduğunun altı çizildiğinde, bu organizmanın değişik nedenlerle kendini yok edecek şekilde bozulmasının diğer bir deyişle, kanserin başlamasının ve gelişiminin kavranabilmesindeki zorluk bir nebze de olsa daha anlaşılır olmaktadır. Çağın hastalığı olan kanserin çözümünde, klinik yaklaşımlara ve deneysel çalışmalara paralel olarak dinamik sistemler teorisinin farklı araçları da kullanılarak, kanser modellenmeye, analiz edilmeye çalışılmaktadır. Yukarıda tarihçesi hakkında geniş bir özet verildiği üzere, dinamik sistemler teorisi geniş bir çalışma alandır. Dinamik sistemler teorisi, sadece sistemin modellemesi ve analizi için değil, aynı zamanda sistem dinamiğine istenen şekli vermek için (yani sistemi kontrol etmek için) de kullanılabilmektedir. Dinamik sistemlerden uygun faydayı sağlamak için, sistemi yönetme çabası, kanser hücrelerinin yayılmasını engellemek, tümörü baskılayarak zararlı etkilerini en aza indirgemek ve hatta onu tamamen yok etmek için de kullanılabilir. Bu yaklaşım, kontrol teorisi alanında çalışan bilim adamlarını, kanser hücrelerinin yayılmasını kontrol etme konusuna yöneltmiş ve önemli adımlar atılmıştır [8-11]. Kanser biyolojisi Bir önceki bölümde de söz edildiği üzere, konunun bütünlüğü açısından giriş bölümü tezde kullanılan temel kavramların ve terminolojinin anlaşılmasına ayrılmıştır. Kanser dinamiğinden, tümör büyüme dinamiğinden ve bunların kaotik analizinden söz ederken kullanılacak bir kısım biyolojik kavramların anlaşılabilmesi açısından [12]’den geniş bir biçimde yararlanılmıştır. Kanser bir hastalık grubunun genel adı olarak kullanılmaktadır. Her kanser türü kendine özgü ve iç içe girmiş karmaşık mekanizmaya sahip olabilmektedir. Ancak her kanser türü için geçerli olan genel kavramlar da söz konusudur. Kanser, sağlıklı hücrelerin bozulması ile ortaya çıkan bir hastalık olarak tanımlanabilir. Her hücrenin 6 hayatı boyunca belli bir bölünebilme sayısı vardır. Sağlıklı bir hücre gerektiği yerde ve gerektiği kadar bölünerek çoğalmaktadır. Buna karşın, kanser hastalığını oluşturan tümör hücreleri gerektiği kadar bölünme koşulunu kaybeder, kontrolsüz bölünmeye başlar ve çoğalırlar. Bu büyüme, normal hücreden hücreye sinyalleriyle ve hücre içi kontrol mekanizmaları ile kontrol edilememektedir. Diğer yandan, tüm kanser türleri yayılmacıdır, bu tümör hücrelerinin lokal kalmamasını ve komşu dokuyu bozmasını açıklamaktadır. Kanser, birincil olarak hücresel DNA'nın mutasyonu sonucu oluşmaktadır. Mutasyonlar, çeşitli nedenlerle ortaya çıkabilmektedir ve genel olarak, canlının genomu içindeki DNA ya da RNA dizilimindeki kalıcı değişimleri ifade etmektedir. Mutasyonlar, sigara veya farklı kimyasallar gibi dış kanserojenlere, radyasyona maruz kalmaya, hücre içindeki serbest oksijen türlerinin olumsuz etkisine, patojenlerin genetik üzerindeki olumsuz etkisine, anne ve babadan gelen bozuk genlere veya hücre bölümü sırasında hatalı DNA kopyalanmasına bağlı ortaya çıkabilmektedir. Tüm insanlarda zaman içerisinde bu mutasyonlar birikmektedir. Çok sayıda DNA çifti mutasyona uğrayabilir, herhangi bir hücre mutasyon serilerine maruz kaldığında küçük derecede kanserleşme olasılığı ortaya çıkmaktadır; mutasyonlar hücrelerin fonksiyonlarında kalıcı bozukluğa neden olabildiği gibi bazı durumlarda hücre fonksiyonlarında hiçbir değişime neden olmayabilir. Bununla birlikte, vücuttaki hücrelerin büyük bir kısmı, yaklaşık , eğer yeterli zaman olursa, biriken mutasyonlar nedeniyle önemli oranda kansere dönüşebilme olasılığı içermektedir. Kanserojenlere maruz kalma ve kalıtsal mutasyonlar doğal olarak süreci hızlandırmaktadır ancak tek neden olarak düşünülmemektedir. Kanserin ortaya çıkışı ile yaş arasında bir ilişki vardır, çünkü kanserleşme sürecinde bir dizi basamağın oluşması için zaman gereklidir [12]. Mutasyonlar, hücre içi proteinlerinin bozulmasına dolayısıyla hücrenin çevresine verdiği yanıtlarda değişime neden olur. Kanser durumunda, bu değişiklikler kontrolsüz büyümeye ve saldırıya yol açmaktadırlar. Bir hücre içinde sinyal ve metabolik yolların karmaşıklığı göz önüne alındığında, bir hücrenin kanserleşme yolları fazladır, hatta aynı kanser grup içinde de bu geçerlidir. Bu nedenle genel 7 kanser tedavisi zor olmaktadır. Bazı hastalarda bu tedavi tamamen başarısız olabilir. Belirli bir kanser türünde hücrelerdeki genetik değişimler belli değildir, bunun için her kanser hastası kendine özgü hastalık versiyonu taşımaktadır. Kanser büyümesinde özel genetik mutasyonlar oluşmaktadır. Her bir hastanın, kendisine özel geliştirilen tedavi yöntemleriyle daha iyi tedavi edilebilmesi, çok daha uygundur. Bu yaklaşım, kişiye özel tedavilerin gelişmesine yol açmıştır. Bununla birlikte, kanser için tüm genetik işaretler henüz bilinmemektedir ve bir grup mutasyonla, kanser arasındaki etkileşim de tam olarak anlaşılamamıştır. Ayrıca, tümörün tam bir genetik profili elde edilebilse bile, bu gerekli uygun tedavinin kolayca uygulanabileceği anlamına gelmemektedir. Genetik mutasyonlar sonucu oluşan protein işlevlerinin bozulmasının doğru anlaşılması, kanserle savaşta en temel önemli öğedir. Mutasyona uğramış yolakların fonksiyonu konusundaki biyokimyasal araştırmalar, normal doku hücrelerinin kanserli hücreye dönüşümünün anlaşılması açısından oldukça kritik önemdedir. Bazı tedaviler belirli bir genetik mutasyonun varlığına bağımlıdır [13]. Örneğin, antikor trantuzumab (Herceptin) sadece göğüs kanserinde etkilidir ve insanda epidermal büyüme faktörü, reseptörü-2 (HER2) artmasına neden olmaktadır [14]. Aynı zamanda bu mutasyonların meydana geldiği ortam, mutasyonlar kadar önemlidir. Kanıtlara göre hücrenin bulunduğu mikro veya makro ortamlar hücrenin mutasyonunda önemli etki göstermiştir. Onkojenik mutasyonlar anormal hücre alanında, doku bozulmayla birlikte veya öncesinde meydana gelmektedir. Mutasyonlar ve lokal koşullar tümörogeneze neden olur ve hücreler kontrolsüz bir şekilde çoğalmaya başlar. Tümör büyümesinin erken evrelerinde, tümör genellikle avaskülerdir. Bu, kan damarların eksik olduğu anlamına gelmekte, yani tümör hücreleri beslenmeleri difüzyonuna bağlıdır. Difüzyona bağımlılık sınırı, tümör hücrelerinin 1 mm büyüklüğe ulaşmasına kadardır. Bu noktada, küresel bir tümör beslenme ve canlılık açısından üç ayrı katmana ayrılabilir En dış katman, tümör hücrelerinin yaşaması ve çoğalmasına uygundur, merkeze doğru hücreler canlı ama 8 çoğalması düşüktür, en içteki çekirdek küresel merkez ise besin yetersizliği nedeniyle ölüdür. Milimetrik boyutlarda, oksijenin tümör hücrelerinin merkezine ulaşma olasılığı oldukça düşüktür. Ancak birçok tümör hücresi biçim değiştirerek, anaerobik metabolizma ile oksijensiz olarak glikozu işleyebilecek özellikler edinebilmektedir. Bu biçim değişikliğinin oluşum yolları henüz tam olarak bilinmemektedir. Bu konuda ortaya konan hipotez ise şudur; tümör hücreleri yaklaşık 1 mm’ye kadar büyüdükten sonra, merkezdeki hücreler difüzyon yoluyla beslenemediği için gerekli besin maddelerinin teminini sağlamak üzere biçim değiştirmektedir. Böylece, tümör hücrelerin büyümesi için gerekli besin difüzyonla sağlanamadığında veya besin azaldığında anjiyogenik aşama başlamaktadır. Yaşamak ve besine ulaşmak için tümör kitlesi kendi içinde kontrolsüz olarak kan damarlarını artırmaktadır. Normal dokularda, anjiyojenez kontrollü bir işlemdir ve dokunun büyümesini düzenli bir şekilde sağlamaktadır. Doğal olarak, kan damarlarının yapısı ve fonksiyonu normal dokularda kanserli dokulara göre farklıdır. Tümörlü hücrelerde anjiyojenik faktörler belirli bir kuralla çalışmamakta ve damarlar gelişigüzel, kıvrımlı biçimlerde yollar takip etmektedirler. Tümör ilerlemesinin son aşaması, çevresindeki dokulara yayılma ve yıkım ardından da daha uzak yerlere sıçramadır. Bu süreç, “Metastaz” olarak adlandırılır. Metastazı açıklamak için bazı mekanizmalar önerilmiştir. İlki, tümör hücreleri hareketli olabilirler. Normalde, hücreler bulundukları dokuları terk etmek istemezler ve bazı durumlarda ayrılma hücre ölümüne neden olabilir. Ancak yayılması tümör hücrelerini kısıtlayan herhangi bir mekanizma olmadığı için bulundukları konumdan ayrılıp, çevrelerindeki dokulara yerleşebilirler. İkincisi, tümör hücreleri, daha kolay genişleyebilmek için bir enzim üreterek çevre dokuları tahrip ederler. Bu enzim aynı zamanda, örneğin; meme kanserinde olduğu gibi, membranı da tahrip edebilir. Üçüncüsü ise, mekanik güçlerin etkisidir. Tümörün kontrolsüz büyümesi ile oluşan basınç, tümörü oluştuğu yerden mekaniksel direncin en az olduğu alana doğru itmektedir. 9 Tümör hücreleri hareket yeteneği kazandıktan sonra, kan yoluyla en yakın damara girerek damar yolu boyunca taşınımını gerçekleştirmektedir. Tek veya küçük kümeler halindeki tümör hücreleri çoğunlukla, bağışıklık sistemi tarafından bertaraf edilebilmektedir. Ancak bu hücrelerden bazıları kılcal damarlarda sıkışarak veya tutunarak ilk merkezinden, çok uzak bir dokuya yerleşebilmektedir. Hücre yeni dokuya girdikten sonra, hızla çoğalarak, ikincil bir tümör kütlesi oluşturabilmektedir. Zaman içerisinde, birden çok lezyon gelişebilmektedir. Kanserli kitlelerin büyümesi, tümörün tespit ve tedavi edilmesine, bağışıklık sisteminin tümörü yok etmesine veya en kötüsü hastanın ölümüne kadar devam etmektedir. Bu bölümde, [12]’den yararlanılarak, tümör biyolojisinin temel kavramlarına giriş yapılmıştır. Konunun detayları bu tez çalışmasının amacının dışındadır. Bu bölümde aktarılmak istenen en önemli nokta tümör büyümesini etkileyen çok sayıda ve birbirinden önemli faktörlerin olduğu bilgisidir. Bu bölümle tümörlerin en kritik iki özelliğine vurgu yapılmaktadır. Birincisi tümörler aynı anda birçok farklı noktaya yerleşimli olarak ve farklı zaman ölçeklerinde etkili olabilmektedir. İkincisi ise, hastalık tek bir özellik veya genetik mutasyon ile tanımlanamamakta, bir dizi mutasyon birikimi ve tümör hücresinin genotipi, yerleştiği yer gibi faktörlere bağlı olarak büyümesinde değişim gözlenebilmektedir. En temelde, hastalığın ortaya çıkışının ilk koşulu tek bir DNA baz çifti mutasyonu olmasına rağmen, hastalığın tehdit olması için geriye kalan her şey, hastanın vücudunun genel durumu ile ilgilidir. Kanser dinamiğindeki karmaşık davranışın anlaşılmasında matematiksel yöntemlerden yararlanmak önemli bir araç ve bakış açısı zenginliği sağlayacaktır. Çatallaşma (bifurcation) tarihçesi Dinamiğin en önemli kısmı çatallaşma teorisidir, özellikle dinamik doğrusal değilse ortaya çıkardığı farklı davranış biçimleriyle çatallaşma teorisi daha zengin hale gelir. Parametre uzayı, alt kümelere bölünebilir ve her biri farklı bir dinamik çözümü üretir. Dinamik çıkarımlar genellikle nokta tahminleri yöntemine dayanılarak yapılır. 10 Uygulamada, tahmin edilen noktaların parametrelerinin gerçek değeri olup olmadığı bilinmemektedir. Bu nedenle, tahmin edilen noktalar etrafında güven bölgeleri tanımlamak uygun olabilir. Parametreler kesin olarak bilinmediği için, çatallanma sınırlarının yer bilgisi temel önem taşımaktadır. Bu sınırların yer bilgisi bilinmeksizin, kestirilen parametre noktalarının denk geldiği bölgenin güvenli bölge sınırı olup olmadığının bilinmesine olanak yoktur. Buna ek olarak, güvenli bölgenin katlanması ve dinamiği hakkında da doğru yorum yapılamaz [15]. Parametre değerlerindeki değişime bağlı olarak, çözümün niteliksel yapısındaki değişim çatallanma olarak adlandırılır. Genellikle dinamik çözümlerde niceliksel özelliklerin değişimi gözlenmekte, niteliksel değişiklikler yaygın olarak görülmemektedir. Parametre değeri çatallanma sınırı üzerine denk gelirse, çözümün niteliğinde bir değişiklik oluşur. Çatallanma sınırı yakınlarında sistem parametre değişimlerine karşı daha duyarlı hale gelir. Çok küçük parametre değişimleri sistem cevabında çok büyük değişimlere neden olabilir. Farklı çatallanma görünümleri değişik isimlerle adlandırılmıştır: Bazı önemli çatallanma türleri flip, fold, transkritik, Hopf olarak sayılabilir. Her bir çatallanma türü farklı bir dinamiği ifade etmektedir. Örneğin bu çatallanmalar içerisinde Hopf çatallanması, kanser modelleri içerisinde en sık rastlanan çeşittir [16-18]. [15]’de çatallanmanın tarihçesiyle ilgili verilen açıklamalara göre, Hopf çatallanması ile ilgili ilk teorik çalışma Poincaré tarafından yapılmıştır. Bu çalışmasında Poincaré, periyodik hareketin pertürbasyonu için genel bir teknik tanımlamıştır. Hopf çatallanma teoremi üzerine ilk özel çalışma ve formülasyon, Andronov ve arkadaşları tarafından ortaya konulmuş ve bu çalışmanın sonucunda doğrusal olmayan dinamik sistemlerin analizi için önemli bir araç geliştirilmiştir. 1942 yılındaki çalışmasıyla Hopf çatallanmanın varlığına ilişkin genel bir teorem ortaya koyarak, bu çatallanmanın, Hopf çatallanması olarak adlandırılmasını sağlamıştır. Poincaré ve Andronov’un çalışmaları iki boyutlu vektör alanları ile ilgili iken, Hopf teoremiyle, n boyutlu vektör alanları içinde çatallanmanın geçerliliğini kanıtlamıştır. Seçilen parametre çatallanma sınırlarına denk geldiğinde, elde edilen çözümler kararlı 11 durumdan limit döngüye dönüşür, genel olarak bu çatallanma tipi matematikte yaygın olarak Poincaré-Andronov-Hopf çatallanması olarak ifade edilmektedir. Kaos tarihçesi Önceki bölümlerde söz edildiği gibi, giriş bölümü tezin dayandığı konu ve kavramların tanıtılmasına ayrılmış, bu noktada diğer bilimlerin sınırlarına yaklaşarak bazı kavramlar ilgili kaynaklardan alınmıştır. Giriş bölümünde sunulan bilgiler genel bilgilerdir, ancak konunun bütünlüğünün kavranması açısından da bir o kadar önemli bulunmaktadır. Henri Poincaré kaos teorisinin öncüsüdür. 1880 yıllarında, üç cisim problemini incelerken, periyodik olmayan yörüngelerin varlığına tanık olarak, bu yörüngelerin sonsuza yönelmediği gibi sabit bir noktaya da yaklaşmadığını gözlemlemiştir. 1898’de Jacques Hadamard yayınladığı çalışmasında, sabit negatif eğimli yüzey üzerinde kayan serbest parçacığın kaotik hareketini anlatmaktadır. İncelediği sistemde Hadamard, tüm parçacık yörüngeleri içerisinde kararsız olan yörüngelerin tamamının pozitif Lyapunov üsteli ile birbirinden üstel olarak ıraksadığını bulgulamıştır [19]. Kaos öncesi teorilerin büyük çoğunluğu ergodik teorisi adı altında, neredeyse tamamen matematikçiler tarafından geliştirilmiştir. Ardından gelen çalışmalar ise, doğrusal olmayan diferansiyel denklemler konusunda, GD Birkhoff, A.N Kolmogorov, ML Cartwright ve JE Littlewood ve Stephen Smale tarafından ortaya konmuştur. Smale’in çalışması dışındaki tüm bu çalışmalar fizik alanından gelmiştir. Birkhoff'’un üç-cisim problemi, Kolmogorov’un türbülans ve astronomi problemleri ve Cartwright ve Littlewood’un radyo dalgaları ile ilgili çalışmaları örnek verilebilir. Tüm bu çalışmalarda gözlenen periyodik olmayan salınımları açıklayacak, işlevsel bir teorem geliştirilememiş, bilim adamları gördüklerinin ne olduğu konusunda açıklama getirememiştir. 