Escolar Documentos
Profissional Documentos
Cultura Documentos
PONTA GROSSA
2023
MARGARETE APARECIDA DOS SANTOS
PONTA GROSSA
2023
Em 2021, 3,5 milhões de pessoas morreram por Covid-19 (OMS) e no mesmo ano a
Diabetes matou 6,7 milhões de pessoas (Atlas de Diabetes da IDF).
AGRADECIMENTOS
Ao prof. Dr. José Danilo Szezech Jr. pela paciência e amizade, e por toda a valiosa
orientação no desenvolvimento deste trabalho.
Aos colegas da sala 105 por todo o suporte a ajuda recebida e particularmente aos
professores Dr. Antonio Marcos Batista (UEPG), Dr. José Trobia (UEPG), Dr. Iberê L.
Caldas (IFUSP), Dra. Kelly C. Iarosz (FATEB), Dr. Leandro da S. Pereira (UTFPR),
Dr. Paulo R. Protachevicz (IFUSP), Dr. Rafael R. Borges(UTFPR) e Dr. Silvio L.T. de
Souza (UFSJ).
LISTA DE FIGURAS
LISTA DE TABELAS
SUMÁRIO
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.1 Glicose, Insulina e Diabetes . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3.1 Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4 Organização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 FUNDAMENTAÇÃO TEÓRICA . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1 Sistema Dinâmico Não-Linear . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 Dinâmica Caótica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.1 Expoentes de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.2 Diagrama de Bifurcação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.3 Diagrama de Caixa: Boxplot . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4 Modelo Matemático no Espaço de Parâmetros . . . . . . . . . . . . . . 30
2.5 Perturbação Paramétrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5.1 Estrutura Shrimp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.6 Bacia de Atração . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.6.1 Fractal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.7 Expoente de Incerteza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.1 Ferramentas Computacionais . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2 Ferramentas Teóricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4 RESULTADOS E DISCUSSÕES . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.1 Diagrama de Bifurcação e Expoentes de Lyapunov . . . . . . . . . . . . 48
4.2 Boxplot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.3 Espaços de Parâmetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.3.1 Estruturas 𝑆ℎ𝑟𝑖𝑚𝑝𝑠: uso da Perturbação Paramétrica . . . . . . . . . . . . . 55
4.4 Mudanças na Bacia de Atração . . . . . . . . . . . . . . . . . . . . . . . . 65
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
Figura 1 – Insulina desencadeia células para absorver glicose da corrente sanguínea e convertê-la em
energia.
Em 1899 os alemães Oskar Minkowski e Joseph von Mering atestaram que a re-
moção do pâncreas de cães levava-os ao óbito, por desenvolverem Diabetes. Usando essa
descoberta dos alemães, os cientistas começaram a investigar como o pâncreas realizava
a ação de controle da glicose (BLISS, 2012).
10
Todo esse trabalho de pesquisa realizado ajudou, e muito, pessoas com o distúrbio
metabólico Diabetes Mellitus, mais popularmente conhecido como Diabetes, que é um
dos distúrbios mais comuns nos tempos atuais. No ano de 2021, a população adulta no
mundo com Diabetes foi estimada em 537 milhões (20 − 79 anos), isto representa uma
entre dez pessoas da população adulta (IDF, 2021). Somente no Brasil a porcentagem de
adultos com Diabetes corresponde a 8,8% da população nacional, gerando um custo de
cerca de 2.728,50 USD por diabético (IDF, 2021), mas o maior custo recai sobre o paciente
e seus familiares, porque devido as complicações que esta doença pode causar como, por
exemplo, doença cardiovascular, insuficiência renal crônica e amputações, a expectativa
de vida é reduzida de 5 a 15 anos para o diabético (BRASIL. Ministério da Saúde, 2006).
da Saúde, 2006). A insulina desencadeia células para absorver glicose da corrente sanguí-
nea e convertê-la em energia (IDF, 2019). Em alguns casos, o sistema imunológico destrói
as células 𝛽 que produzem a insulina e o paciente necessita fazer uso da administração de
insulina, sendo denominada a doença de Diabetes tipo 1 (BRASIL. Ministério da Saúde,
2019). Quando o paciente desenvolve resistência à insulina produzida, o quadro de Di-
abetes apresentado é do tipo 2 (BRASIL. Ministério da Saúde, 2019). Tem-se ainda a
Diabetes Gestacional que pode surgir durante a gravidez, pois a placenta produz hormô-
nios hiperglicemiantes e enzimas placentárias que deterioram a insulina, essa condição
pode ser revertida após o parto (BRASIL. Ministério da Saúde, 2019).