12 Kaos teorisi konusundaki ilk çalışmalar yirminci yüzyılın ilk yarısında ortaya çıkmakla beraber kaos teorisi ancak yirminci yüzyılın ortalarında formüle edilebilmiştir. O zamana kadar hakim olan lineer sistem teorisi lojistik haritalama gibi bir çok deneysel bulguyu açıklamakta yetersiz kaldığında, yeni bir teori gereksinimi kaos teorisinin ortaya çıkmasını sağlamıştır. Daha önceleri basitçe gürültü veya ölçüm hatası olarak dışlanan dinamik davranışlar kaos teorisinin temel bileşenleri olarak kabul görmüş ve üzerinde çalışılan bulgular haline gelmiştir. Kaos teorisi dendiğinde ilk akla gelen isim Edward Lorenz’dir. Lorenz’in çalışmalarından dinamik sistemlerin anlatıldığı 1.1. bölümünde kısaca söz edilmiştir. Lorenz, kaos teorisinin öncüsü olarak bilim tarihinde önemli bir yer tutmaktadır [7]. Kaos arama metotları Dinamik sistemlerdeki “Kaos Davranışı” kolaylıkla belirlenebilen bir olgu değildir. Neredeyse sonsuza ulaşan parametre kümesi içerisinde, sadece küçük bir bölümü kullanılarak Şekil 1.1.’de görülen garip şekiller elde edilebilmektedir. Özellikle kaotik bölge küçükse ve parametreler yeterli küçüklükte değiştirilerek arama yapılmıyorsa kaosu görebilmek imkânsız olabilir. Bazen, periyodik olmayan fenomenler içeren matematik modellerle çalışıldığında, parametre değişimlerine bağlı kaotik çözümün olup olmadığı bilinmek istendiğinde kaos arama metotlarına başvurmak kaçınılmaz olmaktadır [20]. Değişik zamanlarda, birbirinden yararlanılarak veya tamamen farklı bir perspektifle çalışan çok çeşitli kaos arama metotları geliştirilmiştir. Bunlardan daha sıkça kullanılan ve literatürde karşılaşma olanağı daha yüksek bulunanlar, tezin 3. kısmı olan “Kaos” bölümünde anlatılmaktadır. Ancak bir giriş yapmak açısından seçilen arama yöntemleri olan, “Lyapunov üstelleri”, “güç spektrumu”, “oto korelasyon” ve “Poincaré haritalaması” yöntemlerinden kısaca söz edilmektedir. Güç spektrumu yöntemi, dinamik sistemin periyodik veya kaos olup olmadığını denetlemenin en basit yoludur. Yöntem, herhangi bir dinamik değişkenin zaman serisinin, Fourier 13 dönüşümünün grafiğinin incelenmesi olarak ifade edilebilmektedir. Oto korelasyon yöntemi, zaman serilerinin analizi için kullanılan istatistiksel bir araçtır ve farklı zamanlı gözlemler arasındaki korelasyonun ölçülmesi ilkesine dayanmaktadır. Poincaré haritası ile ise, sisteme belirli bir yüzey geçirilerek oluşturulan faz uzay diyagramının incelenmesi yoluyla, sistemin periyodikliği hakkında yorum yapılabilmektedir. Bu tezde kullanılacak temel kaos arama yöntemi, Lyapunov üsteli yöntemi olduğu için bilerek sona bırakılmıştır. Diğerlerine göre bir miktar daha geniş anlatılmasında yarar görülmüştür. Parametre değişimlerine bağlı kaotik çözümün olup olmadığını araştırmak için gelişmiş bilgisayarlar, rastgele seçilen parametreleri, Lyapunov üsteli kullanarak değerlendirebilmekte ve böylece kaosun varlığı gösterilebilmektedir. Bu yöntem ile seçilen matematik modelde kaosun kesinlikle olmadığına ilişkin herhangi bir şey söylemek mümkün değildir, ancak varlığı kesinlikle gösterilebilir. Seçilen parametre bölgesinde, kaotik çözüm noktaları bulmak ilginç bir deneyim olduğu gibi, aynı bölge içinde başka kaotik çözümlerin olasılığını da artırır. Diğer bir yaklaşım, en büyük Lyapunov üstelini en yüksek düzeyine çıkarma yöntemi veya Kaplan-Yorke ölçütüdür. Genellikle, Kaplan-Yorke ölçütü daha hızlı yakınsar ve zaman ölçeğinden bağımsızdır. Maalesef, başlangıç tahmininden en iyileştirilmiş kaotik çözüme giden bir yol yoktur, ama en iyi çözümün yakın komşuluğundan başlatılan aramalar genellikle başarıya ulaşır. Prensip olarak, her parametre eksi sonsuzdan artı sonsuza herhangi bir değer alabilir, ama genellikle model parametrenin işareti ve ilgili aralıkla ilgili ipucu vermektedir. En kötü durum, keşif aralığının ne olduğunu bilmemektir. Eğer arama gibi uygun olmayan bir aralıkla sınırlanırsa, çözüm bulunamaz. Tam tersine ilgili aralık çok geniş seçilirse de arama çok zaman alacağı için ciddi bir zaman kaybı olur. 14 Şekil 1.1. Hénon haritasının genelleştirilmiş şeklidir [20] Tipik bir kaotik çözümde, en azından parametrelerin bazıları birim sıralı ve çözümde sınırsız olma eğilimindedir. Şekil 1.2’de gösterildiği gibi eğer tüm katsayılar çok küçük olursa, doğrusal terimler baskın olur ve çözümün sabit noktalardan oluşması olasıdır. Katsayıları çok büyük seçildiğinde ise, doğrusal olmayan terimler baskın olur, ve çözümlerin bir çoğu sınırsız olur. Sınırsız çözümler, hızlı bir şekilde, bir veya birden çok değişkenin mutlak değerini hesaplayarak ve çok büyük ise, üzerinde hareket edilerek belirlenebilir. Zayıfta olsa her zaman kararsız olma riski taşımasına rağmen, kararlı sabit noktalar, belirli kriterler konularak birbirini takip eden iterasyonlar yapılarak, bir anlamda deneme yanılma yoluyla ortaya çıkarılabilir. Dolayısıyla, test etme yöntemi olarak tekrarlayan değerler yerine değişimi zamanla 15 sürekli azalan değerler seçilmesi çok daha iyidir. Periyodik döngüler de benzer şekilde belirlenebilir ama büyük döngüler için azalan bir nokta vardır. Genellikle sabit nokta ve periyodik çözümleri pozitif olmayan Lyapunov üssü ile belirlemek kolaydır. Hızlıca büyük negatif üsteller ile çözümleri ayıklayarak ve belirsiz durumlar için birçok kere tekrarlayarak, haritalama yapmak akım yöntemiyle yapmaktan daha kolaydır. Akım yöntemi, yaygın olarak sıfır Lyapunov üsteli kullanmaktadır [20]. Şekil 1.2. Hénon haritası için çeşitli dinamik davranışlarının bölgesi [20] Bazı durumlarda tamamen rastsal olarak parametreleri belirlemek, seçilen parametrelerden hangilerinin çekerin civarında olduğunu belirlemek açısından yararlı olabilir. Ancak, denklemler yeterince parametreye sahip olursa, aynı çeker birçok konumda olacağı için, bu durumda keyfi olarak belirlenen başlangıç noktalarında biri genellikle çekerin civarında olabilir. Başlangıç noktalarını orijinde seçmekten kaçınmak gerekir, çünkü çoğunlukla orijin basit sistemlerde denge noktası olabilmektedir. Benzer şekilde başlangıç noktalarını orijinden çok uzakta da seçmemek gerekir bu durumda da genellikle sınırsız çözümler elde edilir. 16 Genellikle parametreleri ve başlangıç koşullarını aralığında rastsal dağılım ile seçmek yararlı bir yöntemdir, fakat daha sonra bu değerleri düzenli bir sırayla artırmak veya azaltmak uygun olabilmektedir. Katsayılar normal dağılımla (Gaussian) seçilebilir veya artırılmış normal dağılım yöntemleri kullanılabilir. Bu özellikle ilgili üç basit fonksiyon aşağıda verilmektedir. ⁄ Burada , aralığında bir rasgele düzgün sayıdır. Her fonksiyon etrafında antisimetrik, ve ’de sonsuz, ve aralığında yarı değerlerine sahiptir. Bu fonksiyonlar, doğrusal olmayan bir şekilde reel sayılar uzayındaki birim aralıkla eşleşir, ama bunlar tekrarlanan eşleşmeler değildir, seçimler tamamen isteğe bağlıdır. Gelişmeler belki, fonksiyonların daha çok değerler bulunabilecek bir aralıkta çalışması için, bir faktör ile çarpılmasına gerekçe olabilir. Değer aralığını sınırlamak için formüller değiştirilebilir, örneğin 3,1415 olarak değiştirildiğinde ’in değer aralığı ‘deki değeri olur. tarafından üretilen değerler Cauchy dağılımına sahiptir. Cauchy dağılımı, ortalaması sıfır olan iki rasgele sayının oranıdır. Eğer Lyapunov üstelinin veya başka bir parametrenin en yüksek değeri bulunmaya çalışılıyorsa, çözüm değeri, ve kullanılabilir. Burada , için bulunan en iyi , her deneme sonrasında bir önceki değerin %99’unu kullanan bir takım algoritmalarla sürekli ve yavaşça azaltılmakta olan araştırma bölgesinin büyüklüğüdür. Eğer daha iyi bir çözüm bulmak istenirse, gelişmeler yapılırken çok 17 hızlı bir şekilde bölgeyi daraltmak için örneğin iki gibi herhangi bir faktör ile çarpılabilir. Giriş bölümünde temel kavramların ve literatür taramasının yer aldığı tezin 2 ve 3. bölümlerinde sırasıyla “çatallanma” ve “kaos” geniş olarak anlatılmaktadır. Bu iki bölüm, tez çalışmasının hem literatür hem de teorik dayanağını oluşturmaktadır. Bu tezin temel çıktılarından bir kısmının yer aldığı Bölüm 4’de ise, literatürde yer alan 4 ayrı tümör büyüme matematik modeli kullanılarak bu modellerde kaotik davranış analizi yapılmakta ve sonuçları sunulmaktadır. 4. Bölümde ele alınan matematik modeller için biri hariç diğerlerinde daha önce kaotik davranış analizi yapılmamıştır. Beşinci bölümde tezin diğer temel çıktısı sunulmaktadır. Burada, önce tümörbağışıklık sistemi hücreleri etkileşiminin gecikmeli diferansiyel dinamik modeli oluşturulmakta ve daha sonra sistemde kaos araması gerçekleştirilmektedir. 5. Bölümde oluşturulan gecikme terimi içeren matematik model literatürde yer almamaktadır. Bu tez çalışmasında gecikme teriminin kaotik davranışa etkisi 5. Bölümde oluşturulan model yardımıyla ortaya konulmaktadır. Son olarak altıncı bölümde tez boyunca elde edilen sonuçlar değerlendirilerek bir özeti sunulmaktadır. 18 2. ÇATALLANMA Bu bölümde, dinamik sistemlerde parametrelerin değişimine bağlı olarak davranıştaki değişimlerin oluştuğu “çatallanma” olgusu ele alınmaktadır. Bu bölüm, tezin temel çıktılarının yer aldığı 4 ve 5. Bölümdeki çalışmalara yönelik teorik altyapıyı oluşturmak üzere literatürdeki çalışmaları derlemektedir. 2.1. Çatallanma Giriş Bir veya birden çok parametre kritik değerini geçtiğinde, bazı sistemlerin dinamik davranışında veya faz portresinin topolojik yapısında niteliksel bir değişim olur. Bu davranış değişimine çatallanma (bazı kaynaklarda “dallanma” olarak da tanımlanmaktadır) adı verilir. Dinamik sistemi yapısal olarak kararsız yapan, parametre uzayındaki herhangi bir nokta çatallanma noktasıdır ve böylesi noktaların oluşturduğu kümeye çatallanma kümesi denilmektedir. Bu kümenin eleman sayısı sonsuza gidebilir ancak genellikle ölçüsü sıfırdır [20]. Burada kullanılan ölçü kavramı topolojik bir terimdir ve bir anlamda mühendislikteki boyut gibi düşünülebilir. Çoğunlukla rastgele sistemler olarak görünen sistemlerin nedenselliği (determinizm) hakkında güçlü kanıtlar sunduğu için çatallanma önemli bir kavramdır. Özellikle parametre değerleri kritik değerin sağına veya soluna doğru hareket ettirildiğinde bu değişimle tutarlı sistem cevapları izleniyorsa bu tip sistemler görünüşün aksine rastgele sistemler olmayabilirler. Bazı sistemler çatallanmanın değişim yönüne bağlı olarak, parametrenin farklı değerlerinde histerezis sergiler. Çatallanmanın oluşacağı yeri bilmek çoğu zaman önemlidir. Böylece sistemler istenmeyen etkileri önlemek üzere tasarlanabilirler. Onlarca farklı çatallanma tipi ve muhtemelen henüz keşfedilmemiş olanları vardır. Bu konudaki terminoloji kesinleşmiş, evrensel bir norma ulaşmış değildir ve gelişmeye devam etmektedir, hatta birçok çatallanma farklı isimlerle anılmaktadır. Çatallanma teorisinin başlangıcı olarak Poincaré’nin 19 çalışmaları gösterilmekte ancak bu konu daha üzerinde çok çalışılacak bir konu olarak durmaktadır [20]. Çatallanmaları sınıflandırabilmek için birkaç yol vardır: Haritalar ve akımlar: Hem ayrık hem de sürekli-zamanlı sistemlerde çatallanmalar görülebilir. Bazı çatallanmalar her iki sistemde de oluşabilir ve çoğunlukla aynı veya benzer isimlerle anılırlar. Diğer çatallanmalar ise sadece bir sistem için geçerlidir [20]. Boyut: Dinamik değişkenlerin sayısı sistemin boyutunu vermektedir. Bazı çatallanmalar sadece boyut minimum değerini aştığında ortaya çıkar. Her biri için minimum boyutta meydana gelen çatallanmanın incelenmesi yeterlidir. Çünkü temel olarak, ilave boyut eklenmesi ile yeni bir şey ortaya çıkmamaktadır [20]. Eş boyut: Çatallanmada eş boyut kavramı, çatallanmanın oluşması için değişimi gereken parametre sayısını ifade etmektedir [20]. Parametre sayısına bağlı olarak çatallanma olduğu için eş boyutu ilgili parametre sayısıyla ifade etmek doğaldır. Lokal ve global: Denge noktalarında ortaya çıkan, yok olan veya kararlılıkları değişen çatallanmalara lokal denir. Tüm yörüngeleri içerenler ise global olarak adlandırılır ve genellikle analizleri oldukça zordur. Bu iki kategori arasındaki ayırım açık değildir. Bir çatallanma her iki özelliği de taşıyabilir. Sürekli ve süreksiz: Sürekli bir çatallanmada (ayrıca ince veya üst kritik olarak da adlandırılabilmektedir), özdeğerler kararlı veya kararsız olabilirler. Süreksiz (aynı zamanda katastrofik veya alt kritik olarak adlandırılır) bir çatallanmada ise, ilave özdeğerler ortaya çıkabilir veya özdeğerlerin bazıları yok olabilir. 2.2. Çatallanma Türleri Daha önce söz edildiği gibi, kanser dinamiğinde literatürde en yaygın olarak kullanılan çatallanma tipleri Hopf ve periyodik çatallanmadır. Bu seçimi zorlayan en temel etki kanser dinamiğinin salınımlı yapısıdır. Bu iki tip çatallanmaya daha geniş 20 yer verilmek üzere genel olarak çatallanma tipleri gözden geçirilmektedir. Bu bölümde anlatılan alt başlıklardan sıfır özdeğer [21]’in ilgili bölümünün özeti ve Poincaré-Andronov-Hopf çatallanması bölümü ise [22]’nin ilgili bölümünün özetidir. Aşağıdaki gibi bir parametrelere ayrılmış vektör alanı düşünüldüğünde, , gibi boyutlarındadır [21]. kere türevlenebilen bir fonsiyonu ifade etmektedir ve ̇ Eş. 2.1’in denge noktası olsun, yani Eş. 2.1’in türevi alındığında aşağıdaki şekilde lineerleşmektedir: ̇ burada Jakobiyen matrisidir. 2.2.1. Sıfır özdeğer Jakobiyen matrisinin, denge noktasında , sıfır özdeğere ve geri kalan yerlerde sıfırdan farklı gerçek kısımlı özdeğerlere sahip olduğu varsayıldığında, denge noktasına yakın yörüngesel yapılar, birleşik merkez manifoldu denklemi ile belirlenebilir ve şu şekilde yazılabilir [21]. ̇ Burada sağlamalıdır. olmak üzere, bununla beraber, Eş. 2.4 aşağıdaki şartları 21 Bu koşullardan Eş. 2.5 sabit nokta koşulu ve Eş. 2.6 sıfır özdeğer koşuludur. Örnek 1 [21]: Aşağıdaki vektör alanı örneği düşünülürse, ̇ Eş. 2.7’nin yukarıdaki koşulları doğruladığı kolayca gösterilebilir. ve Eş. 2.7’nin sabit noktaları ise aşağıdaki şekilde bulunabilir: Şekil 2.1’de gösterildiği gibi düzlemde bir parabol temsil eder. 22 Şekil 2.1. Fold çatallanması [21] Şekilde, x yönünde dikey çizgiler boyunca gösterilen oklar Eş. 2.7 tarafından üretilen akımı temsil etmektedir. Görüldüğü gibi, değildir ve vektör alanı için Eş. 2.7 sabit noktaya sahip yönünde azalmaktadır. için Eş. 2.7 iki farklı sabit noktaya sahiptir. Basit bir doğrusal kararlılık analizi, sabit noktaların birinin (düz çizgi ile gösterilen) kararlı olduğunu ve diğer sabit noktanın ise (kesikli çizgi ile gösterilen) kararsız olduğunu gösterebilir. çatallanma noktası ve çatallanma değeridir. Şekil 2.1 çatallanma diyagramı olarak adlandırılır ve görüldüğü gibi parametre değerinin bir tarafında hiç sabit nokta olmaması ve diğer tarafta ise iki sabit nokta olması ile karakterize olan bu tür çatallanmalara “eyerdüğüm çatallanması” adı verilmektedir. Örnek 2 [21]: Bu kez aşağıdaki gibi bir vektör alanına sahip olunduğu düşünülürse, ̇ Burada yine yukarıda söz edilen koşullar sağlanmaktadır. 23 ve Bu vektör alanın sabit noktaları aşağıdaki gibidir: Şekil 2.2. Transkritik Çatallanması [21] için iki sabit nokta vardır, nokta ‘da birleşir ve kararlı ve için kararsız ve kararsızdır. Bu iki sabit kararlıdır. Böylece, ’da kararlılık değişimi oluşur. Bu tür çatallanmaya, “transkritik çatallanma” denilmektedir. Örnek 3 [21]: Bu kez de aşağıdaki gibi bir vektör alanını incelersek, ̇ yine burada birleşik merkez manifoldu teoreminin temel koşulları sağlanmaktadır. 24 ve ve vektör alanının sabit noktaları, aşağıdaki gibi bulunmaktadır. Şekil 2.3. Pichfork Çatallanması [21] ’da kararlı bir sabit nokta vardır. için, noktadır, ama durumda, ‘da , için hala sabit ile ifade edilen iki yeni sabit nokta oluşmuştur. Bu için kararsız hale gelmekte ve diğer iki sabit noktanın kararlı olduğu görülmektedir. Bu tür çatallanmalara “pichfork çatallanması” adı verilir. 2.2.2. Poincaré–Andronov-Hopf çatallanma Bu bölümde yer alan Poincaré-Andronov-Hopf çatallanması için [22, 23] ile verilen kaynaklardan yararlanılmıştır. Bölümde yer alan örnekler kaynağın örnekleridir. 25 Hopf çatallanma teoremi periyodik çözümlerinin varlığı için yeterli koşulları ifade etmektedir. Parametre değiştiğinde, sistemin dinamikleri kararlı spiralden merkeze ve merkezden kararsız spirale doğru değişmektedir. Doğrusallaştırılmış sistemin özdeğerleri ise reel kısmı negatif olan özdeğerlerden sıfıra ve sıfırdan da pozitif reel kısımlı özdeğerlere dönüşecek şekilde hareket eder. Ancak belirli koşullar altında, periyodik çözümler var olabilir. Diferansiyel denklemleri aşağıdaki gibi olan otonom bir sistem düşünüldüğünde [22]: Burada ve ’ye bağlı fonksiyonlardır. Eş. 2.19’da çatallanma parametresi gösterilen sistemin denge noktalarının ̅ ̅ olduğu varsayıldığında ve bu denge noktalarında değerlendirilen Jakobiyen matrisin özdeğerleri ise, ayrıca olur değerinde sistemin kararlığında bir değişiklik oluştuğu olursa, ’nin varsayıldığında, olursa ve yine ’nin (ve aynı zamanda ’a çok yakın fakat ’a çok yakın fakat ) olursa ’nin değerleri için ise değerleri için de ’a dönüştüğü gibi denge noktası da kararlı spiralden kararsız spirale doğru hareket eder. Hopf çatallanma teorisi, uzayında denge noktasının herhangi bir komşuluğu için periyodik bir yörüngenin varlığını ifade etmektedir. Burada parametresi ve yakınlarında parametresi çatallanma çatallanma değeridir. Bu teorem sadece çatallanma parametresinin değeri, çatallanma değerine yakın olduğu zaman geçerlidir. Hopf çatallanması iki veya daha fazla denklem içeren diferansiyel denklem sistemlerinde oluşur. Aşağıdaki örnek incelenecek olursa [22], 26 Bu sistemin denge noktası orijin ve özdeğerleri kararlı spiral, r=0 ise merkez ve ‘dır. Eğer ise orijin ise kararsız spiraldir. Çatallanma değeri ‘dır. Genel olarak, Hopf çatallanmasında, çatallanma parametresi çatalanma değeri değerine ulaştığında, üç olası dinamik ortaya çıkabilir [22]: 1. Çatallanma değeri ’da, sonsuz sayıda kararlı eşmerkezli kapalı yörünge denge noktasını çevrelemektedir. Şekil 2.4. Hopf Çatallanması [24] 2. ’a yakın parametre değerleri için kararlı spiral, kararlı limit döngüye dönüşür (supercritical bifurcation). 27 𝒓 𝒓 𝒓 Şekil 2.5. Alt kritik Hopf çatallanması [24] Şekil 2.6. Faz-parametre uzayında Alt kritik Hopf çatallanması [24] 3. ’a yakın parametre değerleri için kararlı spiral ve kararsız limit döngü, kararsız spirale dönüşür (subcritical bifurcation). 28 Şekil 2.7. Alt kritik Hopf çatallanması [24] Şekil 2.8. Faz-parametre uzayında Alt kritik Hopf çatallanması [24] Hopf çatallanmasının üst kritik (supercritical) veya alt kritik (subcritical) olup olmadığını test etmek için kullanılabilecek bir yöntem mevcuttur. İlk olarak, sistem kanonik forma dönüştürülür, diferansiyel sistemin kanonik formu aşağıdaki gibi elde edilir: 29 Burada , düşünüldüğünde, Jakobiyen matrisin özdeğerleri olarak , ve ‘da (çatallanma değeri) Jakobiyen matrisi gibi iki sanal özdeğere sahip olur. Çatallanmanın “üst kritik” veya “alt kritik” olup olmadığını sınamak için, ile temsil edilen iki niceliğin işareti kontrol edilmelidir. kısmi türevleri çatallanma değeri değerlendirilir. Aşağıdaki ifade ( ve ⁄ ve fonksiyonlarının, ve denge noktası, , da değerini hesaplamak için kullanılan ifadedir: ) [ ( ) ( ) ] ⁄ durumunda, alt kritik ya da üst kritik çatallanmalar aşağıdaki gibi sonuçlanabilir: Eğer ise, için orijin kararlı spiraldir, için ise kararlı periyodik bir çözüm vardır ve orijin kararsız alt kritik bir çatallanmadır. Eğer ama Eğer ise, için kararsız periyodik bir çözüm vardır ve orijin kararlıdır için orijin kararsız bir alt kritik çatallanmadır. ise, test geçerli değildir. Herhangi bir şey söylenemez. Hopf çatallanma teoreminde belirtildiği gibi [22], önce sistem denge noktası orijinde olacak şekilde dönüştürülür. parametresi Sistem 2.19 aşağıdaki gibi yeniden yazılabilir: ’da sadece sanal özdeğerler üretir. 30 Orijin etrafında sistem 2.21’nin mümkündür, burada işlemi ile doğrusallaştırması ⁄ ve [ ] orijinde değerlendirilmiş Jakobiyen matrisidir. Teorem 1 ve fonksiyonları sistem 2.21’de ve ’ye göre üçüncü mertebeden sürekli türevlere sahip olduğu ve orijin (0, 0)’ın sistem 2.21’in denge noktası olduğu varsayılsın ve Eş. 2.24’de verilen sistemin Jakobiyen matrisi | |’ler için geçerli olsun. Ek olarak, ve yeterince küçük matrisinin özdeğerleri ve olduğu varsayıldığında, özdeğerler, sıfır olmayan hızla sanal eksenin üzerinden geçerler [23]. | ’de orijini de içeren her hangi bir açık için, bir ̅ değeri vardır, | ̅ | denklem sistemi periyodu ise ’nun kümesinin, herhangi bir değeri olmak koşuluyla, Eş. 2.21’de verilen diferansiyel ̅ değeri için periyodik çözümlere sahiptir. (yaklaşık ). Eş. 2.20’de verilen örnek sistemi yeniden, değerlendirilecek olursa [22]: çatallanma parametresi ile 31 ’dır ve Jakobiyen matrisi aşağıdaki gibi elde edilir: Bu durumda [ ] Jakobiyen matrisin özdeğerleri durumda, olduğuna göre , ve ve dir. Bu olduğu için Hopf çatallanma | teoreminin koşulları sağlanmaktadır. Gerçekte, orijinin her komşuluğunda değeri için periyodik bir çözüm vardır. Şimdide aşağıdaki gibi başka bir diferansiyel sistem örneği dikkate alınırsa: Sistemin (0, 0)’da bir denge noktasına sahip olduğu görülmektedir. Jakobiyen matrisi de aşağıdaki gibi elde edilebilir: ( )| ‘nin özdeğerleri göre ve ( ) eşittir. Jakobiyen matrisin özdeğerleri ‘e eşittir. O zaman , olduğuna ve | Hopf çatallanma teoreminin koşulları sağlanmaktadır. Aslında, orijinin her komşuluğunda alt kritiktir. Eğer için periyodik çözüm vardır. Ek olarak, ’da çatallanma, parametresi yeterince küçük ve pozitif ise diferansiyel denklem sistemi orijinin komşuluğunda kararlı periyodik çözüme sahiptir. Bu bölümde, tezin temel çıktılarının yer aldığı 4 ve 5. Bölümlerde kullanılacak olan “çatallanma” konusundaki teorik altyapı verilmiştir. 32 3. KAOS Bu bölümde, kanser dinamiğinde kaotik davranışı belirlemeye yönelik altyapıyı oluşturmak üzere, teorik veriler sistematik bir biçimde sunulmaktadır. 2. Bölümde “çatallanma” ile ilgili sunulan teorik bilgilerde olduğu gibi, bu bölümde verilen bilgiler de tezin temel çıktıları olan 4 ve 5. Bölümdeki analizleri gerçekleştirebilmek için gerekli olan literatürdeki sonuçları içermektedir. Kaos, kolaylıkla belirlenemeyen ve tanımlanamayan kompleks davranışları barındıran bir olaydır. Henüz kaos için kabul edilmiş evrensel bir tanım olmamakla birlikte kaotik sistemlerin çözümünde neredeyse her zaman aşağıda belirtilen özellikler ortaya çıkar [25]. 1. Uzun-süreli aperiyodik (periyodik olmayan) davranış, 2. Başlangıç koşullarına aşırı duyarlılık, 3. Fraktal yapı. Yukarıdaki özellikler birbirinden bağımsız olarak tek başlarına da görülebilir. Ancak kaotik bir sistem genel olarak yukarıda belirtilen her üç özelliği de sergilemektedir. Fakat uzun süreli aperiyodik davranışı, periyodik davranışından ayırmak çok zordur. Bir sistemin kaotik olup olmadığını test etmenin en basit yöntemi, o sistemin başlangıç koşullarına olan duyarlılığının kontrol edilmesidir. Bu amaçla, aşağıda dinamik denklemleri verilen Rössler [26] sisteminin farklı başlangıç koşullarındaki davranışı örnek olarak ele alınmıştır. ̇ ̇ ̇ Matlab ortamında, ilgili dinamik denklemler kullanılarak üretilen şekil 3.1, sistemin başlangıç koşullarına duyarlılığını göstermektedir. Başlangıç koşulu 33 alındığında mavi çizgilerle gösterilen grafik oluşurken olarak alındığında sistem cevabı kırmızı çizgilerle gösterildiği gibi oldukça değişmiştir. Aynı şekilde Şekil 3.2’de başlangıç koşullarına duyarlılığı faz-uzayı yörüngeleri formunda göstermektedir. Kaotik sistemlerinin çözüm eğrileri genellikle fraktal yapı göstermektedir. Herhangi bir n boyutlu sistem için bilinmeyen çeker (strange attractor) yapısı oldukça karmaşık olabilir ve açıkça gözlenmesi zordur. 15 x 01 x 02 10 x 5 0 -5 -10 0 20 40 60 80 100 t 120 140 160 180 200 Şekil 3.1. Rössler sistemin kaotik çekicisi. a=0,2, b=0,2, c=6,3 x 01 x 02 30 25 z 20 15 10 5 0 10 20 0 10 0 -10 -10 y -20 -20 x Şekil 3.2. Rössler sistemin kaotik çekicisi (faz uzayında). a=0,2, b=0,2, c=6,3 34 3.1. Fraktal Geometri Deneysel verilerdeki kaosun belirlenmesi için durum-uzay dinamiğindeki bilinmeyen çekerlerin fraktal yapısının araştırılması gerekmektedir [20]. Fraktallar genellikle kaotik dinamiklerin geometrik belirtisidir. Fraktallar kaosun ‘parmak izi’ olarak adlandırılmaktadır, ancak kaostan bağımsızdır. Gerçek üç-boyutlu uzayda birçok doğal nesne fraktal geometriye sahiptir ancak kaos içermeyebilir. Bir fraktali tam olarak tanımlamak zordur, ancak fraktallerin ortak özellikleri aşağıda listelenmiştir: 1. Fraktallar mükemmel yapıya ve karakteristik olmayan ölçek uzunluğuna sahiptir. 2. Şekil 3.3’de görüldüğü gibi fraktallar yerel ve küresel olarak geleneksel geometri (ordinary geometry) ile tarif edilemeyecek kadar düzensiz bir geometriye sahiptir. 3. Fraktaller kendine-benzerlik diye nitelenen bir özelliğe sahiptir, yani nesnelerin küçük parçaları nesnenin kendisi ile aynı geometriyi göstermektedir. Bu özelliğe en çok verilen örnek kar taneleridir. 4. Her zaman bir sistemin fraktal boyutları topolojik boyutlarından çok daha büyüktür. Örneğin topolojik olarak belirlenen, akdeniz kıyı uzunluğumuz, gerçek kıyı uzunluğundan çok daha küçüktür, doğal olarak tüm girinti ve çıkıntıların ölçülmemiş olduğu düşünülmelidir. 5. Genellikle fraktal yapılar, sıfır yada sonsuz gibi sıradışı ortalama ve varyans değerlerine sahiptirler 6. En basit biçimiyle fraktal yapılar tekrarlayan geometriler olarak tanımlanabilir. 35 Şekil 3.3. Fraktal örnekleri [27] 3.2. Kaotik Hareketin Belirlenmesi Bu bölümde, dinamik bir sistemde kaotik davranış olup olmadığının belirlenmesi için yaygın olarak kullanılan birkaç yöntem, temel olarak [28] referans alınarak anlatılmaktadır. Aşağıda liste halinde verilen yöntemler sırasıyla ele alınmaktadır. Bu tezde kullanılan yöntem Lyapunov üstelleri ve boyutu yöntemi olduğu için ağırlıklı olarak bu konu ele alınmaktadır. Lyapunov üstelleri ve boyutu Güç spektrumu Otokorelasyon fonksiyonu Poincaré Haritalaması (Poincaré maps) 3.2.1. Lyapunov üstelleri Genel olarak doğrusal olmayan sistemlerde başlangıç koşuluna aşırı duyarlılık, kaos tanımlama özelliği olarak kabul edilmiştir. Lyapunov üsteli, temelde, faz uzayındaki farklı yönlerdeki çekerlere yakın yörüngelere yakınsama ıraksama hızını tanımlar. Doğrusal olmayan bir sistem aşağıdaki gibi tanımlanmış olsun [28]. ̇ 36 ( , olmak üzere, bu sistemin yörüngesi de şeklinde tanımlanmış olsun. Bir n-boyutlu faz uzayında, birbirine çok yakın ve gibi iki farklı başlangıç noktasından geçen yörüngeler düşünüldüğünde (Şekli 3.4). Şekil 3.4. İki yakın yörüngenin gelişimi: Lyapunov üssün sayısal hesaplaması Yörüngeler zamanla, aşağıda verilen Öklid normuna bağlı olarak ve şeklinde gelişir, ‖ ‖ Burada, , ifade etmektedir. ve √ yörüngeleri arasındaki zamana bağlı değişen mesafeyi ’in zamana bağlı değişimi Eş. 3.1’in doğrusallaştırılması ile bulunabilir ve aşağıdaki gibi ifade edilebilir ̇ Burada ( ) ⁄ | Eş. 3.1’de verilen sistemin Jakobiyen matrisidir. Bu durumda, iki yakın yörüngenin ıraksama hızının ortalaması Lyapunov üsteli olarak tanımlanabilir ve aşağıdaki eşitlik elde edilir. 37 ( Bununla beraber, ) ’e göre n tane orto-normal vektörü mevcuttur, burada olduğuna dikkat edilmelidir. Eş. 3.3 bu şekilde ele alınırsa aşağıdaki ilişki kolayca yazılabilir, ̇ ( ) Buradan hareketle, aşağıda verildiği gibi n-Lyapunov üsteli olduğu söylenebilir. Lyapunov üstelleri, en büyüğünden en küçüğüne doğru, şeklinde sıralanabilir. Eş. 3.4 ve Eş. 3.6’dan Lyapunov üstelinin işlevini ifade eden aşağıdaki eşitliği yazmak mümkündür. Hareketin periyodik veya kaotik olup olmadığını belirlemek için en büyük, sıfırdan farklı Lyapunov üsteli ’i dikkate alınır. Bu bilgiler ışığında sırasıyla ortaya çıkabilecek farklı durumları açıklamak mümkün olmaktadır. (i) denge noktaları / periyodik çekiciler ile temsil edilen zaman arttıkça, giderken | | gider. Bu durum için , ’dan aşağı doğru azalır ve , aynı çekim noktasına yakınsayan iki yakın yörüngenin olduğu yerde ya kararlı denge yada kararlı periyodik çözüm vardır. Herhangi bir küçük perturbasyon için ise ıraksama veya düzensiz değişim yoktur [28]. 38 (ii) kaotik çekici ile temsil edilen zaman arttıkça, | | üstel hızla büyür. Bu büyüme, başlangıç koşullarına ve perturbasyona duyarlılığı işaret etmektedir. Pozitif Lyapunov üsteli deterministik kaosun temelidir. Başlangıç koşullarındaki çok küçük değişimler ve numerik hesaplamadaki yuvarlama hatalarının hızlı bir şekilde üssel olarak büyümesi bu konunun temel fikridir, bu nedenle, sistemin gelecek durumu istenilen doğrulukta tahmin edilememektedir [28]. Lyapunov üstelini, başlangıç noktası civarında bilginin kaybedilme oranı olarak veren bilgi teorisi ile de yorumlanabilir. Genel olarak, ’lar sayısal hesaplama ile bulunabildiği gibi bazı basit durumlarda analitik olarak da bulunabilirler. Dinamik sistemler ile ilgili Lyapunov üstelinin bazı genel özellikleri aşağıda belirtilmiştir [28]: 1. Kararlı bir sabit noktanın çevresindeki birim hacim elemanı her yöne azalmışsa, onunla ilgili tüm Lyapunov üstelleri negatiftir. 2. Bir limit döngü çeker için birim hacim elemanı yörünge yönü boyunca ne azalıyor nede uzuyorsa, bu durumda Lyapunov üstellerinin biri her zaman sıfır ve diğerleri negatiftir. 3. (2)’de belirtildiği gibi, tek bir frekansına sahip periyodik bir yörünge için, Lyapunov üstellerinden biri sıfırdır. Benzer şekilde, sahip ve ⁄ ve gibi iki frekansa irrasyonel olmak üzere yarı periyodik yörünge için lyapunov üstellerinin ikisi sıfır ve diğerleri negatiftir. Genellikle, k-lineer bağımsız frekansları ile bir yarı periyodik yörünge için, k-Lyapunov üstelleri sıfır ve diğerleri negatiftir. Kararlı bir k-torus için, ve , 39 4. Kaotik davranış için Lyapunov üstellerinden en az biri pozitif olmalıdır. Böylece komşu yörüngeler ıraksar. Eğer birden fazla pozitif Lyapunov üsteli olursa, o zaman hareket hiper kaos olarak adlandırılır. 5. Yakın yörüngeler arasındaki mesafenin büyümesinin üstel hızı maksimal Lyapunov üsteli olarak ifade edilir. Diğer taraftan, bir N-boyutlu hacim elemanın değişim hızı tüm Lyapunov üstellerinin toplamı ile verilmektedir. | ∑ | Lyapunov üstellerinin sayısal hesaplaması Eş. 3.1’in Lyapunov üslerinin değerlerini bulması için n- ortogonal teğet vektörler başlangıç koşulu olarak seçilerek Eş. 3.1 çözülür. Basit olması için başlangıç ortogonal vektörleri, genellikle şekilde seçilir [29]. Eş. 3.1’in başlangıç koşulları zaman aralığı için çözüm vektörleri kümesidir. Çözüm vektörleri ve Gram-Schmidt yeniden ortonormaleştirme (GSR) yöntemi kullanılarak, her zaman aralığı için ortonormalize edilir. Burada )⁄ ( dir. ise hesaplama bitiş zamanını ifade etmektedir. GSR prosedürü ile elde edilen ortonormalize edilmiş vektörler aşağıdaki gibidir [30, 31]; ‖ ‖ 〈 〉 〈 〉 ‖ ‖ { ‖ 〈 〈 〉 〉 〈 〈 〉 〉 ‖ 40 Eş. 3.9’un paydasındaki norm olarak adlandırılabilir, burada ; n dir. Böylelikle Lyapunov üstellerinin değerleri sistemin boyutu ve aşağıdaki gibi yazılabilmektedir. ∑ Örnek olarak, Lyapunov üstelleri Lorenz denklemi (Eş. 3.11) için hesaplanmakta ve Şekil 3.5’de grafiği verilmektedir. Burada olarak alınmıştır. ̇ ̇ ̇ 10 5 = 0.86049 Lyapunov üs 1 0 = 0.0078666 2 -5 -10 3= -14.5315 -15 0 50 100 150 200 250 Zaman 300 350 400 450 500 Şekil 3.5. Lorenz denkleminin Lyapunov üsteli Eğer N-boyutlu bir faz-uzayında, Lyapunov üstellerinin tamamı negatif olursa, boyutu 0, Lyapunov üstellerinin biri 0 diğerleri negatif olursa boyutu 1 ve 41 tanesi 0, diğerleri negatif ise boyut olur. Eğer Lyapunov üstellerinden biri bile pozitif olursa o zaman boyut tam sayı olmaz ve kaotik davranış sergilenir (fraktal). Yukarıda bahsedilen Lyapunov boyutu Kaplan ve Yorke formülüyle elde edilmektedir [31]: ∑ | | Burada aşağıdaki gibi tanımlanmaktadır: ∑ ∑ 3.2.2. Güç spektrumu Bir dinamik sistemin periyodik veya kaos olup olmadığını denetlemenin en basit yolu bir dinamik değişkenin zaman serisini ve Fourier dönüşümünü hesaplamaktır [28]. fonksiyonunun Fourier seri açılımı aşağıdaki şekilde verilmektedir: ∑ Burada Fourier katsayıları ∫ Eş. 3.15’ten hesaplanabilir: 42 ’nin Fourier katsayılarından ( ) ile bir fonksiyonun periyodik veya aperiyodikliği anlaşılabilmektedir. Örneğin gibi -periyoda sahip bir fonksiyon ele alındığında: | | olacaktır. Bu durumda ∑| ’nin Fourier serileri de aşağıdaki şekilde ifade edilebilir: | Diğer bir deyişle, basit harmonik osilasyonların toplamı olarak ifade edilmektedir. K’ıncı mod için: | , | | | genliğine, ⁄ açısına sahiptir. Burada | frekansına, açısal frekansına, ⁄ periyod ve faz |, açısal frekansı k olan basit harmonik hareketin, toplam hareket içerisinde kapsadığı büyüklüğü ölçmektedir. k’ıncı harmoniğin gücü denklem Eş. 3.19’den hesaplanabilir. | | , | | , …, dizisi, ’ nin güç spektrumunu temsil etmektedir [28]. | | Bir diferansiyel denklemler kümesi tarafından tanımlanan sürekli-zamanlı dinamik sistem için, ölçümler genellikle zamanın düzenli aralıklara bölünmesiyle yapıldığından, sayısal veriler ayrık-zaman (discrete-time) temelindedir. Dolayısıyla, Fourier katsayıların Eş. 3.15 ile tam olarak hesaplanması mümkün değildir. Çünkü bu integral kapalı bir integral olarak değerlendirilemez. Dolayısıyla sayısal entegrasyon yapılmalıdır. Bir zaman serisi ele alındığında, 43 ve aralığı için zaman suresi olacaktır. fonksiyonunun sayısal entegrasyonu kompozit trapezoid kuralı ile Eş. 3.20’de verilmektedir [28]. ∫ ∑ ( ) -periyodik olduğundan; Burada ⁄ ⁄ ∑ Dolayısıyla, periyodik yörünge periyotlu Fourier açılımıyla , temsil edilmektedir. (Eş. 3.22) ∑ ⁄ Burada frekans, dönüşümü ’nin kompleks Fourier dir. ’dir. Eş. 3.22’nin Fourier dönüşümü Eş. 3.23’den elde edilmektedir [28]. ̅ ∑ ( ) Böylece güç spektrumu (| | ) olan delta fonksiyonunu ( ( | ̅ | , frekans ( ) ve bağlı olarak genliği )) kapsamaktadır. Kaotik çözümün spektrumu, sürekli ve geniş-bant doğası ile periyodik ve yarıperiyodik çözümlerden oldukça farklıdır. Geniş-bant bileşene ek olarak, kaotik 44 spektrumlarda, özellikle çözümlerin baskın frekanslarda, frekans sıçramaları yaygın olarak görülmektedir. Şekil 3.6 kaotik bir sistemin güç spektrumu gösterilmektedir. Şekil 3.6. Güç spektrumu [32] 3.2.3. Oto korelasyon Oto korelasyon katsayılar kümesi, zaman serilerinin analizi için önemli bir diğer istatistiksel araçtır. Bu araç ile farklı zamanlı gözlemler arasındaki korelasyon ölçülür. Bu fonksiyon bir yörünge boyunca bilgi kaybını en açık şekilde gösterir [28]. arasında adet gözlem dizisi sayıda karşılaştırma kümesi oluşturulabilir. Her bir çift için, birinci gözlemdeki ilk değişken, ikinci gözlemdeki ikinci değişkenle karşılaştırılır, arasındaki korelasyon Eş. 3.24’de verilmektedir. ∑ ̅ ∑ Burada ̅ ̅ ve 45 ̅ ∑ Benzer şekilde, k aralığında, iki ayrı gözlem dizisi arasındaki korelasyon Eş. 3.26’dan elde edilebilir. ∑ ̅ ̅ ∑ ̅ Eş. 3.26’da verilen ifadeye k zaman gecikmeli oto korelasyon katsayısı adı verilmektedir. Genellikle pratikte, oto korelasyon katsayısı, Eş. 3.27’de verildiği gibi katsayısının zaman serisinden hesaplanmaktadır. oto-kovaryans ∑ ̅ ̅ Bu hesaplamanın ardından, Eş. 3.28’de verilen ilişki yardımıyla korelasyon fonksiyonu elde edilir. ⁄ Korelasyon fonksiyonu, ’nin ortalama değerinden ne kadar farklı olduğunu ölçmektedir. Diğer bir deyişle, Burada sözü edilen fonksiyonu, ̅ ’nin fark değerini hesaplar. k gibi herhangi bir zaman aralığında ölçülen sinyal ve ̅ ise bu sinyalin ortalama değerini ifade etmektedir [28]. için korelasyon fonksiyonu aşağıdaki gibi tanımlanmaktadır: Sürekli sinyal ∫ 46 Bir periyodik sinyal için Düzensiz ve kaotik sinyal için ortalama değeri etrafında salınım yapmaktadır. k arttıkça sıfıra doğru azalmaktadır. Böylece, ’nın azalması kaosu belirlemek için kullanılabilmektedir. Örneğin, şekil 3.7’de çok bilinen mantıksal haritalama olarak Türkçeye çevrilebilecek “logistic map” fonksiyonunun, “ ” parametresinin iki farklı değeri için elde edilen korelasyonu gösterilmektedir [28]. Şekil 3.7. Mantıksal haritalamanın (Logestic map) korelasyon fonksiyonu (periyodik ), (kaotik) [28] 3.2.4. Poincaré haritalaması (Poincaré map) Poincaré haritalaması, dinamik sistemlerin analiz için oldukça klasik bir yöntemdir. Poincaré yönteminin temelinde, boyutlu sürekli-zamanlı sistemin akımının, ’inci dereceden ayrık-zamanlı sistem ile yer değiştirmesi vardır. Poincaré haritası ile sisteme belirli bir yüzey geçirerek oluşturulan faz uzay diyagramının incelenmesi yoluyla, sistemin periyodikliği hakkında yorum yapılabilir [33]. 