1.2 Problema
Chaos, Solitons and Fractals: Nonlinear Science, and Nonequilibrium and Complex Phe-
nomena (TROBIA et al., 2022).
1.4 Organização
Dessa forma, esta tese está organizada em 04 (quatro) Capítulos e 01 (um) Apên-
dice. Além desta Introdução que apresenta a motivação deste trabalho, a importância da
busca em compreender como a interação glicose-insulina, os objetivos e justificativas da
pesquisa, bem como a citação do artigo científico já aceito e publicado,
˙
𝑋{𝐺(𝑡), 𝑡} = 𝜉{𝐺(𝑡), 𝑡}𝑐 − 𝑚𝑋{𝐺(𝑡), 𝑡} + Γ(∞)𝑃 {𝐺(𝑡), 𝑡}, (2.1)
Já em Bajaj foi desenvolvido um modelo matemático não linear com cinética celular
e um sistema de feedback de glicose-insulina (BAJAJ et al., 1987). Eles analisaram as
variações temporais dos níveis de insulina e glicose,
𝑑𝑏
= 𝑅1 𝑔(𝑇 − 𝑏) + 𝑅2 𝑏(𝑇 − 𝑏) − 𝑅3 𝑏,
𝑑𝑡
𝑑𝑔 𝑅4 𝑁
= − 𝑅5 ℎ + 𝐶1 , (2.2)
𝑑𝑡 𝑏
𝑑ℎ
= 𝑅6 𝑔 − 𝑅7 ℎ + 𝐶2 ,
𝑑𝑡
𝑑𝑥
= 𝑎𝑥(1 − 𝑥) − 𝑏𝑥𝑦,
𝑑𝑡
(2.3)
𝑑𝑦
= −𝑐𝑦 + 𝑑𝑥𝑦,
𝑑𝑡
16
𝑑ℎ
= −𝑎1 ℎ + 𝑎2 ℎ𝑔 + 𝑎3 𝑔 2 + 𝑎4 𝑔 3 + 𝑎5 𝛽 + 𝑎6 𝛽 2 + 𝑎7 𝛽 3 + 𝑎20 ,
𝑑𝑡
𝑑𝑔
= −𝑎8 ℎ𝑔 − 𝑎9 ℎ2 − 𝑎10 ℎ3 + 𝑎11 𝑔(1 − 𝑔) − 𝑎12 𝛽 − 𝑎13 𝛽 2 − 𝑎14 𝛽 3 + 𝑎21 , (2.4)
𝑑𝑡
𝑑𝛽
= 𝑎15 𝑔 + 𝑎16 𝑔 2 + 𝑎17 𝑔 3 − 𝑎18 𝛽 − 𝑎19 𝑔𝛽,
𝑑𝑡
𝑑𝑥1
= 𝐹1 (𝑥1 , 𝑥2 , ..., 𝑥𝑛 ) ,
𝑑𝑡
𝑑𝑥2
= 𝐹2 (𝑥1 , 𝑥2 , ..., 𝑥𝑛 ) , (2.5)
𝑑𝑡
..
.
𝑑𝑥𝑛
= 𝐹𝑛 (𝑥1 , 𝑥2 , ..., 𝑥𝑛 ) ,
𝑑𝑡
em que 𝑑𝑥𝑖 /𝑑𝑡, com 𝑖 = 1, 2, ..., 𝑛, são as derivadas das variáveis em relação ao tempo 𝑡 e
𝐹𝑖 são as funções nas variáveis 𝑥𝑖 .