47 Eş. 3.30’da verilen bir limit döngüye dereceden sistem ele alınsın ve bu sistemin şekil 3.8’deki gibi sahip olduğu varsayılsın, da limit döngü üzerinde herhangi bir nokta olarak seçilsin. Bu durumda, Şekil 3.8’de görüldüğü gibi adlandırılan bir düzlem ( periyoddan sonra yerleştirilirse, periyoddan sonra uzayını derece bir uzay) noktasında ve , ismiyle ’dan başlayan yörüngesi döngüsünü çapraz kesecek şekilde ’ın yeterince yakın komşuluğundan geçen bir çok yörünge ’ın civarında ’yi kesecektir [33]. Şekil 3.8. Üç-boyutlu otonom sistem için Poincaré haritası [33] ’yı kesen bu noktaların oluşturduğu bu haritaya Poincaré haritası ve bu analiz yöntemine de Poincaré haritalaması denilmektedir. Bu sisteme örnek vermek gerekirse, ∑ { ) bir otonom sistemin Poincaré haritası aşağıdaki gibi tanımlanmaktadır [25]: 48 Şekil 3.9. Henon-Heiles sistemin Poincaré haritası [25] Bu bölümde özetle, tezin temel çıktılarından bir kısmının yer aldığı 4. Bölümde yoğun olarak kullanılan kaotik davranış aranması ile ilgili matematiksel altyapı verilmiştir. Sınırlı sayıda noktalar Bir veya daha fazla kapalı eğriler Bir veya daha fazla (K-1) torus Periyodik yörünge Yarı periyodik (iki periyod) Yarı periyodik (k periyod) Kaotik - Denge noktası bir yapı kendine benzer Poincaré haritası Kararlı durum Çekici set / hareket değil Tam sayı K 2 1 0 Boyut en az bir pozitif Lyapunov üsteli Karakteristik özellikleri Çizelge 3.1. Çekicilerin farklı karakteristik özellikleri azalma Sıfıra doğru salınım Temel frekanslarda ve doğrusal kombinasyonların da pikler ile ayrık spektrum Sürekli geniş bant gürültücü spektrum salınım salınım 0 fonksiyonu korelasyon Temel frekanslarda ve doğrusal kombinasyonların da pikler ile ayrık spektrum Temel frekans ve harmonikinde keskin pikler ile ayrık spektrum hiçbir pik ile üssel olarak spektrum çürümesi güç spektrumu 49 50 4. KANSER MODELLERİNDE KAOTİK DAVRANIŞ ARANMASI Tez çalışmasının ana çıktılarının bir kısmının yer aldığı bu bölümde, literatürde daha önce farklı amaçlar için oluşturulmuş tümör büyüme modellerinin kaotik davranış içerip içermediği araştırılmaktadır. Ele alınan kanser modelleri, hücre sayılarını durum değişkenleri olarak değerlendiren doğrusal olmayan diferansiyel denklem sistemleridir. Bu bölümde ele alınan kanser modellerinde –biri dışında- kaotik davranış olup olmadığı araştırılmamıştır. Daha önce kaotik davranış analizi yapılan modelde ise, iddia edildiğinin aksine “kaotik davranış” yerine kararlı bir davranış olduğu matematiksel olarak gösterilmiştir. Kanser modelleriyle tanımlanabilen kanser tiplerinin kaotik davranış içerip içermediği hastalığın iyileştirilmesi için uygun ilaç dozu seçimi ve uygun parametrelerle tedavinin sürdürülmesi açısından son derece önemlidir. Bu çalışmada, kaotik davranışın aranması için en çok kullanılan araçlardan biri olan ve Bölüm 3’de anlatılan “Lyapunov Üstel Yöntemi” kullanılmıştır. Literatürde yaygın olarak yer alan 4 farklı model üzerinde gerçekleştirilen kaotik davranış araması sonuçları ayrı ayrı sunulmaktadır. 4.1. Kanser Modeli 1 Seçilen birinci model bir anlamda av-avcı ilişkisi gibi düşünülebilecek, tümörün kendiliğinden büyümesi ve iç dinamiklere bağlı olarak küçülmesi şeklinde ifade edilebilmektedir. Matematiksel modelde yer alan iki hücre türünün tümörün varlığı durumunda oynadığı rol açıktır. Bunlardan ilki, T-lenfositler, doğal öldürücü hücrelerine dönüşme olasılığı barındıran bağışıklık sistemi hücreleridir. İkincisi ise yine bağışıklık sisteminin sitotoksik makrofaj/doğal öldürücü hücreleridir ve bunlar tümör hücrelerine saldırmak, imha etmek veya yutmakla görevlidir. Bu iki hücre tipi avcı hücreler olarak adlandırılmaktadır. Bağışıklık hücreleri tarafından saldırıya uğrayıp, yok edilmeye çalışılan tümör hücreleri ise av olarak adlandırılmaktadır. Avcılar için iki durum vardır, avlanma (hunting) ve dinlenme (resting) durumu, avlanma durumu avı yani kanserli hücreleri yok etme aşamasıdır. Tümör hücreleri 51 vücuttaki tüm dokularda ve kan dolaşımı sisteminde bulunan makrofajlar tarafından yakalanır, emilir ve yok edilirler. Aynı zamanda Makrofajlar, sitokin serisi adı verilen hızlıca yayılan maddeler salgılayarak dinlenme durumundaki T-lenfositleri harekete geçirirler. Harekete geçen T-lenfositler, tümör hücrelerine yönelik karşı saldırıyı koordine etmekle görevlidir. Bu karşı saldırının koordinasyonu, dinlenme durumundaki T-lenfositlerin doğal öldürücüye dönüşmesi ve ava yönelmesi şeklinde olmaktadır. Bu dönüşüm, dinlenme durumundaki T-lenfositlerin sayısı ile doğal büyüme arasındaki ilişkinin bozulması sonucunu üretir. Bir anlamda, düşman saldırısı büyük olduğunda savunmanın yetersiz kalması anlamına gelmektedir [34]. Yukarıdaki biyolojik senaryoya bağlı kalarak ve birkaç önemli kabul yapılarak aşağıda verilen diferansiyel sistem modeli oluşturulmuştur. Birinci kabul 1800’lerde geliştirilmiş kitlesel eylem modeline göre yapılmış ve tümör hücrelerinin yok edilme veya yıkım hızının tümör hücreleri ve avcı hücrelerinin popülasyon yoğunlukları ile orantılı olduğu kabul edilmiştir. İkinci kabul, dinlenme durumundaki avcı hücrelerin, doğrudan av hücreleri ile temas ettiklerinde veya diğer avcı hücreler tarafından salınan sitokinlerle temas ettiklerinde aktif avcı hücrelerine dönüştükleridir. Üçüncü kabul, bir hücre aktif avcı hücreye dönüştükten sonra, dinlenme aşamasına geri dönememekte ve belirli bir zaman sonra ölmektedirler. Dördüncü kabul, tüm dinlenme durumundaki avcı hücreler ve tümör hücreleri besin açısından yeterli bir ortamdadır ve üremeleri açısından (mitoz bölünme) sorun yaşamamaktadırlar. Beşinci kabul, Tümör hücreleri, normal hücrelerinden daha hızlı bir şekilde çoğalmaktadır. Dolayısıyla, tümör hücreleri ve dinlenme durumundaki avcı hücreler için iki farklı taşınma kapasitesi tanımlanmıştır. Tümör hücrelerinin taşınma kapasitesi normal hücrelere göre daha yüksektir. Belirtilen kabuller dikkate alınarak aşağıdaki deterministik av-avcı modeli elde edilmiştir [34]: ( ( ) ) 52 tümör hücrelerinin popülasyon yoğunluğu, Burada popülasyon yoğunluğu ve , dinlenme avcı hücrelerin popülasyon yoğunluğudur. tümör hücrelerinin büyüme oranı, dönüşümüdür (sabit giriş), dinlenme durumundaki avcı hücrelerin normal hücrelerin kanserli hücreye tümör hücrelerinin maksimum taşınma kapasitesi, bağışıklık sistemi hücrelerinin maksimum taşınma kapasitesidir (aynı zamanda, > avlanma/yok edilme hızı, avcı hücrelerin dinlenme durumundan aktif avcı hücresine dönüşme hızı, ), avcı hücreler tarafından tümör hücrelerinin aktif avcı hücrelerin doğal ölüm hızı, durumundaki avcı hücrelerin büyüme hızı, dinlenme dinlenme durumundaki avcı hücrelerin doğal ölüm hızıdır. Yukarıdaki parametrelerin hepsi pozitif değere sahiptirler. Eş. 4.1’de verilen sistem pozitif başlangıç koşullarıyla ve olarak analiz edilecektir. 4.1.1. Sistemin denge noktaları Sistemin, denge noktalarının davranışını lokal olarak analiz etmek için Eş. 4.1 doğrusallaştırılarak Jakobiyen matrisi elde edilir. [ ] Ardından, Eş. 4.1’de verilen sistemin denge noktaları aşağıdaki şekilde bulunur: ̇ ̇ { { 53 ̇ { denklemlerin çözümünden biyolojik olarak kabul edilen üç denge noktası elde edilmektedir. 1. Birinci denge noktası Jakobiyen [ ( matrisin ]’ dır. Bu denge noktası için ) √ özdeğerleri √ olmaktadır. Tüm parametreler pozitif olduğunda bu denge noktası için bulunan özdeğerlerden daima negatif değer almaktadır. Ancak, ve , olursa olur. Bu durumda elde edilen birinci denge noktası kararlı olur, bu ise ikinci denge noktası ’nin üçüncü değeri negatif değer biyolojik olarak kabul edilemez. Eğer kararsız bir denge noktası olur. ( olursa ) alacağı için bu durumda olacağından bu durumunda ise, nokta etrafında doğrusallaştırma, lokal kararlılık hakkında herhangi bir bilgi vermemektedir. 2. İkinci denge noktası [ ( ) √ noktasının biyolojik olarak kabul edilmesi için ( )]. Bu denge olması gerektiği daha önce tartışılmıştı. Bu durumda, bu noktanın Jakobiyen matrisinin özdeğerleri şu şekilde elde √ edilir denge noktası . Bu , yani pozitif değer aldığı için kararsız durumunda bir davranışa sahiptir. 3. Üçüncü denge noktası özdeğerleri sırasıyla [ şu şekilde ( ) ] için Jakobiyen matrisin √[ ( ) ] , 54 √ burada [ √ ve ( , ( ) ) ] Eş. 4.6’dan elde edilir ve bulunur. dir. √[ ( ) ] ve biyolojik olarak kabul edilebilir bir denge noktasının varlığı için Burada olmalıdır. Görüleceği gibi bu durumda, ve , ’ün ise en kötü olasılıkla negatif reel kısma sahip veya negatif değerli özdeğerlerdir, dolayısıyla Eş. 4.1’de verilen sistem etrafında asimptotik kararlıdır. 4.1.2. Kararlılık ve kaos analizi Daha önce de söz edildiği gibi, diferansiyel denklemlerin kaotik hareket içerip içermediğini belirlemek için en işlevsel ve yaygın kullanılan arama yöntemi Lyapunov üsteli yöntemidir. Yukarıda Eş. 4.1’de verilen dinamik denklem sisteminde aşağıda verilen çizelge 4.1’de gösterilen parametre aralıklarında kaotik davranış aranmıştır. Ancak bu parametre aralıklarında kaotik davranışa rastlanmamıştır. Çizelge 4.1. Kaotik davranış aramasında kullanılan parametre aralıkları Parametreler Başlangıç Değeri Değişim Adımı Bitiş Değeri 0 1 10 0 0,05 1,5 0 0,05 1,5 0 0,05 1,5 0,05 0,05 5,5 0,05 0,05 4 55 Çizelge 4.1. (Devam) Kaotik davranış aramasında kullanılan parametre aralıkları 0,05 0,05 1,2 0,01 0,01 0,3 0 0,04 0,4 Yukarıda verilen dinamik sistemin cevabının gösterilmesi açısından çizelge 4.2’de verilen seçili parametre değerleri için benzetim sonuçları ve denge noktalarının analizi aşağıda sunulmaktadır. Seçilen parametreler için, noktası ve özdeğerleri , denge ve bulunmaktadır. Aynı şekilde olarak denge noktası ve özdeğerleri ve ; denge noktası ve özdeğerleri ise ve olarak bulunmaktadır. Özdeğerler incelenerek yapılan analizlerde kaotik davranış için gerekli koşulların var olmadığı görülmektedir. Çizelge 4.2. Parametre değerleri Parametreler Grafikte Kullanılan Değerler 1 0,35 1,1 1,5 5,5 3,55 0,45 0,09 0,04 56 2.5 Hücre sayısı 2 1.5 1 0.5 0 0 500 1000 1500 Zaman(Gün) 2000 2500 Şekil 4.1. Çizelge 4.2’deki parametre değerlerine göre kanser dinamiğinin zamana bağlı davranışı Controlsuz tümör büyümesi 1 0.8 Z 0.6 0.4 0.2 0 2 1.5 2.5 2 1 1.5 1 0.5 N 0 0.5 0 M Şekil 4.2. Çizelge 4.2’de verilen parametre değerleri için kanser dinamiği davranışının faz-düzleminde gösterimi 57 4.1.3. Lyapunov üsteli ve boyutu Kanser modeli ile ilgili özdeğerlerin analiz edilmesi sonucunda her ne kadar kaotik davranış oluşmayacağı belirlenmiş olsa da bu kez Lyapunov üstel değerleri Eş. 3.10’da verilen aşağıdaki ifade ile elde edilmektedir: ∑ Burada çalışılan kanser dinamiğinin Lyapunov üstelleri çizelge 4.2.’de verilen parametre seti için )⁄ , ( , ve için hesaplanmış ve şekil 4.3’de gösterilmektedir. Dynamics of Lyapunov exponents 1 0 Lyapunov üsteli -1 -2 -3 -4 -5 -6 -7 -8 0 500 1000 1500 2000 2500 Zaman Şekil 4.3. Lyapunov üstellerinin zamana göre değişimi Eş. 3.10 ile bulunan Lyapunov üstel değerleri aşağıdaki gibi bulunmuştur: 58 Burada tüm Lyapunov üsteleri negatif olduğu için bu kanser modeli seçilen parametrelerde kaotik davranış sergilememektedir. Bu modelle ilgili olarak bizim çalışmamıza benzer şekilde [35]’da kaos araması yapılmıştır; bu makalede elde edilen sonuçların periyodik ve yarı periyodik davranış gösterdiği hatta belirli aralıklarda kaotik çekicilerin görüldüğü iddia edilmektedir. Ancak bu tez çalışmasında aynı başlangıç koşulları ve parametrelerle aynı grafiksel sonuçlara ulaşılmış olsa da elde edilen bu sonuçların ne periyodik ne de yarı periyodik olduğunu söylemek olanaklı değildir. Bu dinamiğin gösterdiği davranış tamamen kararlı bir davranıştır. 4.2. Kanser Modeli 2 Bilindiği gibi bugünün tıp teknolojisiyle, kanser tedavisinde en çok başvurulan yöntemler cerrahi, kemoterapi ve radyoterapidir. Ancak tüm bu tedavi seçeneklerine rağmen birçok vakada hastanın iyileştirilmesi sağlanamamakta ve istenmeyen sonuçlar görülebilmektedir. Çoğunlukla, tedaviler sonucunda geçici bir süre sağlıklı denge hali oluşturulmakta, ardından tümörlerin kendini yeniden üretebilme özelliği nedeniyle, hastalık kendini tekrar etmektedir. Hastalıkla mücadelenin önemli bir ayağı önleyici tedbirler veya hastalığın ortaya çıkmasının baskılanması yöntemleri üzerine çalışılması iken ikinci önemli ayak da yeni ve daha başarılı tedavi stratejileri belirlenmesi olmaktadır. Bu yöndeki çabalar, immünoterapi araştırmaları olarak ortaya çıkmış ve klinikte de yaygın olmamakla beraber kullanımı başlamıştır. İmmünoterapi, tıp terimi olarak, dışarıdan verilen hücresel immünoterapi (adoptive cellular immunotherapy (ACI)) tedavisi ile birlikte sitokinlerin kullanımı anlamına gelmektedir [36]. Sitokinler, hem doğal hem de özgül bağışıklık sistemi ile dolaylı olarak önemli protein hormonlarıdır. Sitokinler çoğunlukla hücresel düzeydeki bağışıklık veya başka bir ifade ile hücrelere bağımlı bağışıklık sürecinde aktive edilmiş T hücreler (lenfositler) tarafından üretilmektedirler. Interleukin-2 (IL-2) lenfosit aktivasyonu, büyüme ve farklılaşmadan sorumlu olan temel sitokindir. Bu CD4+ T-hücreler (sitotoksik T-hücreleri veya CTL) tarafından ve çok az bir kısmı ise CD8+ T 59 hücreleri tarafından üretilir. IL-2, kendini üreten hücrelere etki ettiği için, otokrin büyüme faktörü olarak da adlandırılır, bununla beraber yakınlarındaki T lenfositler (dolayısıyla parakrin büyüme faktörü) üzerinde de etkili olabilirler. Klinik deneyler, interlökinler ile yapılan tedavilerin bağışıklık sistemini uyarma etkileri olduğunu göstermiştir. Hastalığın farklı evrelerinde, IL-2’nin CTL aktivitesini arttırdığı bilinmektedir. Hücre aktivitesi sırasında, zarar görmüş doğal öldürücülerin (NK) restorasyonu bunun yanında CD4+ ve CD8+ T hücrelerinin poliklonal genişlemesinin arttırması görevleri de vardır [36]. ACI tümör taşıyan normal hücre (host) içine anti-tümör yanıtı olan kültürlenmiş bağışıklık hücrelerinin enjeksiyonu anlamına gelir. Bu genellikle, büyük miktarlardaki IL-2 ile bağlantılı olarak yapılır. Bu işlem iki şekilde olabilir [36]: i. LAK (lymphokine-activated killer cell) tedavisi: Bu hücreler, hastalardan alınan periferal kan lökositlerinin IL-2’nin yüksek konsantrasyonları ile in-vitro kültüründen elde edilir. Elde dilen LAK daha sonra kanserli bölgeye geri enjekte edilir. Bunlar ağırlıklı olarak doğal öldürücü hücreler olarak düşünülmektedir. ii. TIL-(tumor infiltrating lymphocyte) tedavisi: Bu hücreler hasta tümörlerinden ortaya çıkan lenfositlerden elde edilmiştir. Daha sonra in-vitro olarak IL-2'nin yüksek konsantrasyonları ile inkübe edilmekte ve aktive edilmiş NK hücreleri ve CTL hücreleri içermektedir. Daha sonra, hastanın tümörlü bölgesine geri enjekte edilir. [36]’nın yazarları Denise Kirschner ve John Carl Panetta’nın tümör-immün dinamik modeli üç ayrı hücre popülasyonu içermektedir; (1) , sitotoksik T-hücreleri, makrofajlar ve tümör hücrelerine karşı sitotoksik olan doğal öldürücüler gibi aktifleşmiş bağışıklık sistemi hücrelerini ifade etmektedir. Bu tip bağışıklık sistem hücreleri genellikle efektör hücreler olarak da adlandırılmaktadır, (2) hücrelerini göstermektedir; ve (3) , tümör , tek bir tümör bölmesindeki, IL-2 konsantrasyonudur. Denise Kirschner ve John Carl Panetta’nın modeli, efektör 60 hücreler, tümör hücreleri ve sitokinin (IL-2) arasındaki etkileşimi ifade etmektedir [36]. Birinci denklem efektör hücre popülasyonunun değişim hızını tanımlamaktadır. Efektör hücrelerin büyüme uyarısı iki terime bağlı olarak gerçekleşir. Birincisi tümörün varlığına bağlı olarak direkt ortaya çıkan iyileşme terimidir (terim 1), burada parametresi tümörün antijenidir (yani tümör hücresi içerisinde oluşan ve vücudun bağışıklık sistemini ateşleyen hücreler). Bir anlamda, antijenlik, tümörlü hücrenin normal hücreden ne kadar farklı olduğunun ölçütü olarak düşünülebilir. Diğer büyüme kaynaklı terim (terim 3) çoğalma terimidir. Bu terim, Otokrin ve parakrin süreçlerindeki efektör hücreler tarafından üretilen IL-2'nin uyarımıyla oluşan efektör hücre döngüsünü ifade etmektedir. Bu terim, bağışıklık sistemi cevabının doyma etkisini göstermek amacıyla kullanılmaktadır, bu etki MichaelisMenten tarafından ortaya konulmuş bir bulgudur. Efektör hücreler, ortalama günlük doğal yaşam beklentisine sahiptir (terim 2). Son terim , LAK veya TIL hücreleri gibi dış efektör hücre kaynaklarını temsil eden tedavi terimidir [36]. İkinci denklem tümör hücrelerinin değişim hızına işaret etmektedir. Birinci terim tümör hücrelerinin büyümesini tanımlamaktadır. Tümör hücrelerinin kaybı, oranlı bir immün-efektör hücre etkileşimi ile temsil edilmektedir. Bu sabit oran ( , bağışıklık sisteminin gücünü temsil etmektedir ve Michaelis-Menten kinetiğine göre tümöre karşı bağışıklık sisteminin sınırlılığını göstermek için modele eklenmiştir. Üçüncü denklem IL-2 konsantrasyonunun değişim hızını vermektedir. IL-2 konsantrasyonunun kaynağı, tümör ile etkileşimle uyarılan ve Michaelis-Menten kinetiğine göre, IL-2'nin kendi üretimini sınırlayan yapısını göz önüne almak 61 koşuluyla üretilen efektör hücrelerdir. Bir sonraki terim bozulumu hızını gösterir. Son olarak, , IL-2’nin yitimi/ , IL-2’nin sisteme dışardan girişini temsil eden tedavi terimidir. 4.2.1. Tedavi uygulamadan kararlılık ve kaos analizi Bu modelde, doğal olarak tedavi başlamadan önce ( ) dır. Aşağıda çizelge 4.3’de gösterilen parametre aralıklarında yukarıda [36]’dan alınarak modelin kaotik davranışı araştırılmıştır. Sonuç olarak, bu parametre aralıklarında modelin kaotik davranışına ilişkin bir bulguya rastlanılmamış ancak modelde periyodik ve Hopf çatallanması elde edilmiştir. Bu çatallanmaların varlığı, başlangıç koşullarına olan aşırı duyarlılık nedeniyle, kanser tedavilerinde ilaç düzeyinin veya tedavi dozunun oldukça önemli olduğunun söylenebilmesi açısından önemli bir bulgudur. Çizelge 4.3. Kaos aramasında kullanılan parametre aralıkları Parametreler Başlangıç Adım Bitiş 0 0,005 0,05 0 0,05 2 0 0,03 0,6 0 0,01 0,4 5 1 15 0,05 0,05 0,5 0 0,05 0,5 Birinci modelde anlatıldığı için hesaplama yöntemi tekrar edilmeksizin, önemli temel değerlere vurgu yapılarak, benzetim sonuçları verilmektedir. Sistemin denge noktaları aşağıdaki şekilde bulunur: 62 ̇ { ̇ { ̇ { Ardından modelin Jakobiyen matrisi elde edilerek, bu matrisin özdeğerleri aracılığıyla, denge noktalarının kararlılığı araştırıldığında, sistem çizelge 4.4’de verilen parametreler için kararsız olmaktadır. Çizelge 4.4’deki parametrelere bağlı olarak yapılan numerik analiz sonucunda elde edilen bulgular şekil 4.4-4.6’de verilmiştir. Şekil 4.4, herhangi bir tedavi olmadan bu model ile betimlenen kanser dinamiğinin tümörün sürekli yeniden üretildiği salınımlı davranışı göstermesi açısından oldukça ilginçtir. Şekilden görüldüğü üzere, belirli bir zaman sonrasında tümör büyüme oranının bir noktada sabit kalmakta ve hep bu noktadan geri dönmektedir. Grafiğin yaklaşık 7 yıllık bir zaman dilimini gösterdiği göz önüne alındığında, vücut direncinin bağışıklık sisteminin vs. gibi bir dizi parametrenin sabit olmayacağı ve hastanın bu salınıma direnç göstermesi olasılığının çok düşük olacağı söylenebilir. [ ] Çizelge 4.4. Parametre değerleri Parametreler Değerler 0,15 0,02 7 63 Çizelge 4.4. (Devam) Parametre değerleri 0,15 0,5 0,1245 6 4 12 x 10 E(t) T(t) IL 10 Hücre sayısı 8 6 4 2 0 0 500 1000 1500 Zaman(Gün) 2000 2500 Şekil 4.4. Çizelge 4.4’de verilen parametre değerlerine göre kanser dinamiğinin zamana bağlı değişimi Yukarıda genişçe anlatılan kanser dinamiğinde etkili üç ayrı popülasyonun faz düzleminde ve faz uzayında gösterilmesi ile ortaya çıkan grafikler limit-döngü içermektedir. Zamana bağlı grafikte gösterilen periyodik (salınımlı) davranışın başka bir ifade biçimidir. En iyi olasılıkla, bu koşullarda hastanın kendi kendine iyileşmesi yani tümörün yok olması olası görülmemektedir. 64 4 12 x 10 10 T(t) 8 6 4 2 0 0 1 2 3 4 5 6 7 8 E(t) 9 4 x 10 Şekil 4.5. Çizelge 4.4’de verilen parametre değerleri için kanser dinamiği davranışının faz-düzleminde gösterimi 4 x 10 8 L I (t) 6 4 2 0 15 10 10 8 4 x 10 6 5 T(t) 4 0 2 0 4 x 10 E(t) Şekil 4.6. Çizelge 4.4’de verilen parametre değerleri için kanser dinamiği davranışının faz-uzayında gösterimi 65 4.2.2. Lyapunov üsteli ve boyutu Kanser modeli ile ilgili özdeğerlerin analiz edilmesi sonucunda her ne kadar kaotik davranış oluşmayacağı belirlenmiş olsa da bu kez Lyapunov üstel değerleri Eş. 3.10’da verilen aşağıdaki ifade ile elde edilmektedir: ∑ Burada çalışılan kanser dinamiğinin Lyapunov üstelleri çizelge 4.4’de verilen parametre seti için )⁄ , ( , ve için hesaplanmış ve şekil 4.7’de gösterilmektedir. Dynamics of Lyapunov exponents 10 5 Lyapunov üsteli 0 -5 -10 -15 -20 -25 0 500 1000 1500 2000 2500 Zaman Şekil 4.7. Lyapunov üstellerinin zamana göre değişimi Eş. 3.10 ile bulunan Lyapunov üstel değerleri aşağıdaki gibi bulunmuştur: 66 Burada Lyapunov değerlerinden biri ve diğerleri negatif olduğu için bu kanser modeli seçilen parametrelerde kaotik davranış sergilememektedir. Bu model kullanılarak literatürde kaos araması yapıldığını gösteren bir yayına rastlanmamıştır. Kaos araması ile ilgili yöntem kullanılarak belirtilen parametre aralıklarında analizler yapılmış ve Lyapunov üsteli ile elde edilen sonuçlar, sistemin kararlı veya periyodik davranışa sahip olduğunu göstermiştir. Dolayısı ile bu modelde kaotik davranışa rastlanmamıştır. 4.3. Kanser Modeli 3 Üçüncü model olarak ele alınan model Lisette G. de Pillis, Ami E. Radunskaya ve Charles L. Wiseman tarafından geliştirilmiştir. Bu model tümör-bağışıklık sistemi etkileşimini temel alması açısından diğerlerinden farklıdır. Doğal öldürücü (NK) ve CD8+ T hücrelerinin, fare ve insanlar üzerinde yapılan çalışmalarda çeşitli tümör türlerinin baskılanması ve bir düzeyde tutulmasına yarayan önemli rolleri olduğu aydınlatılmıştır. NK hücreleri, T veya B hücre tipinde olduğu belirlenemeyen, büyük granüllü lenfositlerdir. Doğal öldürücüler (NK), diğerlerinden farklı olarak, herhangi bir etkileşimden bağımsız, doğuştan getirilen bağışıklık sisteminin, tümör hücrelerini tanıyan ve yok edebilen yapısal parçasıdır. Daha önce de söz edildiği gibi, NK hücreleri, kanserin oluşması için gerekli, anormal hücrelerin çoğalma ve büyümesini önceden önlemektedir. İyi bilinen bu olgu, klinik kanserin gelişiminin önlenmesinde, doğal öldürücülerin önemli rolünü vurgulamaktadır [37]. Geliştirilen, üç farklı hücre popülasyonuna dayalı bu model, doğal öldürücü (NK) hücrelerinin oynadığı kilit rolü dikkate alarak, popülasyonlardan birini doğal öldürücü hücre popülasyonu olarak belirlemiştir. CD3+ belirteci taşıyan T hücreleri, morfolojik olarak, kan dolaşımında bulunan küçük lenfositlerdir. Bu hücreler, habis hücrelere veya enfekte olmuş hücrelere karşı timusda ve bağışıklık sisteminin genelinde uygun cevabı geliştirir. CD3+CD8+ T hücreleri, T-lenfositlerin oldukça kritik bir alt popülasyonudur. T-lenfositler, 67 öncesinde bir duyarlılık oluşturulduğunda, tümör hücrelerine karşı sitotoksik olabilirler. Belirlenen ikinci popülasyonda CD3+CD8+ T hücreleri popülasyonudur, ancak kullanılan yaygın isimlendirmesiyle bundan sonra CD8+ T hücreleri olarak anılacaktır. Geliştirilen model için özellikle biyoloji temelli bir takım kabuller yapılmıştır. Modelin anlaşılması açısından bu kabuller önem taşıdığı için [37]’den özetle aşağıya alınmıştır. 1. Tümör hücreleri popülasyonu, herhangi bir bağışıklık sistemi tepkisinden bağımsız olarak, lojistik büyüme modeline göre artmaktadır. Bilindiği gibi lojistik büyüme modeli diğer büyüme modelleri gibi literatürde verili olarak bulunan örneğin Gompertzian büyüme modeli gibi bir matematiksel modeldir. 2. NK ve CD8+ T hücrelerinin her ikisi de tümör hücrelerini öldürebilir. 3. Tümör hücreleri, öncesinde dinlenme fazında olan ve sitotoksik içermeyen hücrelerde, sitosidal aktivite doğurma potansiyeline sahiptir. Her iki hücre tipi de, hem NK hücreleri hem de CD8+ T hücreleri, tümör hücrelerine, metobolik aktiviteyi artırma ve IFN-γ gibi çeşitli lenfokinler bırakma yoluyla yanıt vermektedir. Burada dikkat edilmesi gereken nokta, efektör hücrelerin etkinliği bahsedilen iki tip hücrenin popülasyonuna bağlı olduğu kadar her bir hücrenin sitotoksit düzeyine de bağlıdır. Modelde, hücre popülasyonlarındaki artıştan farklı, her bir hücrenin etkinliğinin düzeyini ölçen bir ölçüt kullanılmamıştır, ancak, tümöre karşı cevapta, popülasyonların artışı ile oluşan birleşik bir etkinlik artışı ölçütü konulmuştur. 4. Doğuştan getirilen bağışıklık sisteminin parçası olarak, NK hücreleri, sistemde daima aktif olarak bulunmaktadır. Varlık koşulları, tümör hücrelerinin varlığı veya yokluğundan bağımsızdır. 68 5. Özgül bağışıklık sisteminin parçası olarak, tümör-özgü CD8+ T hücreleri, tümör hücrelerinin varlığına bağlı olarak işbaşına gelmektedir. 6. Her iki hücresinde (NK ve CD8+ T hücresi), tümör hücreleriyle bir kaç karşılaşmanın ardından, aktifliği son bulmaktadır. Yukarıda da kısmen söz edildiği gibi, [37]’de geliştirilen matematik model, üç hücre popülasyonuyla ifade edilmektedir. Modelde sırasıyla, hücre popülasyonu değişimini; etkinliğini ve , zamana bağlı tümör , toplam NK hücre düzeyinin zamana bağlı , toplam tümör-özgü CD8+ T hücre düzeyinin zamana bağlı etkinliğini göstermektedir. Yukarıda listesi verilen kabuller kullanılarak, üç doğrusal olmayan diferansiyel denklem takımı tanımlanmıştır. Her bir denklem, özel olarak tanımlanan popülasyonların zamana bağlı değişim hızını, büyüme ve ölüm, hücre-hücre ölümü, hücre güçlenmesi ve hücre aktifliğinin sonlanması terimleri temelinde vermektedir. Özellikle, ve Tümör ve bağışıklık sistemi hücreleri için büyüme ve hücre ölümü teriminin matematiksel formülü, birinci, dördüncü ve beşinci kabulü yansıtmaktadır. İkinci kabul, hücre-hücre ölümü terimini yansıtmakta ve altıncı kabul de, modele efektörlerin aktifliğinin sonlanması terimiyle dahil olmaktadır. 69 Bağışıklık sistemi güçlendirme terimleri için, genellikle Michaelis-Menten formunun geçerliliği varsayımıyla yol alınmaktadır. Bu dinamikler, bağışıklık sistemi bileşenlerinin içerdiği doyma etkisinin modellenmesine olanak tanıdığı için yaygın olarak kullanılmaktadır. CD8+ T hücreleri ele alındığında, T- hücreleri, MichaelisMenten dinamiği yoluyla, direkt tümör hücreleri ile etkileşim sonucunda veya tümör hücreleriyle etkileşen doğal öldürücü (NK) hücrelerinin uyarımı sonucunda da işbaşına gelebilmektedir. Bu NK uyarımı denklem olan terimi ile Eş. 4.12’de, üçüncü , toplam tümör-özgü CD8+ T hücre düzeyinin zamana bağlı etkinliğinin değişim hızı gösteren ifadede görülebilmektedir. terimi, NK hücreleri ve tümör hücrelerin arasındaki etkileşimi temsil etmekte ve modelin gerçeğe uygun olarak CD8+ T hücrelerinin özgül bağışıklık yanıtının sadece doğuştan kazanılan bağışıklık sisteminin öncül yanıtının ardından etkinleştiği bulgusunun modele ilave edilebilmesine aracılık etmektedir [37]. Büyüme, ölüm, güçlenme ve hücre aktifliğinin sonlanması terimlerinin her biri, özel matematiksel formlar olarak tanımlanarak modele yerleştirildiğinde, sistem denklemleri aşağıdaki gibi elde edilmektedir [37]: ̇ ̇ ̇ Buradaki D ile ifade edilen oransal ifade, kesirli hücre ölümü (Fractional Cell Kill) olarak isimlendirilmekte ve bahsi geçen [37]’deki makalenin literatüre kazandırdığı bir yenilik olarak ifade edilmektedir. Modelde kullanılan bu yeni D ifadesi, tümör hücreleri ile NK veya CD8+ T hücreleri arasındaki etkileşimi veya rekabetini tanımlamaktadır. Efektör hücrelerin eyleminin tümör hücreleri popülasyonunu azaltma yönünde olduğu kabulü oldukça yaygındır. Bu kabul, efektör ve tümör hücre popülasyonlarının oranı yoluyla yapılmaktadır. Matematiksel olarak, efektör hücreler 70 ile tümör hücreleri arasındaki rekabeti anlatmanın en kolay yolu olarak çarpım formu uygun olmaktadır. Bu durumda, NK hücrelerin, tümör hücre nüfusun üzerindeki terimi ile ifade edilebilir. CD8+ T hücre tipinin etkisi ise D ile etkisi, gösterilen parametrik ve tümör ve CD8+ T hücre popülasyonu ifadelerine bağlı ampirik ifade ile gösterilmektedir. Burada ve parametreleri deneysel olarak belirlenmiş orantılı parametrelerdir [37]. 4.3.1. Kararlılık ve kaos analizi Denge noktalarının, lokal kararlılığının analizi için, ilk iki modelde anlatılan prensipler gereği ilk olarak sistem doğrusallaştırılarak Jakobiyen matrisi elde edilir. olduğunda Jakobiyen matris aşağıdaki gibi bulunmaktadır: [ ] Denge noktaları Eş. 4.12’den durum değişkenlerinin değişimi 0 kabul edilerek aşağıda verilen Eş. 4.14-4.16’daki gibi bulunmaktadır: ̇ ̇ { ̇ { { Çizelge 4.5’de modelde kullanılan parametreler ve birimleri, benzetimler için kullanılan sayısal değerler ve açıklamalar yer almaktadır. Seçilen bu parametre değerleri ile tümörün büyümesinin engellenmesi olası değildir. İlgili makalede yer alan grafikler de bu savı doğrulamaktadır. Bu tür çalışmalarda parametre değişikliği 71 yapma kararı çok kolay ve gerçekçi olmayabilmektedir. Ancak bu tezin kapsamı, kaotik davranışa ilişkin kanıtlar aramak olduğu için biyolojik tutarlılık hükmü yeterince gözetilmemiştir. Daha önce de ifade edildiği gibi herhangi bir diferansiyel denklemin kaotik hareket içerip içermediğini belirlemek için en işlevsel ve yaygın kullanılan arama yöntemi Lyapunov üsteli yöntemidir. Burada da bu yöntem kullanılarak, çizelge 4.5’deki parametre değerleri ortaya gelecek şekilde belirlenen değer aralıklarında kaos araması yapılmıştır. Bu değerler çizelge 4.6’da verilmektedir. Arama sırasında değiştirilen adım büyüklükleri seçilen parametre değerinin büyüklüğü ve genişliğiyle orantılı tutulmuştur. Çizelge 4.5. Modelde kullanılan parametreler ve açıklamaları Parametre Birimler Birimsiz Birimsiz Değerler Açıklama Tümör büyüme hızı 1/b tümör taşıma kapasitesi NK hücreleri tarafından öldürülen serbest tümör hücreleri CD8+ T hücreleri tarafından öldürülebilecek serbest tümör hücresi doygunluk katsayısı NK hücrelerinin sabit kaynağı CD8+ T hücreleri tarafından öldürülebilecek serbest tümör hücresi üsteli NK hücrelerinin ölüm hızı Serbest tümör hücreleri tarafından NK hücrelerinin güçlendirilme hızı NK hücrelerinin güçlenme eğrisinin eğim katsayısı CD8+ T hücrelerin güçlenme hızı CD8+ T hücrelerinin güçlenme eğrisinin eğim katsayısı CD8+ T hücrelerin ölüm hızı CD8+ T hücrelerinin aktifliğinin sonlanma hızı NK hücrelerinin aktifliğinin sonlanma hızı Tümör-( CD8+ T hücre) rekabet teriminin eğim katsayısı NK hücrelerinin tümör-özgü CD8+ T hücrelerini aktifleştirmesi hızı 72 Çizelge 4.6. Kaotik davranış aramasında kullanılan parametre aralıkları Parametreler Başlangıç Değerler Step Bitiş Değerler 0 0 Yukarıda Eş. 4.13’de bulunan Jakobiyen matrisine Eş. 4.14- 4.16’da bulunan denge noktaları yerleştirilerek bulunan özdeğerleri inceleyerek kararlılık veya kararsızlık durumuna ilişkin yorum yapmak mümkün olmaktadır. İki önemli durum araştırılmıştır; birincisi tümör hücresi bulunmadığı yani sağlıklı durum, ikincisi ise tümör hücresinin var olduğu ve efektör hücrelerin aktif olduğu durumdur. Tümörsüz denge noktası: Bu denge noktasında, herhangi bir tümör hücresinin var olmadığı durum düşünülmüştür. Başka bir deyişle bu sabit nokta “sağlıklı denge noktası” olarak adlandırılabilir. Dikkat edilirse, bu koşullarda elde edilen denge noktası ⁄ şeklindedir ve doğal olarak doğal öldürücü (NK) popülasyonu 73 dışındaki tüm popülasyonlar sıfırdır. T-lenfositlerin tümör-özgü yapıları gözetildiğinde bunun doğal olduğu söylenebilmektedir. Daha önce ifade edildiği üzere T-lenfositler, tümörle direkt etkileşimle veya doğal öldürücülerin bıraktığı işaretlere duyarlı olarak iş başına gelmektedir. Sağlıklı bireyde tümörsüz denge noktasının kararlı olması beklenmektedir. Bu denge noktasının özdeğerleri , , olarak bulunmaktadır. Tüm parametreler pozitif değerlere sahip oldukları için bu denge noktasının kararlı olmasının tek koşulu olmasıdır. Çizelge 4.5 deki parametrelere göre, tümörsüz denge noktası ve özdeğerleri , , olmakta ve sistem bu parametre değerleri içi kararsız olmaktadır. Gerçekte bu beklenen bir durum değildir. Tüm hücrelerin var olduğu denge noktası : Bu denge noktasında ise tüm hücrelerin var olduğu durum incelenmiştir. Çizelge 4.5 verilen parametreler ile denge noktaları ( ) ve , , özdeğerleri ile kararlı bir davranışa sahiptir. Bu modelde çizelge 4.6’da verilen parametre aralıklarında kaos davranışı aranmış, benzetimlerde kullanılan aralıklarda sadece periyodik davranış bulunabilmiştir. Daha önce de ifade edildiği gibi özellikle biyolojik bir sistemde parametrelerin gelişigüzel değiştirilmesi çok uygun bulunmamaktadır. Örneğin periyodik davranışın bulunduğu parametre setinde d parametresi 0 olmaktadır, d parametresinin sıfır olmasının anlamı, biyolojik olarak kanıtlanmış Michaelis-Menten dinamiğinin yok sayılması, yani T-lenfositlerin artma düzeyine herhangi bir sınır konulmaması anlamına gelmektedir. Bu durum biyolojik açıdan uygun değildir. Tezin kapsamının, biyolojik tutarlılığı birincil öncelik olarak almama keyfiyeti, çalışmanın bir ön çalışma olması ile açıklanabilir. Sezgisel olarak algılanan ve klinik olarak gözlenen olgu, tümörlerin kendini yeniden üretme mekanizmasında kaos veya belirli bir periyodiklik olduğudur. Bu durumun ortaya çıkarılmasının ardından, çalışılan dinamik denklemin ilgili parametrelerinin biyolojik tutarlılığının araştırılması daha uygun bir yol olarak görülmektedir. 74 Yukarıda anlatılanlar ışığında, periyodik davranışa rastlanan parametre seti, çizelge 4.7’de verilmekte ve şekil 4.8’da bu parametre setindeki değerler kullanıldığında tümörün periyodik davranışının zamana karşı tutumu ve şekil 4.9’de dinamik modelde kullanılan hücre popülasyonların faz-uzayında birbirine karşı olan tutumları gösterilmektedir. Çizelge 4.7. Parametre değerleri Parametreler Değerler 75 5 14 x 10 T N L 12 Hücre sayısı 10 8 6 4 2 0 0 500 1000 1500 t Şekil 4.8. Çizelge 4.7’de verilen parametre değerlerine göre kanser dinamiğinin zamana bağlı değişimi 5 x 10 6 5 L 4 3 2 1 0 15 15 10 10 5 x 10 5 N 5 5 0 0 x 10 T Şekil 4.9. Çizelge 4.7’de verilen parametre değerleri için kanser dinamiği davranışının faz-uzayında gösterimi 4.3.2. Lyapunov üsteli ve boyutu Kanser modeli ile ilgili özdeğerlerin analiz edilmesi sonucunda her ne kadar kaotik davranış oluşmayacağı belirlenmiş olsa da bu kez Lyapunov üstel değerleri Eş. 3.10’da verilen aşağıdaki ifade ile elde edilmektedir: 76 ∑ Burada çalışılan kanser dinamiğinin Lyapunov üstelleri çizelge 4.7’de verilen ( parametre seti için )⁄ , , ve için hesaplanmış ve şekil 4.10’de gösterilmektedir. Dynamics of Lyapunov exponents 0.1 0.05 0 Lyapunov üsteli -0.05 -0.1 -0.15 -0.2 -0.25 -0.3 -0.35 0 500 1000 1500 2000 2500 Zaman 3000 3500 4000 4500 5000 Şekil 4.10. Lyapunov üstellerinin zamana göre değişimi Eş. 3.10 ile bulunan Lyapunov üstel değerleri aşağıdaki gibi bulunmuştur: Burada Lyapunov değerlerinden biri ve diğerleri negatif olduğu için bu kanser modeli seçilen parametrelerde kaotik davranış sergilememektedir. Bu model kullanılarak literatürde kaos araması yapıldığını gösteren bir yayına rastlanmamıştır. Kaos araması ile ilgili yöntem kullanılarak belirtilen parametre 77 aralıklarında analizler yapılmış ve Lyapunov üsteli ile elde edilen sonuçlar, sistemin kararlı veya periyodik davranışa sahip olduğunu göstermiştir. Dolayısı ile bu modelde kaotik davranışa rastlanmamıştır. 