Figura 3 – Trajetória no espaço de fase (linha grossa). A trajetória descrita pelo movimento de uma
partícula no espaço de fase pode ser construída a partir das respectivas projeções dos gráficos 𝑥(𝑡) e 𝑣(𝑡).
A direção do tempo é representada pela seta na trajetória.
⎡ ⎤
𝜕𝐹1 𝜕𝐹1 𝜕𝐹1
⎢ 𝜕𝑥1 𝜕𝑥2 𝜕𝑥3 ⎥
⎢ ⎥
⎢ ⎥
⎢ ⎥
𝐴= (2.6)
⎢ 𝜕𝐹2 𝜕𝐹2 𝜕𝐹2 ⎥
⎢ 𝜕𝑥 𝜕𝑥2 𝜕𝑥3
⎥
⎢ 1 ⎥
⎢ ⎥
⎢ ⎥
⎣ ⎦
𝜕𝐹3 𝜕𝐹3 𝜕𝐹3
𝜕𝑥1 𝜕𝑥2 𝜕𝑥3 (𝑥*1 ,𝑥*2 ,𝑥*3 ),
19
em que 𝐹1 (𝑥*1 , 𝑥*2 , 𝑥*3 ) = 0, 𝐹2 (𝑥*1 , 𝑥*2 , 𝑥*3 ) = 0 e 𝐹3 (𝑥*1 , 𝑥*2 , 𝑥*3 ) = 0; 𝑢 = 𝑥1 − 𝑥*1 , 𝑣 = 𝑥2 − 𝑥*2
e 𝑤 = 𝑥3 − 𝑥*3 . Para a linearização do sistema tem-se:
⎡ ⎤
𝜕𝐹1 𝜕𝐹1 𝜕𝐹1
⎡ ⎤ ⎢ 𝜕𝑥1 𝜕𝑥2 𝜕𝑥3 ⎥ ⎡ ⎤
𝑢˙ 𝑢
⎢ ⎥
⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢
⎢ 𝑣˙
⎥
⎥ = ⎢ 𝜕𝐹2
⎢ 𝜕𝑥
1
𝜕𝐹2
𝜕𝑥2
𝜕𝐹2
𝜕𝑥3
⎥·⎢
⎥ ⎢
𝑣 ⎥,
⎥
(2.7)
⎣ ⎦ ⎢ ⎥ ⎣ ⎦
𝑤˙ 𝑤
⎢ ⎥
⎢ ⎥
⎣ ⎦
𝜕𝐹3 𝜕𝐹3 𝜕𝐹3
𝜕𝑥1 𝜕𝑥2 𝜕𝑥3
Quando o sistema é uma modelagem que possui variáveis com significado biológico
(a série temporal deve ser positiva), é feita apenas a análise de estabilidade de pontos fixos
positivos (SHABESTARI et al., 2018).
• Dizemos que x* está atraindo se houver um 𝛿 > 0 tal que lim𝑡→∞ x(𝑡) = x* sempre
que ||x(0) − x*|| < 𝛿. Em outras palavras, qualquer trajetória que comece dentro
de uma distância 𝛿 de x* tem a garantia de convergir para x* após um período
de tempo. Trajetórias que começam nas proximidades podem se desviar de x* no
curto prazo, mas devem se aproximar de x* no longo prazo.
Aleksandr Lyapunov foi um matemático russo que ficou conhecido pelo desenvol-
vimento da teoria da estabilidade de um sistema dinâmico. Ele também fez contribuições
para a física matemática e a teoria das probabilidades (O’CONNOR, 2004), tal foi sua
dedicação que mais um importantíssimo tópico desenvolvido por ele será abordado neste
trabalho.
Caos faz parte de um assunto ainda maior conhecido como dinâmica, este é o
assunto que trata da mudança, com sistemas que evoluem no tempo, é a dinâmica que
usamos para analisar o comportamento do sistema (STROGATZ, 1994). Segundo Tél e
Gruiz o caos é um movimento, uma dinâmica temporal de sistemas simples que podem
ser descritos em termos de algumas variáveis (TÉL; GRUIZ, 2006). Tal movimento é:
• complexo, mas ordenado, no espaço de fase: está associado a uma estrutura fractal.