4.4. Kanser Modeli 4 Birçok kanser türü, yeni geliştirilen tedavi yöntemlerine rağmen hala tedavi edilemez oluşlarını sürdürmektedir. Doğal olarak, yeni kanser tedavi yöntemlerine olan talep ısrarlı bir şekilde devam etmektedir. Bu insani baskı, bilim adamlarını bu alanda çalışma konusunda istekli kılmaktadır. Son zamanlarda ortaya konulan yeni tedavi yöntemlerinden birisi de, kendini yeniden çoğaltabilen vektör bileşenleri (replication competent vectors) şeklinde Türkçeye çevirmeyi uygun bulduğumuz yöntemdir. Bu yöntem DNA ve RNA temellidir ve mevcut tedavi yöntemlerinden oldukça farklı olarak, potansiyel kanser tedavisi olarak ileri sürülmektedir. [38]’de anlatılan ve kendini yeniden üretebilen vektör bileşenleri çalışmalarına iyi bir örnek olduğunu düşündüğümüz modelde kaotik davranış araması yapılmıştır. Kullanılacak modelde geçen kavramlar [38]’den alınmıştır. Tümörlerin virüsterapi ile yok edilmesi çalışmalarının ön koşulu, enfekte edilen tümör hücrelerinin yeni virüsler üretebilmesidir. Üretilen bu virüsler diğer tümör hücrelerini enfekte ederler ve bu şekilde süreç artarak ilerler [38]. Tedavinin sonucu, virüs ve tümör hücresi popülasyonlarının karmaşık bir şekilde birbiriyle etkileşimine bağlıdır [38]. Bu karmaşıklığı ifade etmek için birçok matematiksel model çalışması yapılmıştır. Bu modellerin geçerliliği, uygun deneyler tasarlayarak yapılmalıdır. [38]’de verilen deneysel çalışma, kızamık virüsünün değiştirilmesi (MV-Edm) ile yapılan virusterapinin deneysel doğrulaması olarak ifade edilmektedir. Bu tedavi yönteminin çok büyük bir çeşitlilikteki insan tümörlerine karşı seçici ve tedavi edici etkisi olduğu ileri sürülmektedir. Buradaki seçicilik kavramı her tür tümörde işlevsel olmadığı anlamına gelmektedir. Bu seçicilik, tümör hücrelerde CD46’nın yüksek oranda olup olmamasına bağlıdır, bu madde sayesinde tedavi amaçlı kullanılan yapısı değiştirilmiş virüsler hücre içerisine girebilmektedir [38]. Protein mühendisliği diye 78 adlandırılan bir çalışma alanının konusu, üretilen tedavi edici virüslerin, sadece tümör hücrelerini enfekte edici özelliği olmaması aynı zamanda bu virüslerin kendini yeniden üreterek yeni hedeflere yönelebilen bir yapıda olmasının sağlanmasıdır. Bu kapsamda üretilen, MV vektörleri, biyolojik açıdan çözülebilen, karsinoembriyonik antijen (CEA, PD - CEA) ve enfekte hücrelerden (hCG, MVhCG) üretilen insan koryonik gonadotropin gibi peptidlerin salgılanmasını sağlamaktadır. Böylece bir kere vücuda enfekte edildikten sonra virüs hücreleri kendi canlılığını sürdürebilmektedir. Enfekte olmuş hücrelerdeki tiroid sodyum iyodid taşıyıcıların varlığıyla MV-Edm değiştirilir. Eğer viroterapi radyoaktif iyodid izotoplarıyla birleştirilerek kullanılırsa, vücuttaki kanser hücrelerinin biyolojik dağılımı ve çoğalması canlı olarak girişimsel olmayan görüntüleme yöntemleriyle izlenebilir. MV’nin enfekte edici etkisi başladığında, viral hemagglutinin (H) proteini ile onun yol göstericisi (CD46) hedef hücreye yönelmektedir. Bu etkileşim, viral füzyon (F) proteinindeki konformasyonel değişiklikleri tetikler. Bu virüs ile hücre plazması membranının birleşmesine neden olur, böylece virüsün nükleoprotein kompleksinin hücre içerisine girmesine olanak tanınmış olur. Enfekte olmuş hücreler, kendi plazma membranlarından virüsün (H) ve (F) proteinlerini geçirmeye başlarlar. Hücre içerisine giren (H) proteinler, hücre içerisindeki CD46 maddesiyle etkileşerek komşu hücrelerin membranlarının ortadan kalkarak komşu hücrelerin birleşmesini başlatmaktadır. Bir hücredeki H ve F proteinlerinin sayısının artmasının anlamı, enfekte olmuş hücrenin komşu hücrelerle birleşmesi olasılığının artması anlamına gelmektedir. İki hücre birleştiğinde, doğal olarak virüs proteinleri konsantrasyonunda etkili bir düşüş olmaktadır. Bu nedenle birleşmenin yayılmasında bir gecikme olmaktadır. Gecikme süresi, virüs proteinlerinin kendini yeniden üreterek belirli bir popülasyona erişme süresine eşittir. Zamanla, bu hücre-hücre birleşmesi sinsitya (syncytia) denilen dev hücre formlarının oluşmasına neden olmaktadır ve bu hücreler normal olarak birkaç gün içerisinde ölmektedir. Oluşan dev tümör hücresine dahil olan enfekte hücreler tümör hücrelerinin gelişmesi ve üremesini engellemektedir. Bununla beraber, enfekte olmuş hücre veya dev hücre öldüğünde, serbest kalan virüs parçacıklarının çevre hücreleri enfekte etme olasılığı var olmaya devam eder. MV tabanlı vektörler, daha önce belirtildiği gibi bahsedilen tedavi etkilerine rağmen, bazı tümörleri yok edemezler. Aynı zamanda, MV-CEA kullanılarak yapılan çalışmalar, 79 virüsün etkili bir şekilde tümörü enfekte ettiği ve yayıldığı durumlarda bile, tedavi çabasının sonuçsuz kalabildiği durumları göstermiştir. Bunun nedeni tümörün ilerleyen zamanlarda virüse karşı direnç oluşturabilmesi olarak ifade edilmiştir. Bu anlatılanların tamamı, kullanılacak dinamikte geçen virüs gelişmesi, tümör hücre büyümesi, enfekte olmuş tümör hücresinin ölüm oranı gibi dinamik sistem denklemlerinde geçen parametrelerin anlaşılması temelindedir. Anlatılanlar ışığında, [38]’de türetilen modelin biyolojik açıdan daha tutarlı bir model olduğu iddia edilebilir. Bu model, hem hücre-hücre birleşme etkisini hem de virüsün tümör hücresi üzerindeki etkinliğini dikkate almaktadır. 4.4.1. Matematiksel model [38]’den alınan model, kendinden önceki çalışmalarda elde edilen bir modelin birkaç önemli ekleme ile yeniden düzenlenmiş biçimidir. Doğal olarak, daha önceki modellerde de gördüğümüz gibi diferansiyel denklemler modelde etkili olması gerektiği düşünülen veya belirlenen hücre popülasyonlarının birbiriyle olan ilişkisi temelinde inşa edilmektedir. ̇ Burada [ ] virüs bulaşmamış tümör hücre popülasyonunun lojistik büyüme modeline göre oranı, virüs bulaşmış tümör hücresi popülasyon oranı ve serbest virüs popülasyonudur. Bu modelde enfekte olmuş veya olmamış tümör hücrelerinin büyüklüğü taşıma kapasitesi olarak belirlenen değerini aşamaz. [38]’den alınan diferansiyel denklemde yazarlarca belirlenmiş parametre isimleri ve açıklamaları çizelge 4.8’de verilmektedir. Biyolojik açıdan tutarlı olması için tüm değerler pozitif olmalıdır. 80 Çizelge 4.8. Parametre açıklamaları Açıklama Parametre Enfekte olmamış hücrelerin etkin büyüme hızı (gün-1) Taşıma kapasitesi ( hücrelerde) Enfekte olma oran sabiti (günlük Hücre birleşme oran sabiti (günlük hücre veya virionlar) hücre) enfekte olmuş hücrelerin etkin ölüm oranı sabiti (gün-1) Virüs yok edilmesi oran sabiti (gün-1) Enfekte hücreler tarafından virüs üretimi oran sabiti (hücre başına günlük virionlar) 4.4.2. Kararlılık ve kaos analizi Sistemin kaotik davranışını analiz etmek ve kaosu gözlemleyebilmek için denge noktalarına ve parametre aralıklarına odaklanmak gerektiği gerçeğinden hareketle ilk olarak, sistemin doğrusallaştırılarak, Jakobiyen matrisi bulunmalıdır: [ ] Sistemin davranışını lokal olarak analiz etmek için denge noktaları aşağıdaki şekilde elde edilir: ̇ ̇ { ̇ { { ⁄ ( ) 81 Sistemin birinci denge noktası orijindir , bu da hücre popülasyonlarının tamamının var olmadığı durumu yani sağlıklı birey durumunu temsil etmektedir. Bu noktaya karşılık gelen özdeğerler ve ‘dır. Tüm parametreler pozitif olduğu için bu denge noktası, bir kararsız ve iki kararlı özdeğere sahiptir denilebilir ve bu nedenle bu noktada bir eyer vardır [38]. İkinci denge noktası ’dır. Bu denge noktası viroterapinin başarısızlığını ifade etmektedir. Çünkü tümör maksimum boyuta ulaşmıştır. Bu denge noktasının özdeğerleri √ √ ‘dır, burada ve ⁄ noktanın kararlılığı ikinci özdeğer dir [38]. Bu tarafından belirlenir, çünkü diğer özdeğerler negatif reel kısma sahiptirler. İkinci özdeğere detaylı bakılacak olursa, bu özdeğerin negatif olma koşulu |√ | | | olmasına bağlı olduğu kolayca görülecektir. Bu ilişkiyi değiştirebilecek tek parametre noktası kararlı, kararlılığın belirleyenidir: ise kararsız davranış sergiler. ’da, ise denge olacağından doğrusallaştırma bu noktanın lokal kararlılığı hakkında herhangi bir bilgi veremez. Üçüncü denge noktası, viroterapinin kısmi başarısını temsil etmektedir. Üçüncü denge noktası [ edilmektedir. Burada denge noktasına sadece varlığı, [ ] . ] olarak elde olduğu için, bu ise ulaşılabilir. Bu denge noktasının tekilliği ve olmak kuşuluyla, biyolojik olarak uygun parametreler seçilerek kanıtlanabilmektedir. İspat [38]’in ekler bölümünde verilmektedir. Kararlılık durumunda, üçüncü denge noktası, virüsterapi tamamen başarılı olamasa bile, ulaşılabilecek tümör yükünde kalıcı bir azalmayı sağlamaktadır [38]. [38]’den alınan ve parametre açıklamaları çizelge 4.8’de verilen diferansiyel denklemde kaotik hareket olup olmadığının belirlenmesi için Lyapunov üsteli yöntemi kullanılarak arama yapılmıştır. Çizelge 4.9’da aramanın yapıldığı parametre değer aralıkları verilmektedir. Arama sırasında değiştirilen adım büyüklükleri seçilen 82 parametre değerinin büyüklüğü ve genişliğiyle orantılı tutulmuştur. [38]’de tüm parametre değerleri bulunamadığı için bulunan parametre değerlerinin yakın komşuluğunda arama sürdürülmüştür. Adı geçen çalışmada sekiz parametreden altısı sabit tutularak periyodik hareket elde edilmiştir. Bu çalışmada çizelge 4.9’da görüleceği gibi sadece iki parametre sabit tutulmuştur. Bunlardan ilki K değeri ilgili çalışmayla aynı e değeri ise yakın komşuluktadır. Değişken olarak aramada kullanılan diğer değerler ise [38] bulunabilen değerlerin yakın komşuluğunda arama başlatılmıştır. Bu tutum, kaosun varlık koşulu olarak, periyodik hareketin var olması ama her periyodik harekette kaos olmasının zorunlu olmaması gerçeğiyle de örtüşmektedir. Çizelge 4.9. Kaotik davranış aramasında kullanılan parametre aralıkları Başlangıç Değer Adım Bitiş Değer 0,2 0,2 4 ρ 0 0,02 1 δ 0,1 0,1 1 α 0,1 0,5 12 ω 0,05 0,05 5,5 k 0 0,002 0,05 Parametreler K 2139 ε 2 Bu arama çabası sonucunda, çizelge 4.10’da verilen parametre seti için kaotik davranış elde edilmiştir. Daha önce bahsedildiği gibi bu tezin kapsamında birincil öncelik kanser dinamiğinde kaosun varlığının kanıtlanması olduğu için parametrelerin biyolojik tutarlılığı ile ilgili bir yorum yapılması mümkün değildir. Ancak bulunan parametre değerlerinin, ilgili makalede kullanılan değerlerin yakın komşuluğunda oluşu biyolojik tutarlılık olasılığının yüksek olduğu düşüncesini taşımamıza neden olmaktadır. Çizelge 4.10’da verilen parametre değerlerinin fazuzayında kaotik davranış gösterimi şekil 4.11’de gösterilmektedir. 83 Çizelge 4.10. Model parametreleri Değerler Parametre 2139 2 0,05 0,6 0,02 0,1 6,6 1,3 Uncontrolled tumor growth 200 z(t) 150 100 50 0 30 30 20 20 10 10 0 x(t) 0 -10 y(t) Şekil 4.11. Faz-uzayında kanser dinamiği Kaosun varlığı gösterilen ve çizelge 4.9’da verilen parametre değerlerinin biyolojik olarak kabul edilen denge noktaları ve bu noktalardaki Jakobiyen matrisinin özdeğerleri aşağıdaki gibi bulunmaktadır. Bulunan kaotik davranışın, gerçekliğini kontrol etmek için literatür taraması yapıldığında üçüncü denge noktasından elde 84 edilen özdeğerler yapısı gösteren dinamik modeller için kaos bulunan çalışmalar görülmüştür. Bu çalışmaya göre | | ( olduğunda kaos olmaktadır ) [39]: { { { Kaotik sistemlerde başlangıç koşullarındaki küçük değişiklerin çözümlerin hızlı ayrışmasına yol açtığı daha önce de belirtilmişti. Bu olgu üzerinden de bulunan davranışın gerçekten kaos olup olmadığı test edilmek istenmiştir. Bu nedenle iki farklı başlangıç koşulları için dinamik davranışı ve gözlenmek istenmiş ve Şekil 4.12’de sunulmuştur. Başlangıç hücre popülasyonları birbirine çok yakın olmasına rağmen, bir süre sonra birbirinden ayrıldığı görülmekte ve davranış farklılaşmaktadır. Aynı olgu, Şekil 4.13’de faz uzayı gösteriminde gösterilmektedir. 30 y 0=9 y 0=9.02 25 y(t) 20 15 10 5 0 0 200 400 600 t 800 1000 1200 Şekil 4.12. Kaotik sistemin başlangıç koşullarına aşırı duyarlılığının sınanması 85 Uncontrolled tumor growth 200 z(t) 150 100 y 0=9 y 0=9.02 50 0 30 30 20 20 10 10 0 x(t) 0 -10 y(t) Şekil 4.13. Faz-uzayında Kaotik sistemin başlangıç koşullarına aşırı duyarlılığı 4.4.3. Lyapunov üsteli ve boyutu Lyapunov üsteli kaos’un anlatıldığı 3. bölümde yer aldığı gibi dinamik sistemlerin kaotik davranışları hakkında önemli bilgiler sağlamaktadır. Lyapunov üstel değerleri Eş. 3.10’da verilen aşağıdaki ifade ile elde edilebilmektedir: ∑ Burada çalışılan kanser dinamiğin Lyapunov üstelleri ve ( )⁄ , için hesaplanmış ve şekil 4.14’de gösterilmektedir. , 86 2 Lyapunov üsteli 0 -2 -4 -6 -8 -10 0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 Zaman Şekil 4.14. Lyapunov üstellerinin zamana göre değişimi Eş. 3.10 ile bulunan Lyapunov üstel değerleri aşağıdaki gibi bulunmuştur: olduğu için bu kanser modeli seçilen parametrede kaotik davranış Burada sergilemektedir. Ayrıca, Lyapunov boyutu denklem 4.22’den elde edilebilir: ∑ | | Burada aşağıdaki gibi tanımlanır: ∑ ∑ 87 , ve olduğu için Lyapunov boyutu hesaplanması aşağıda gösterildiği gibi 2.29204’e eşittir: Görüldüğü gibi Lyapunov boyutu tam sayı değildir, dolayısıyla çalışılan dinamik fraktal yapıya sahiptir. 4.4.4. Çatallanma diyagramı Bulunan davranışın kaotik olduğundan emin olabilmek için bir diğer sınama yöntemi de çatallanma diyagramı gösterimidir. Şekil 4.15’de görüleceği gibi parametresinin sıfır ile bir buçuk değer aralığında kaos izlenmekte ve çatallanma yaklaşık dört değerine kadar devam etmektedir. Bu söylediğimiz ifade grafiksel olarak ilk (0-1,5) değerleri arasında kaos, (1,5-4) değerleri arasında periyodik davranış ve ardından kararlı dinamik gözlenecektir. Şekil 4.15. Çatallanma diyagramı 88 Dördüncü kanser modelinde literatürlerde kaos ile ilgi bir araştırma yapılmamıştır. Bu modelde çizelge 4.9’da berlinenen parametre aralıklarında Lyapunov üsteli ile kaos araması yapılmıştır. Seçilen parametre aralıklarınde pozitif Lyapunov üsteline rastlanmış ve seçilen parametre setine göre (çizelge 4.10) grafiksel olarak sistemin davranışı gösterilmiştir. Şekil 4.14 Lyapunov üstellerinin zamana göre değişimini göstermektedir. Görüldüğü gibi Lyapunov değerlerinden biri pozitiftir ve bu da sistem kaotik davranışına sahip olduğunu göstermektedir. Şekil 4.15 göre çatallanma diyagramını göstermektedir. Görüldüğü gibi kaotik, periyodik ve parametresine sistem kararlı bir davranış sergilemektedir. 89 5. TÜMÖR-BAĞIŞIKLIK SİSTEMİ HÜCRELERİ ETKİLEŞİMİNİN GECİKMELİ DİFERANSİYEL DİNAMİK MODELİ Bu bölümde, adi diferansiyel denklemlerle tanımlanan kanser modellerinde zaman gecikme terimlerinin kaotik davranışa etkileri ele alınmaktadır. Önce zaman gecikme terimleri ile ilgili terminoloji aktarılmakta daha sonra kanser modeline gecikme terimi ilave edilerek yeni bir matematiksel model oluşturulmaktadır. Gecikme terimi eklenen kanser modelinde, kaotik davranış analiz edilmektedir. 5.1. Giriş Verhulst (1804-1849) popülasyon dinamik çalışmalarında gecikme diferansiyel denklemlerini kullandığından itibaren, gecikme diferansiyel denklemleri (Delay Differential Equations-DDEs), birçok bilimsel ve mühendislik alanlarında, örneğin, popülasyon dinamiği, yapay sinir ağları, kimya, klimatoloji, ekonomi ve benzer alanlarda dinamik sistemlerin modellenmesinde kullanılmaktadır [40]. Son on yılda yapılan çalışmalarda, gecikme diferansiyel denklemlerine (DDEs) büyük ilgi gösterilmiştir. Zaman gecikmeleri sadece sistemi gecikmeli yapmamakta, aynı zamanda karmaşık davranışlara, limit döngüye, kararsızlığa, çatallanmasına ve kaosun oluşmasına neden olduğu tespit edilmiştir [40]. Hopf çatallanmayı gecikme diferansiyel denklemlerin üzerinde Shayer ve Campbell, ayrıca Liao ve Chen detaylı bir biçimde incelemişlerdir [40]. Kaos oluşumunda gecikme diferansiyel denklemlerin etkisi üzerinde Mackay ve Glass, van der Heiden ve Walther, ayrıca Wang ve arkadaşları taraflarından yapılan çeşitli çalışmalarda bilimsel incelemeler yapılmıştır [40]. İnsan vücudundaki doğal gecikmelerden dolayı bu tez çalışması çerçevesinde, tümörbağışıklık sistem modeli üzerinde gecikmeli diferansiyel denklemlerin dinamik analizleri gerçekleştirilmiştir. 90 5.1.1. Gecikmeli diferansiyel denklemler Gecikmeli diferansiyel denklemler hakkında genel bilgi ve teorik altyapı açısından literatür taraması yapılmış ve konuyu iyi özetlediği düşünülen [41]’den ilgili bölümler, konu bütünlüğü açısından burada özetlenerek aktarılmıştır. Tezin başından bu noktaya kadar, sürekli olarak diferansiyel denklemler kullanılarak analizler gerçekleştirilmiştir. Olabildiğince gerçekçi olarak doğal süreçleri açıklayacak dinamik modeller geliştirilirken, çoğunlukla bir takım kabuller yaparak ve sınırlamalar koyarak sistemin bir anlık sürecini doğru şekilde açıklayacak sistem denklemleri ortaya konulmaktadır. Bu bölümde ele alınan sistemler, zaman gecikmesi içeren sistemlerdir. Bunun anlamı, diferansiyel denklemler sadece sistemin mevcut durumunu dikkate almamakta, aynı zamanda kendi geçmiş davranışı hakkında da bilgi içermektedir. Bu şekilde geliştirilen sistemlerin daha gerçekçi olduğu düşünülmektedir. Gecikmeli sistemler, genel olarak zaman gecikmeli (timedelay) sistemler, gecikmeli diferansiyel denklemler veya fonksiyonel diferansiyel denklemler olarak sınıflandırılmaktadır. Gerçekte doğal süreçlerde var olan zaman gecikmesi yok sayıldığında veya göz ardı edildiğinde sistemin gerçeklikle ilişkisi zayıflatılmış olmaktadır. [41]’de yer alan çalışmaya göre gecikme diferansiyel denklemler, 1900'lerden önce matematiksel modellerde görünmeye başlanmıştır. Ancak gelişimi için 20. yüzyılı beklemek gerekmiştir. Bir matematiksel modelde gecikmenin varlığı, gerçekçi bir model yapısı ortaya koyarken aynı zamanda sistemin kapalı çevrim yapısında kararsızlığa veya kötü performansa da neden olabilmektedir [41]. Matematiksel modellerin içerisine zaman gecikmelerinin dahil edilmesi oldukça zor olabilmektedir. Dikkate alınması gereken en önemli nokta, zaman gecikmesinin gerçekleştiği yer olmalıdır. Gecikmenin yerleşimi, gözlemler ile tutarlı sonuçlar üretebilmesi veya istenmeyen sonuçlara götürmesi açısından son derece kritiktir. Ayrıca sisteme dahil edilecek gecikmenin türü de oldukça önemli bir diğer etkendir [41]. Gecikme türleri literatürde, tek gecikmeli (single-delay) sistemler, orantılı 91 gecikmeli (commensurate delay) sistemler olarak yer almaktadır. Orantılı gecikmeli terimleri, gecikme değeri sistemlerde, gecikmeleri ifade eden ‘nun rasyonel katlarıdır [41]. Orantılı ve tek gecikmeli durumlar temelde birbirine benzemektedir. Ancak, doğal olarak çoklu gecikmeler daha fazla hesaplama içermekte, bunun yanında sonuçları ile karmaşık sistemlerin aydınlatılmasında önemli etki sağlamaktadır [41]. Her hangi bir matematiksel modelde, sabit zaman gecikmesi kullanılabileceği gibi zamanla değişen gecikmeler de kullanılabilir. Benzer şekilde gecikmeler, ayrık veya sürekli de olabilirler. Bu seçimler tamamen modellenecek problemin dinamiklerine bağlı olarak değişebilmektedir. Eklenecek gecikmenin niteliği, sistemin doğrusal veya doğrusal olmayan fonksiyonel diferansiyel denklemler sistemi olarak sınıflandırılmasına yol açmaktadır. Her hangi bir dinamik model geliştirildikten sonra, birçok açıdan analiz edilir. Analizlerin başında kararlılık analizi gelmektedir. Fonksiyonel diferansiyel denklemlerin kararlılığı için iki temel alt sınıf bulunmaktadır: gecikme-bağımlı kararlılık ve gecikme-bağımsız kararlılık. Gecikme-bağımlı kararlılık kriteri zaman gecikmelerinden en az birinin fonksiyonu olmasıdır. Öte yandan, bağımsız-gecikme kriteri, üzerinde çalışılan sistemdeki herhangi bir zaman gecikmesine bağlılığı zorunlu kılmamaktadır. Birden fazla gecikme içeren sistemler için, araştırmacılar bağımsız-gecikme/bağımlı-gecikme karışımı ile kararlılık problemini düşünmektedirler [41]. 5.1.2. Gecikmeli diferansiyel denklemlerin temel özellikleri Görünüşte adi diferansiyel denklemler ile benzerlikler içerse de, gecikme içeren diferansiyel denklemlerin analizleri çok daha karmaşıktır. Gecikmeli diferansiyel denklemlerin temel özellikleri için genel olarak [42]’den yararlanılmış ve aynı kaynağın notasyonu kullanılmıştır. Aşağıdaki örnek [42] incelenecek olursa: ̇ ( ) 92 En başında başlangıç değer problemi, gecikmesiz analog bir sistemin gereksiniminden daha çok bilgiye gereksinim duyacaktır. Adi diferansiyel sistemler, başlangıç zamanında Öklid uzayında her hangi bir başlangıç noktası için tek bir tekil çözüme sahiptir. Gecikmeli diferansiyel denklem sistemi için ise , aralığının tümü hakkında bilgiye gereksinim duyulmaktadır. Daha açık ifade edilecek olursa, ’daki tüm değişim oranları bilinmelidir, yani ̇ ’ın bilinmesi gerekmektedir. Aynı zamanda için, ve ve bilgisine de gereksinim duyulmaktadır. Böylece, başlangıç değer probleminin çözümü açısından, başlangıç fonksiyonunun veya başlangıç geçmişinin, aralığındaki değerleri bilinmelidir. Bu şekildeki her bir başlangıç fonksiyonu, gecikmeli diferansiyel denklem için tekil bir çözüm üretebilmektedir. Eğer başlangıç fonksiyonunun sürekli olması zorunluluğu varsa, o zaman çözüm uzayı ile aynı boyuta sahip olur yani, boyutu sonsuz olur [42]. Gecikmeli diferansiyel denklemlerin sonsuz boyutlu doğası doğrusal sistemlerle yapılan çalışmalarda ortaya çıkmaktadır. Sadece adi diferansiyel denklemler için, üstel çözüm aranır ve karakteristik denklemi hesaplanır. Bir polinomsal denklem yerine, aşağıdaki formda bir transandantal denkleme ulaşıldığı durumlarda [42]: Burada, ve , ’ya bağlı polinomsal fonksiyonlar olmak üzere, bu tip denklem, doğrusal diferansiyel denklemler için bağımsız çözümlerin sonsuz ailesi ile ifadelendirilen sonsuz sayıda çözüme sahiptir [42]. Genel bir önyargıyla, her zaman gecikmeli diferansiyel denklemlerin davranışını adi diferansiyel denklemlerinden daha kötü olacağı çıkarımı yapılmamalıdır. [42]’de bu önyargıyı değiştirecek güzel bir örnek sunulmaktadır. ̇ denkleminin çözümü sonlu zamanda sonsuza ıraksamaktadır. Oysa aynı denkleme gecikme bileşeni eklendiğinde, elde edilen gecikmeli diferansiyel denklemin ̇ çözümü ise ’nin tüm değerleri için pozitif olduğu durumda sürekli 93 olmaktadır. Sabit bir gecikme durumunda, adımlar yöntemiyle τ uzunluğundaki aralıklar üzerinde direkt entegrasyon alınabilmektedir [42]. 5.1.3. Gecikmeli doğrusal diferansiyel denklemler ile sabit gecikme ve katsayı Burada anlatılacak olan gecikmeli doğrusal diferansiyel sistemler ile sabit gecikme değeri kullanılması konusu da, bir önceki bölümde olduğu gibi temel olarak [42]’den alınmıştır. Aşağıdaki gibi gecikmeli birinci dereceden bir diferansiyel denklem düşünülsün: ̇ ∑ Burada, tüm ’ler için boyutlu sabit bir matristir, ’nun bazı sabit değerleri ilişkisi tüm ’lerde geçerlidir. Alışık olunduğu üzere, herhangi bir için yüksek mertebeden lineer sisteme yapay (dummy) değişkenler eklenerek elde edilen sistemin karakteristik denklemi aşağıdaki gibi verilmektedir: ( ∑ ) Eş. 5.2’nin ve Eş. 5.3’ün dayandığı teoremler ilgili kaynakta ispatı verilmeksizin teoremlerin orijinal kaynakları belirtilerek yer almıştır. Burada da ispatı verilmeksizin ifade edilmesinin konunun bütünlüğünün bozulmaması açısından yararlı olacağı düşünülmüştür. Aşağıdaki iki teorem [42]’den alınmıştır. İspatları için [42] referanslarına gidilmesi yerinde olacaktır. Teorem 1 Herhangi bir gerçek karakteristik denklem sahiptir [42]. sayısı dikkate alındığında, Eş. 5.3’de verilen olacak şekilde en azından bir sonlu sayıda köke 94 Temelde, yukarıda verilen teorem Eş. 5.3’de verilen denklemin köklerinin büyük çoğunluğunun negatif reel kısma sahip olduklarını söylemektedir. Teorem 2 Eğer Eş. 5.3’ de verilen karakteristik denklemin her çözümü için ise, o zaman, her için gibi sabit bir değer vardır. Eş. 5.2’de verilen denklemin çözümü aşağıdaki ifadeyi gerçekler [42]. ‖ ‖ ‖ ‖ Bu teoremlerle, gecikmeli doğrusal diferansiyel denklemlerin davranışının, en büyük gerçek kısma sahip öz değerin yerinin oluşturduğu üst sınır belirlediği ifade edilmektedir. Bu iki teoremin sonuçları birleştirilerek, lineer kararlılık analizin temelini oluşturan aşağıdaki sonuca ulaşılır. Eğer öz değerlerin tümü negatif gerçek kısma sahip ise, bu durumda gecikmeli doğrusal diferansiyel denklemin çözümü üssel olarak sıfıra doğru azalmaktadır. 5.2. Biyolojik Özgeçmişi Bilindiği gibi, bağışıklık sistemi, kanserli hücrelere karşı vücudun birincil savunma mekanizmasıdır. Bilinmeyen bir doku, organizma veya tümör hücresi vücutta görüldüğünde, bağışıklık sistemi, bunları teşhis etmeye ve başarılı olursa, ortadan kaldırmaya çalışmaktadır. Kanserli hücreleri, tespit edilebilir bir büyüklük eşiğine ulaştığında, bağışıklık sistemi kanser hücrelerini aramaya ve yok etmeye başlamaktadır [43]. Bağışıklık sisteminin tepkisi iki farklı etkileşimli tepki ile ifade edilmektedir; bunlar hücresel tepki ve hümoral tepkidir. Hücresel tepki, T lenfositler tarafından gerçekleştirilir. Hümoral tepki ise, diğer bir hücre sınıfı B lenfositleri ile ilgilidir. Canlılarda anti-tümör bağışıklık sistemi tepkilerinin dinamikleri karmaşıktır ve henüz tam olarak anlaşılamamış [44]. Dördüncü bölümde genişçe anlatıldığı gibi, bağışıklık sisteminin tepkisi, tümör hücrelerinin teşhis edilmesiyle başlamaktadır. Daha sonra tümör hücreleri, vücutta tüm dokularda ve kan dolaşımında bulunan makrofajlar tarafından yakalanır. 95 Makrofajlar tümör hücrelerini emer ve yok ederler. Aynı zamanda tümör hücrelerine yönelik karşı atağı koordine etmeleri ve aktif hale dönüşmeleri için T yardımcı hücrelerine (yani, T lenfositlerin bir alt popülasyonu) sitokin serisi adı verilen bir işaret bırakmaktadırlar. T yardımcı hücreleri doğrudan antijenler ile etkileşime geçmeleri için uyarılmaktadır. Bu yardımcı hücreler, tümör hücrelerini öldüremezler, ancak doğal öldürücü (NKs) adlandırılan T lenfositlerinin özel bir türüne acil biyokimyasal sinyaller gönderirler. T hücreleri, daha çok T hücresinin, B hücresinin ve NK hücresinin uyarımı gerçekleştirerek, bağışıklık sisteminin ortamda oluşacak daha çok oluşacak sitokin yoluyla daha aktif olmasını sağlamaktadır. Ortamdaki B hücrelerinin sayısı arttığında, T yardımcı hücreleri antikor üretim sürecini başlatmak için sinyal gönderirler. Antikorlar, kanda dolaşabilmekte ve tümör hücrelerine bağlanabilmektedirler. Bu yolla tümör hücrelerinin daha hızlı bir şekilde makrofajlar tarafından yutulmasına veya doğal öldürücü hücreler tarafından öldürülmesine olanak tanırlar. Tüm T hücreleri gibi, NK hücreleri de belirli bir enfekte olmuş hücre tipini veya kanser hücresi tipini tanımak üzere eğitilmişlerdir. NK hücreleri öldürücüdür ve savunmanın en kritik hattını oluşturmaktadırlar [44]. Şekil 5.1. Hücre aktivasyonunu [44] 96 5.3. Matematiksel Model Tezin bu bölümünde, L.G. De Pillis ve A. Randunskaya tarafından [45]’de önerilen modele gecikme bileşeni eklenerek yeni bir model elde edilmekte ve değiştirilmiş yeni modelin davranışı analiz edilmektedir. Gecikme bileşeni olarak, kanser hücrelerin sayısı, eşik değere ulaşana değin geçen zaman tanımlanmıştır. Modelde gözetilmesi gereken başka bir gecikme bileşeni ise, aktivasyon süreci ve yardımcı Thücrelerinin, avcı sitotoksik T-hücrelerine dönüşümünün anlık olmadığı ve bir süre gecikme ile takip edildiği gerçeğidir. Ancak [45]’de verilen modele bu gecikmenin eklenmesi işlem yükünü aşırı artırdığı ve gecikmenin yok sayılabilecek kadar kısa süreli oluşu nedeniyle, dönüşüm anlık olduğu kabulüne varılmıştır. Başka bir ifade ile, bağışıklık sisteminin tümör hücrelerinin farkına vardıktan sonra uygun tepki geliştirene kadar geçen zaman çok küçük kabul edilmiş, T-hücrelerin dönüşümündeki gecikme yok sayılmış ve sadece tümör hücrelerinin teşhis edilmesine kadar geçen süre gecikme bileşeni olarak denklemlere ilave edilmiştir. Sonuç olarak elde edilen değiştirilmiş model aşağıdaki şekilde olmaktadır: ̇ ̇ ̇ Burada, , t zamanındaki normal hücrelerinin popülasyonu, tümör hücrelerinin popülasyonu ve , t zamanındaki , t zamanındaki immün hücrelerinin popülasyonudur. Ana modelde, bağışıklık hücrelerinin kaynağının sistemin dışında olduğu kabul edilmiştir. Bu yüzden kaynak girdisi sabit olarak kabul edilmiştir. Bununla beraber, her hangi bir tümör hücresi olmadığı durumlarda, hücrelerin kişilere bağlı olarak hızıyla öldüğü kabul edilmiştir. Tümör hücrelerinin varlığı, aşağıda verilen pozitif doğrusal olmayan büyüme terimi ile bağışıklık hücrelerinin tepkisini tetiklemektedir. 97 Ancak, bu terime [45]’deki orijinal halinden farklı olarak gecikme bileşeni eklenmiştir. Burada ve pozitif sabit değer ve T pozitif, artan, içbükey bir fonksiyondur. Ayrıca, bağışıklık sistemi hücreleri ile tümör hücrelerinin karşılaşması, tümör hücrelerinin ölümüne veya immün hücrelerin aktiflikleri yitirmelerine neden olmaktadır. Bu ilişki, iki rekabet terimi ile aşağıdaki şekilde temsil edilmektedir: Eş. 5.6’da adı geçen tüm parametreler aşağıda verilen çizelge 5.1’de açıklanmakta ve değerleri verilmektedir. Çizelge 5.1. Model parametreleri Açıklama Parametre Değer Tümör hücresinin taşıma kapasitesi 1 Normal hücresinin taşıma kapasitesi 1 Tümör hücrenin çok küçük sayıda immun hücre tarafından ölmesi İmmun hücrenin çok küçük sayıda tümör hücre tarafından ölmesi Tümör hücrenin çok küçük sayıda normal hücre tarafından ölmesi Normal hücrenin çok küçük sayıda tümör hücre tarafından ölmesi 1 0,5 0,5 1 98 Çizelge 5.1. (Devam) Model parametreleri Bağışıklık hücrelerinin ölüm hızı 0,2 Tümör hücrenin büyüme hızı 1,5 Normal hücrenin büyüme hızı 1 Bağışıklık hücrelerin sabit bir kaynak hızı 0,32 Bağışıklık eşik hızı 0,1 Bağışıklık yanıt hızı 0,1 5.4. Kararlılık ve Kaos Analizi Öncelikle sistem doğrusallaştırılarak Jakobiyen matrisi, denge noktalarında lokal davranışını analiz etmek için elde edilmektedir. Sistemin Jakobiyen matrisi aşağıdaki şekildedir: ( ) Eş. 5.6’nın denge noktaları aşağıdaki şekilde bulunmaktadır: ̇ ̇ ̇ { { { Yukardaki denklemlerin çözümünden elde edilen denge noktaların, biyolojik olarak tutarlılığı, lokal davranışları aşağıdaki bölümde tartışılmaktadır. 99 1. Birinci denge noktası olarak ele alınırsa, bu denge noktası normal hücreler ve tümör hücrelerin var olmadığı durumu gösterir ki bu durum biyolojik açıdan tutarlı değildir. Bir canlıda normal hücrelerin olmaması olanaklı değildir. Jakobiyen matrisin özdeğerleri , ve olarak bulunmaktadır, zaten tüm parametrelerin pozitif olduğu biyolojik tutarlılık ilkesine göre bu denge noktası kararsızdır. 2. İkinci denge noktası dir. Bu denge noktası, bireyin sağlıklı olduğu tümör hücresinin olmadığı durumu göstermektedir. Tümörsüz denge noktasında özdeğerler ⁄ , ve şeklinde elde edilir. Bu denge noktasının kararlı olması için ⁄ olması gerekmektedir. Bu koşulları sağlayan değerlerin biyolojik tutarlılık açısından değerlendirilmesi gerekmektedir, ancak bu tezin kapsamı dışındadır. 3. ̅ ̅ sistemin üçüncü denge noktasıdır. Bu denge noktasında yine normal hücrelerin sayısı sıfır olduğu için biyolojik olarak tutarlı değildir. Çizelge 1.2 deki seçilen parametre değerlerine göre bu denge noktası sayısal değerlerini almaktadır. 4. Dördüncü denge noktasında, tüm hücreler aynı anda bulunduğu durum tartışılacaktır. , Çizelge 2.1 deki parametre değerlerine göre değerlerini noktasının özdeğerleri ‘da almaktadır. , Bu denge ve olarak bulunmaktadır ve hepsi negatif olduğu için kararlı bir davranış göstermektedir. Ancak gecikme bileşeninin değişimine bağlı olarak kararlılık durumunun değiştiği aşağıda verilen açıklamalar eşliğinde tartışılacaktır. Öncelikle, [43]’de verilen ilgili teorem, ispatı verilmeksizin aşağıya Türkçeleştirilerek alınmıştır. 100 Teorem 3 Sabit bir noktaya bağlı, gibi bir karakteristik denklem düşünüldüğünde, sağ yarı-düzlemde , ve aşağıdaki koşulları sağlayan, analitik fonksiyonlardır [43]: i. hiçbir ortak sanal sıfıra sahip değildir, ve ii. ̅̅̅̅̅̅̅̅̅̅ ̅̅̅̅̅̅̅̅̅̅ , burada üst çizgi eşlenikliği ifade etmektedir, iii. , iv. durumunda, ’ın köklerinden en çok bir sonlu sayıda sağ yarı-düzlemdedir. | v. | | | en çok bir sonlu sayıda gerçek sıfırlara sahiptir. , hiçbir pozitif reel köke sahip olmadığı varsayımıyla, eğer bağlantılı (a) için kararlı (kararsız) ise, tüm sabit nokta için kararlı (kararsız) olur. en az bir pozitif köke sahip olduğu ve her pozitif kökün basit olduğu (b) varsayımıyla, artarken, kararlılık değişimi oluşabilir. tüm olduğunda, kararsız olmaktadır. , 0 ‘dan kadar değişirken, en fazla bir sonlu sayıda kararlılık değişimleri oluşabilmektedir. Pozitif gecikme durumunda, noktasının etrafında doğrusallaştırılmış sistem denkleminden aşağıdaki karakteristik denklem elde edilmektedir. Kritik ’ın bulunabilmesi için gerekli işlem basamakları aşağıda anlatılmaktadır. Yönteme ilişkin geniş bilgi [46]’da verilmektedir. Burada, ve sırasıyla, karakteristik denklemin gecikme olmayan kısmı ve gecikme olan kısmını temsil etmekte ve aşağıdaki gibi polinom ifadeleriyle gösterilebilmektedir. 101 Yukarıda verilen Jakobiyen matrisinin, “Matematica” programı yardımıyla karakteristik denklemi hesaplandığında elde edilen parametrik, ve değerleri aşağıdaki gibi bulunmaktadır. Hesaplama yöntemine ilişkin “Matematica” program parçacığı, şekil 5.2’de verilmektedir. Şekil 5.2. “Matematica” program parçacığı 102 Sistemin özdeğerleri Eş. 5.8’in çözümünden elde edilmekte ve sonsuz sayıda özdeğer olasılığı ortaya çıkmaktadır, ancak ilgimiz kaos davranışı üzerine olduğu için sadece sistemin periyodik çözümlerine bakılmaktadır. Bilindiği üzere periyodik davranışın varlık koşulu, reel kısmın olmadığı saf sanal özdeğerlere bağlıdır. Eş. 5.9'da λ = iω yazarak sistemin yeni formu aşağıdaki gibi elde edilir. Eş. 5.10 ve Eş. 5.11’in karesi alınıp, toplandığında Eş. 5.12 aşağıdaki şekilde elde edilmektedir: Eş. 5.12 sadeleştirilirse: ifadesi bulunur, burada 103 Böylece Eş. 5.13’den elde edilen pozitif , karakteristik denklemin sadece bir çift sahip olduğunu göstermektedir. Eş. 5.10 ve Eş. 5.11’dan Eş. 5.14 sanal köke elde edilebilmektedir. Ancak kritik gecikme süresinin elde edilmesi için kullanılan kabuller, ağırlıklı olarak biyoloji ve matematik bilgisi içerdiği için buraya alınmamış, sadece sonuçlar verilmekle yetinilmiştir. Detaylı bilgi için [46] ziyaret edilebilir. Bu durumda aşağıdaki şekilde elde edilmektedir. 