Em Tél e Gruiz é apresentada uma breve história do Caos, no qual indicam que
a possibilidade do movimento caótico foi formulada pela primeira vez pelo matemático
francês Henri Poincaré no ano de 1890. Algum tempo depois, a matemática russa Sonia
Kovalevskaia provou que o movimento de um pião pesado e assimétrico costuma ser
caótico. Esses resultados foram esquecidos em sua maioria e só sobreviveram na primeira
21
O próprio termo caos foi introduzido pelo matemático americano James Yorke
para a dinâmica de aparência aleatória de sistemas determinísticos simples em um artigo
em 1975 (LI; YORKE, 1975). O trabalho do físico americano Mitchell Feigenbaum ajudou
a difundir o termo. Em 1978 ele provou a independência do sistema, ou seja, a chamada
universalidade, de um dos caminhos possíveis para o caos (FEIGENBAUM, 1978). A
possibilidade da ocorrência do caos estabeleceu uma nova maneira de pensar em disciplinas
muito diferentes.
As condições necessárias para que a dinâmica caótica apareça são que o sistema seja
não linear e que sua dinâmica possa ser descrita por pelo menos três equações diferenciais
autônomas (um fluxo tridimensional) (TÉL; GRUIZ, 2006).
Os números de Lyapunov são os fatores médios de longo prazo que, durante uma
iteração, são multiplicados pelos comprimentos dos eixos do elipsoide. Se determinar-
mos os logarítimos desses números, obtemos os expoentes de Lyapunov. Normalmente
representados por 𝜆 e todos os expoentes relativos aos números de Lyapunov podem ser
enumerados na seguinte ordem: 𝜆1 ≥ ... ≥ 𝜆𝑛 (LORENZ, 1995).
1 𝑝𝑖 (𝑡)
𝜆𝑖 = lim ln . (2.8)
𝑡→∞ 𝑡 𝑝0 (𝑥0 )
Para valores cada vez menores de 𝑎1 mais a imagem fica renderizada, como pode
ser visto nas ampliações dos intervalos de 𝑎1 ∈ [2, 25; 2, 3] e [2, 3; 2, 35] nas Figuras 7 e 8,
respectivamente.
Figura 7 – Recorte: Diagrama de bifurcação para 𝑎1 ∈ [2, 25; 2, 3] e valores máximos de ℎ𝑡 (𝐻𝑀 𝐴𝑋 ).
Fonte: Autor
26
Figura 8 – Recorte: Diagrama de bifurcação para 𝑎1 ∈ [2, 3; 2, 35] e valores máximos de ℎ𝑡 (𝐻𝑀 𝐴𝑋 ).
Fonte: Autor
Figura 9 – Expoentes de Lyapunov para 𝑎1 ∈ [2, 2; 3, 1], sendo 𝜆1 o traçado em preto, 𝜆2 em vermelho e
𝜆3 em verde.
• Caixa (box),
• Mediana,
• Haste.
Figura 10 – Estrutura básica do Boxplot exibindo a caixa, mediana e as hastes, uma acima da caixa e
outra abaixo da caixa.
Fonte: Autor
Fonte: Autor
29
As hastes não contêm os 𝑜𝑢𝑡𝑙𝑖𝑒𝑟𝑠, que são valores que destoam dos demais valores,
sendo eles muito altos (maiores que 𝐿𝑠 ) ou muito baixos (menores que 𝐿𝑖 ), atrapalhando
a análise de tendência central, dessa forma são descartados.
Fonte: Autor
Os 𝑜𝑢𝑡𝑙𝑖𝑒𝑟𝑠 podem ser representados por um círculo pequeno, ou uma cruz pe-
quena, ou um asterisco acima da haste superior, ou abaixo da haste inferior e precisa ter
uma distância mínima de 2,5 vezes o 𝐼𝐼𝑄 (Figura 12). Para se determinar o tamanho das
hastes são aplicadas as seguintes relações (NETO et al., 2017),
30
Figura 13 – Maior expoente de Lyapunov no espaço de parâmetros do mapa de Hénon. A escala de cores
foi definida de modo a contrastar as regiões periódicas (𝜆1 < 0) e caóticas (𝜆1 > 0).