5.5. Nümerik Analizi Bu bölümde, çizelge 5.1’de verilen parametre değerleri ve yukarıda anlatılan hesaplama yöntemi kullanarak sistemin davranışı sayısal sonuçlarla gösterilmektedir. Bu bölüm için geliştirilen, Matlab program parçacığında kullanılan Matlab yazılımın hazır komutlarından dde23 komutunda, bir kısıtlama yapılarak tüm hücrelerin negatif olması engellenmiştir. Elde edilen benzetim sonuçları, grafiksel olarak aşağıda gösterilmektedir. Çizelge 5.1’de verilen parametrelere göre dördüncü denge noktası yani tüm hücrelerin var olduğu denge noktasının sayısal değeri olmaktadır. Bu denge noktasının özdeğerleri 104 ‘da , ‘tir ve hepsi negatif ve olduğu için kararlı bir davranış gösterir. Eş. 5.13‘ün numerik çözümünden, elde edilmektedir. Teorem 5.4.1’e artıkça sistemin kararlılığında değişiklik olabileceği bilinmektedir. Kritik göre Eş 5.14’den gecikme 3,06836 olacak şekilde hesaplanmaktadır. Bu değerin hesaplanmasının ardından, için sistemin kararlı ve için ise sistemin kararsız bir davranış sergilediği kolayca söylenebilmektedir. [46]’de anlatıldığı gibi, sistemde Hopf-çatallanma olması için aşağıdaki koşulun sağlanması gerekmektedir; [ ] [46]’de ekler bölümünde verilen, Hopf çatallanması için gerek şartın ispatına burada yer verilmemiştir. Ancak hesaplamada kullanılacak önemli sonuçları aşağıya alınmıştır. ( ) [ ( ] ) [ ( ) ] Çizelge 5.1’de verilen parametre değerlerinden elde edilen ( ) görüldüğü gibi sıfırdan büyük pozitif bir değerdir. Bu durumda Hopf-çatallanma koşulu sağlanmaktadır. Eş. 5.15’de verilen ifadeye göre bulunur. Bu nokta Hopf çatallanmasının başladığı noktadır. Şekil 5.3’de açıkça görüldüğü gibi ’dan küçük değerler için sistem davranışı kararlıdır, Daha öncede belirtildiği gibi çatallanmanın başladığı noktadır. Şekil 5.3’de 105 gecikme bileşeni değeri yaklaşık 34-47 güne ulaştığında kaotik davranış görülmektedir. Bu sözünü ettiğimiz durumları sırasıyla şekil 5.4, şekil 5.5 ve şekil 5.6’de görselleştirmenin yararlı olacağı düşünülmüştür. Şekil 5.3. Çatallanma diyagramı 1 0.9 0.8 Hücre sayısı 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 50 100 150 t(Gün) 200 250 300 Şekil 5.4. Eş. 5.6’da yer alan hücre popülasyonlarının, gecikme bileşeni ve başlangıç koşulları durumunda zamana göre değişimi 106 Şekil 5.4 yukarıda şekil 5.3’de verilen çatallanma diyagramının kararlı bölümünü olduğu durumu gösterdiğine dikkat edilmelidir. Burada, Mavi yani çizgi normal hücreleri, Yeşil çizgi tümör hücrelerini ve Kırmızı çizgi de bağışıklık sistemi hücrelerini göstermektedir. 1.4 1.2 Hücre sayısı 1 0.8 0.6 0.4 0.2 0 0 50 100 150 t(Gün) 200 250 300 Şekil 5.5. Eş. 5.6’da yer alan hücre popülasyonlarının, gecikme bileşeni ve başlangıç koşulları durumunda zamana göre değişimi Şekil 5.4, çatallanmanın periyodik bölümünü göstermektedir. Daha açık ifade etmek gerekirse, şekil 5.3’de verilen çatallanma diyagramdaki gecikme bileşeni ’nun çatallanmanın başlangıcından kaosa girene kadar devam eden bölümünü yani olduğu durumdaki bir kesiti göstermektedir. Sistemin kaotik davranışını görselleştirmek için etrafındaki davranışına bakılmıştır. Şekil 5.6 sistemin kaotik davranışını sergilemektedir. Çatallanma diyagramında değerlerinden itibaren görülen yapıya detaylı bakıldığında ’nun bir değerine karşılık gelen çok sayıda noktanın gelişigüzel dağıldığı görülmektedir. Bu dağılım kaosu çağrıştırmakta ancak şekil 5.6’de verilen zamana karşı tümör popülasyonu grafiği kaosu ifade etmek için daha iyi bir yoldur. Bu şekilde görülen yapının birbirine benzemediği ve kendini tekrar etmediği açıkça görülmektedir. 107 1 0.9 0.8 0.7 T 0.6 0.5 0.4 0.3 0.2 0.1 0 500 1000 1500 t(Gün) Şekil 5.6. Sistem (5.6) ‘nın kaotik davranışı ( ) 2 I 1.5 1 0.5 0 1 1 0.8 0.5 0.6 0.4 T 0 0.2 0 Şekil 5.7. Faz-uzayında sistemin kaotik davranışı N 108 Çatallanma diyagramında görülen ve şekil 5.6’den zamana karşı tümör popülasyonu grafiği ile daha açık halde gösterildiği düşünülen kaotik davranış şekil 5.7’de faz uzayında gösterilmiştir. Burada yörüngelerin tamamen karmaşık davranışına dikkat edilmelidir. Diğer bölümlerde gösterilen, faz uzayı diyagramlarının döngüsel yapısı burada görülmemektedir. Bu bölümde biyolojik nedenlerden dolayı [45]’deki modele gecikme zamanı eklenerek yeni bir kanser modeli oluşturulmuş daha sonra, kritik gecikme zamanı analitik olarak elde edilmiştir. Seçilen bir parametreye göre, gecikme zamanının sistemin davranışı üzerinde etkisi araştırılmıştır. Şekil 5.3 sistemin gecikme zamanına göre çatallanma diyagramını göstermektedir. Görüldüğü gibi sistem kararlı, sergilemektedir. periyodik ve kaotik davranış 109 6. SONUÇ Bu çalışmada, doğrusal olmayan dinamik sistemler teorisi yöntemleri ile modellenebilen, kanser dinamiği matematik modellerinin büyüme ve kaotik davranışı analiz edilmiştir. Ayrıca, biyolojik nedenlerden kaynaklı gecikme bileşenlerinin de dinamik modellerde var olması gerektiği düşünülmüş ve mevcut bir kanser modeline uygun biyolojik neden ile ilişkilendirerek gecikme bileşeni eklenmiştir. Geliştirilmiş bu yeni kanser modeli üzerinde gecikmenin kaotik davranışa etki analiz edilmiştir. Bölüm 2’de çatallanma ve çatallanma türleri, bölüm 3’te ise kaos ve kaosun özellikleri, kaos arama yöntemleri ve sistemin kaotik davranışa sahip olup olmadığını belirleyen göstergeler anlatılmıştır. Böylelikle tezin ana çıktılarının yer aldığı 4 ve 5. Bölümler için teorik altyapı aktarılmıştır. Bu tez çalışmasında, kanser dinamiğin kaotik davranışının araştırılmasında Lyapunov üsteli yöntemi kullanılmıştır. Bu yöntemin seçilmesinin nedenleri, bölüm 3’te anlatılmakta ve bahsedilen diğer tüm yöntemlerden daha elverişli bir araç olduğunda belirtilmektedir. Lyapunov üsteli yöntemi ile Matlab ortamında çalışılmış ve belirlenen parametre aralıklarında analizler yapılmıştır. Parametre belirlenmesinde önemli olan temel ilke, kanser dinamik modelinin kaotik davranışının, biyolojik öneme sahip ve biyolojik olarak tutarlı parametre ve parametre aralıklarında incelenmesidir. Bölüm 4’te literatürde farklı amaçlar için analiz edilen dört ayrı kanser modeli, bu kez kaotik davranış analizi için kullanılmıştır. İncelenen modellerden birincisi, arama için belirlenen parametre aralıklarında kararlı bir davranış sergilemiştir. İkinci kanser modelinde, belirlenen parametre aralıklarında, periyodik davranışa ve Hopf çatallanmasına rastlanmıştır. Burada, Lyapunov üstel değerlerinden biri sıfır olarak elde edilmiştir, bu durum periyodik davranışın varlığı için gerek koşuldur. Üçüncü modelde de ikinci modelde olduğu gibi arama için belirlenen parametre aralıklarında periyodik davranışa ve sıfır Lyapunov üsteline rastlanılmıştır. Dördüncü model, diğerlerinden farklı bir tedavi yöntemi baz alınarak geliştirilmiştir. Bu model; yeni bir tedavi yöntemi olan “değiştirilmiş kızamık virüsü” ile kanserin tedavi edilmesi fikrine dayanmaktadır. Sadece bu modelde arama yapılan parametre aralıklarında 110 kaotik bir davranışa rastlanmıştır. Görülen davranışın kaotik davranış olduğu, farklı başlangıç koşullarındaki davranışı inceleyerek, benzetim grafikleri çizilerek ve Lyapunov üstelinin pozitif bir değere sahip olması gerçeğiyle kanıtlanmıştır. Ayrıca, çatallanma diyagramını çizerek sistemin davranışı parametre değişimlerine göre de incelenmiştir. Bu kaotik davranış, virüs özelliklerini değişerek ortadan kaldırılabilir ve sistem kararlı hale getirilebilir. Çatallanma diyagramında görüldü gibi (Hücre birleşme oran sabiti) parametresi arttığında sistem kararlı bir davranış yönüne ilerlemektedir. Bölüm 5’de ise, insan vücudunun bağışıklık sisteminin, tümör karşısında savunmaya geç başlamasının sonuçları incelenmektedir. Biyolojik nedenlerden dolayı insan vücudunun bağışıklık sisteminin geç devreye girmesi gerçeğine dayanılarak, literatürde var olan bir modele gecikme terimi eklenmiştir. Böylelikle elde edilen yeni kanser modelinde gecikme zamanının büyüklüğünün kanser dinamiğine ve kaotik davranışa etkisi araştırılmıştır. Gecikme zamanı insandan insana değişme göstermektedir. Aynı zamanda bu ve benzeri çalışmalar temel tıp bilimi alanında yapılan çalışmaları gecikme sürelerini düşürücü, bağışıklık sistemini uyanık tutucu aşı veya ilaçlara yöneltebilir. Beşinci bölümde detaylıca anlatılan biyolojik nedenler dikkate alınarak oluşturulan gecikme bileşeni, literatürden alınan kanser modeline, gecikme bileşenini doğru ve tutarlı temsil edecek şekilde eklenmiştir. Daha sonra, analitik yöntemle sistemin kritik gecikme zamanı elde edilmiş ve çatallanma diyagramı grafiği çizilerek gecikme zamanı parametresinin sistem üzerindeki etkisi gösterilmiştir. Bu diyagramdan için periyodik ve için sistemin kararlı davranışa, kaotik davranışa sahip olduğu görülmektedir. Kanserin matematiksel modellemesi ve dinamik analizi çok yeni bir araştırma alanı olup hala başlangıç aşamasındadır. Dolayısıyla, üzerinde çalışılması gerekmektedir. Kanser dinamiğinin modellenmesi, matematikçiler ve sağlık çalışanları arasındaki işbirliği eksikliği veya yokluğu nedeniyle, aksak yürüyen bir süreçtir ve geliştirilmiş modeller oldukça sınırlıdır. Var olan bazı modeller sadece fareler üzerinde incelenmiş ve insan için de uygun olup olmadığı bilinememektedir, bazılarında ise 111 sistemin basitleştirilmesi için yapılan kabullerle, geliştirilen modelin gerçekle bağı koparılmıştır. Bu alana ilişkin bir diğer zorlukta, literatür araştırmasında bulunan uygun modellerde kullanılan parametrelerin insanlar için hangi aralıkta olabileceği bilgisine ulaşılamamıştır. Bu anlamıyla, yapılan tez çalışmasının matematik arka planı ne kadar güçlüyse, biyolojik arka planı tersine oldukça boşlukludur. Bu bilinmezlik içerisinde, literatürden elde edilen parametrelerin yakın komşuluğunda kalınmaya özen gösterildi. Ancak gösterilen bu özenin biyolojik tutarlılığı garanti edip edemeyeceği bir bilinmez olarak durmaktadır. Bu tez çalışması sonrasında, kanser dinamik modelinin hasta verileri kullanılarak doğrulanması, bu modelin dinamik davranışlarının tüm yönleriyle ve biyolojik tutarlılık ilkesine bağlı olarak araştırılması ve elde edilecek bulguların ışığında kanserin kontrol edilebilir bir sürece dönüştürülmesi yönünde çalışmaların yapılması beklenmektedir. Yapılan çalışma, bu beklenti için bir zemin oluşturmuştur. Başka araştırmacılarında bu yolda yürürken yapılan bu çalışmayı daha ileriye taşıyacağı umulmaktadır. 112 KAYNAKLAR 1. İtik, M., “Nonlinear Dynamical Systems with Applications to Cancer Modelling and Control”, Doctor of Philosophy, The University of Sheffield Department of Automatic Control and Systems Engineering, Sheffield, 1-4 (2010). 2. Holmes, P., “Ninety plus thirty years of nonlinear dynamics: Less is more and more is different”, International Journal of Bifurcation and Chaos, 15 (09): 2703-2716 (2005). 3. Aubin, D., Dalmedico, A. D., “Writing the History of Dynamical Systems and Chaos:Longue Durée and Revolution, Disciplines and Cultures”, Historia Mathematica, 29 (3): 273-339 (2002). 4. Peixoto, M. M., “Structural stability on two-dimensional manifolds”, Topology, 1 (2): 101-120 (1962). 5. Smale, S., “Differentiable dynamical systems”, Bulletin of the American Mathematical Society, 73 (6): 747-817 (1967). 6. Caktwright, M., Littlewood-j, J., “On non-linear differential equations of the second order”, Chaotic Oscillators: Theory and Applications, 6 (1992). 7. Lorenz, E. N., “Deterministic nonperiodic flow”, Journal of the Atmospheric Sciences, 20 (2): 130-141 (1963). 8. Itik, M., Salamci, M. U., Banks, S. P., “Optimal control of drug therapy in cancer treatment”, Nonlinear Analysis: Theory, Methods & Applications, 71 (12): e1473-e1486 (2009). 9. De Pillis, L. G., Radunskaya, A., “A mathematical tumor model with immune resistance and drug therapy: an optimal control approach”, Computational and Mathematical Methods in Medicine, 3 (2): 79-100 (2001). 10. Burden, T. N., Ernstberger, J., Fister, K. R., “Optimal control applied to immunotherapy”, Discrete and Continuous Dynamical Systems Series B, 4 (1): 135-146 (2004). 11. El-Gohary, A., “Chaos and optimal control of cancer self-remission and tumor system steady states”, Chaos, Solitons & Fractals, 37 (5): 1305-1316 (2008). 12. Tessi, M. R., “Mathematical Models Of Tumor Growth And Therapy”, Doctor of Philosophy, The University Of Arizona Graduate Interdisciplinary Program In Applied Mathematics, Tucson, 17-22 (2010). 113 13. Roukos, D. H., “Personalized cancer diagnostics and therapeutics”, Expert Review of Molecular Diagnostics, 9 (3): 227-229 (2009). 14. Duffy, M. J., Crown, J., “A personalized approach to cancer treatment: how biomarkers can help”, Clinical Chemistry, 54 (11): 1770-1779 (2008). 15. Duzhak, E. A., “Bifurcation Analysis of New Keynesian Functional Structure”, Doctor of Philosophy, The University of Kansas Department of Economics and the Faculty of the Graduate School of the University of Kansas, Kansas 1-2 (2005). 16. Zhao, J., Wei, J., “Stability and bifurcation in a two harmful phytoplankton– zooplankton system”, Chaos, Solitons & Fractals, 39 (3): 1395-1409 (2009). 17. d’Onofrio, A., Gatti, F., Cerrai, P., Freschi, L., “Delay-induced oscillatory dynamics of tumour–immune system interaction”, Mathematical and Computer Modelling, 51 (5-6): 572-591 (2010). 18. Yu, C., Wei, J., “Stability and bifurcation analysis in a basic model of the immune response with delays”, Chaos, Solitons & Fractals, 41 (3): 1223-1234 (2009). 19. İnternet: Wikipedia the free encyclopedia, http://www.en.wikipedia.org/wiki/chaos_theory (2013). “Chaos theory” 20. Sprott, J. C., Sprott, J. C., “Chaos and time-series analysis 69nd ed”, Oxford University Press Oxford, 127-300 (2003). 21. Wiggins, S., “Introduction to applied nonlinear dynamical systems and chaos 2nd ed”, Springer, 356-373 (2003). 22. İnternet: The University of South http://sites.usd.edu/jose-flores/courses (2013). Dakota, “Bifurcations” 23. Hale, J. K., Koçak, H., “Dynamics and bifurcations 3nd ed”, Springer-Verlag New York, 334-365 (1991). 24. Kuznetsov Y. A., “Elements of applied bifurcation theory 112nd ed”, Springer, New York, 86-103 (1998). 25. Lynch, S., “Dynamical Systems with Applications Using MATLAB® ed”, Springer, Manchester, 271-295 (2004). 26. Agiza, H., Yassen, M., “Synchronization of Rossler and Chen chaotic dynamical systems using active control”, Physics Letters A, 278 (4): 191-197 (2001). 114 27. Tél, T., Gruiz, M., “Chaotic dynamics: an introduction based on classical mechanics ed”, Cambridge University Press, (2006). 28. Lakshmanan, M., Rajaseekar, S., “Nonlinear dynamics: Integrability, chaos and patterns ed”, Springer, New York, 235-258 (2003). 29. Ramasubramanian, K., Sriram, M., “A comparative study of computation of Lyapunov spectra with different algorithms”, Physica D: Nonlinear Phenomena, 139 (1): 72-86 (2000). 30. Wolf, A., Swift, J. B., Swinney, H. L., Vastano, J. A., “Determining Lyapunov exponents from a time series”, Physica D: Nonlinear Phenomena, 16 (3): 285317 (1985). 31. Itik, M., Banks, S. P., “Chaos in a three-dimensional cancer model”, International Journal of Bifurcation and Chaos, 20 (01): 71-79 (2010). 32. Wang, X., Chen, G., “A chaotic system with only one stable equilibrium”, Communications in Nonlinear Science and Numerical Simulation, 17 (3): 1264-1272 (2012). 33. Kapitaniak, T., “Chaos for engineers: theory, applications, and control 3nd ed”, Springer, New York, 20-27 (2000). 34. Sarkar, R. R., Banerjee, S., “Cancer self remission and tumor stability–a stochastic approach”, Mathematical Biosciences, 196 (1): 65-81 (2005). 35. El-Gohary, A., Alwasel, I., “The chaos and optimal control of cancer model with complete unknown parameters”, Chaos, Solitons & Fractals, 42 (5): 2865-2874 (2009). 36. Kirschner, D., Panetta, J. C., “Modeling immunotherapy of the tumor–immune interaction”, Journal of Mathematical Biology, 37 (3): 235-252 (1998). 37. de Pillis, L. G., Radunskaya, A. E., Wiseman, C. L., “A validated mathematical model of cell-mediated immune response to tumor growth”, Cancer Research, 65 (17): 7950-7958 (2005). 38. Bajzer, Ž., Carr, T., Josić, K., Russell, S. J., Dingli, D., “Modeling of cancer virotherapy with recombinant measles viruses”, Journal of Theoretical Biology, 252 (1): 109-122 (2008). 39. Wang, J., Chen, Z., Yuan, Z., “Existence of a new three-dimensional chaotic attractor”, Chaos, Solitons & Fractals, 42 (5): 3053-3057 (2009). 115 40. Sun, Z., Xu, W., Yang, X., Fang, T., “Effects of time delays on bifurcation and chaos in a non-autonomous system with multiple time delays”, Chaos, Solitons & Fractals, 31 (1): 39-53 (2007). 41. Whitaker, S. Y., “A Biologically-Based Controlled Growth and Differention Model Using delay Differentional Equations: Development, Application and Stability Analysis”, Doctor of Philosophy, North Carolina State University Applied Mathematics, Computational Mathematics Concentration, Raleigh, 68 (2000). 42. Forde, J. E., “Delay Differential Equation Models in Mathematical Biology”, Doctor of Philosophy, The University of Michigan, Ann Arbor, 2-6 (2005). 43. de Souza, E., Lyra, M., Gleria, I., “Critical bifurcations and chaos in a delayed nonlinear model for the immune response”, Chaos, Solitons & Fractals, 42 (4): 2494-2501 (2009). 44. Gałach, M., “Dynamics of the tumor-immune system competition the effect of time delay”, International Journal of Applied Mathematics and Computer Science, 13 (3): 395-406 (2003). 45. De Pillis, L. G., Radunskaya, A., “The dynamics of an optimally controlled tumor model: A case study”, Mathematical and Computer Modelling, 37 (11): 1221-1244 (2003). 46. Banerjee, S., Sarkar, R. R., “Delay-induced model for tumor–immune interaction and control of malignant tumor growth”, Biosystems, 91 (1): 268-288 (2008). 116 ÖZGEÇMİŞ Kişisel Bilgiler Soyadı, adı : NASERI SOUFIANI, Babak Uyruğu : İran Doğum tarihi ve yeri : 10.08.1982 İran/Tebriz Medeni hali : Bekar Telefon : 0 (541) 914 64 23 e-mail : [email protected] Eğitim Derece Eğitim Birimi Mezuniyet tarihi Lisans Tabriz Azad Üniversitesi/Makine Müh 2005 Lise Tabriz Taleghani Lisesi 2000 Yıl Yer Görev 2004-2005 Tabriz Pooladish Fabrikası Kalite Kontrol Müh 2007-2010 Tabriz Behcut Fabrikası Teknik Müdür İş Deneyimi Yabancı Dil İngilizce Hobiler Futbol, Bilgisayar teknolojileri, sinema, tiyatro