Como pode ser observado, as cores auxiliam na compreensão dos diferentes valores
dos expoentes de Lyapunov, facilitando a exibição da dinâmica.
Ainda segundo Oliveira, foi no trabalho de Gallas (GALLAS, 1993) que o espaço
paramétrico atraiu muita atenção e que as estruturas 𝑠ℎ𝑟𝑖𝑚𝑝𝑠 podem ser encontradas em
vários modelos teóricos. Como estruturas 𝑠ℎ𝑟𝑖𝑚𝑝𝑠 foram detectadas no estudo de espaço
de parâmetros da presente tese, se tornou mais interessante introduzir uma perturbação
paramétrica também periódica 𝑎𝑖 → 𝑎𝑖 (1+𝜂.𝑐𝑜𝑠(Ω𝑡)) (veja equação (3.6)) no Sistema (2.4)
com a intenção de adicionar um novo parâmetro e tornar a dinâmica diferente para que
se possa observar o que acontece, em que 𝜂 e Ω correspondem à amplitude e frequência,
respectivamente. A perturbação paramétrica também auxilia o estudo da dependência
paramétrica do sistema glicose-insulina no seu comportamento caótico.
Figura 14 – Bacia de atração de fronteira suave do mapa de Hénon (𝑥𝑡+1 = 1 + 𝛼𝑥2𝑡 + 𝑦𝑡 e 𝑦𝑡+1 = 𝛽𝑥𝑡 )
e as condições iniciais na região preta são atraídas para o atrator de período 2, dado pelos dois pontos
vermelhos, enquanto que na regão branca as condições iniciais crescem de forma ilimitada. Os parâmetros
utilizados foram 𝛼 = 1, 28 e 𝛽 = −0, 3.
Em Santos são apresentados gráficos com bacias de atração com fronteira de es-
trutura suave e fronteira com estrutura fractal (SANTOS, 2019).
Já para a Figura 15 é claro que não há mais fronteiras bem definidas, o que ajuda
na visualização é a ampliação feita, que mostra o quão fracionada vai se tornando essa
fronteira. Se falando de estrutura fractal ou forma fractal é necessário esclarecer do que
se trata um fractal, para tanto, a próxima subseção aborda o assunto.
34
Figura 15 – Plotada novamente a bacia de atração do mapa de Hénon, (𝑥𝑡+1 = 1 + 𝛼𝑥2𝑡 + 𝑦𝑡 e 𝑦𝑡+1 = 𝛽𝑥𝑡 ),
porém utilizando valores de parâmetros para os quais a fronteira da bacia possui estrutura fractal. Os
parâmetros utilizados foram 𝛼 = 1, 4 e 𝛽 = −0, 3.
2.6.1 Fractal
Uma breve história sobre os fractais é apresentada por Tél e Gruiz (TÉL; GRUIZ,
2006) o qual indica que os primeiros exemplos de fractais surgiram como curiosidades
matemáticas na segunda metade do século XIX. O conjunto de Cantor foi inventado por
Georg Cantor em 1883. As curvas de Koch surgiram com o matemático sueco Helge van
Koch, em 1904 a curva de Koch (Figura 16) é contínua, mas nada suave. Karl Weierstrass
encontrou uma função contínua que não é diferenciável em qualquer ponto. Esses desen-
volvimentos abalaram a matemática clássica em seus fundamentos e meio século ainda se
passaria antes que o amplo significado científico dos fractais fosse reconhecido.
Ainda em Tél e Gruiz, para ilustrar o que é uma estrutura fractal, ele utiliza al-
guns exemplos reais, um deles é a área de superfície dos pulmões humanos (medida em
resolução microscópica), é a mesma de uma quadra de tênis (aproximadamente 100 𝑚2 ),
enquanto o volume é de apenas alguns litros (10−3 𝑚3 ), dessa forma nosso próprio conceito
de medição da área de superfície deve ser revisado em vista desses tipos de superfícies
(TÉL; GRUIZ, 2006). A Tabela 3 a seguir apresenta comparações entre objetos tradicio-
nais e fractais.
Tabela 3 – Comparação de objetos tradicionais e fractais. 𝑃 (𝜀) e 𝑆(𝜀) denotam o perímetro e a área de
superfície observada com precisão 𝜀, respectivamente.
em que 𝛾 é uma potência ou expoente positivo não trivial (geralmente não inteiro) rela-
cionada com a dimensão fractal.
𝑙𝑛𝑁 (𝜀)
𝐷0 = , 𝜀 ≪ 1. (2.11)
𝑙𝑛 1𝜀
Fonte: Autor
igual a metade do lado do triângulo original e a figura gerada no nível 1 fica com apenas
38
3
𝑇,
4 0
ou seja, a cada nível 𝑛 se tem 3𝑛 triângulos de lado (𝑙/2)𝑛 . Aplicando os valores em
(2.11), 𝐷0 = 𝑙𝑛3/𝑙𝑛2 ∼ 1, 585.
Fonte: Autor
1 𝑗
𝐷𝐿 = 𝑗 + (2.13)
∑︁
𝜆𝑖 ,
|𝜆𝑗+1 | 𝑖=1
A ideia de dimensão fractal pode ser aplicada em vários sistemas naturais que
possuem estrutura semelhante à fractal como é exemplificado por Nussenzveig na Tabela
4 (NUSSENZVEIG, 1999).
Tabela 4 – Alguns processos naturais com seus respectivos valores aproximados de suas dimensões fractais.
𝑓 (𝜀) ∼ 𝜀𝛿 , (3.8)
(𝑠)
𝛿 = 2 − 𝐷0 . (2.14)
3 METODOLOGIA
Figura 18 – Representação esquemática do modelo glicose-insulina - cor verde ℎ, cor azul 𝑔 e a rosa células
beta 𝛽. As linhas sólidas e tracejadas correspondem aos termos positivo e negativo, respectivamente.
Fonte: o autor
Para facilitar a visualização e compreensão das relações, a cor verde está associada
à insulina ℎ, a cor azul com a glicose 𝑔 e a rosa com as células beta 𝛽. As linhas sólidas
e tracejadas correspondem aos termos positivo e negativo, respectivamente. Dessa forma,
observando o sistema (2.4.𝑖) se pode fazer a seguinte leitura do parâmetro 𝑎1 ,
𝑑ℎ
= −𝑎1 ℎ + 𝑎2 ℎ𝑔 + 𝑎3 𝑔 2 + 𝑎4 𝑔 3 + 𝑎5 𝛽 + 𝑎6 𝛽 2 + 𝑎7 𝛽 3 + 𝑎20 ,
𝑑𝑡
𝑑𝑔
= −𝑎8 ℎ𝑔 − 𝑎9 ℎ2 − 𝑎10 ℎ3 + 𝑎11 𝑔(1 − 𝑔) − 𝑎12 𝛽 − 𝑎13 𝛽 2 − 𝑎14 𝛽 3 + 𝑎21 , (2.4.𝑖)
𝑑𝑡
𝑑𝛽
= 𝑎15 𝑔 + 𝑎16 𝑔 2 + 𝑎17 𝑔 3 − 𝑎18 𝛽 − 𝑎19 𝑔𝛽,
𝑑𝑡
𝑑ℎ
= −𝑎1 ℎ + 𝑎2 ℎ𝑔 + 𝑎3 𝑔 2 + 𝑎4 𝑔 3 + 𝑎5 𝛽 + 𝑎6 𝛽 2 + 𝑎7 𝛽 3 + 𝑎20 ,
𝑑𝑡
𝑑𝑔
= −𝑎8 ℎ𝑔 − 𝑎9 ℎ2 − 𝑎10 ℎ3 + 𝑎11 𝑔(1 − 𝑔) − 𝑎12 𝛽 − 𝑎13 𝛽 2 − 𝑎14 𝛽 3 + 𝑎21 , (2.4.𝑖𝑖)
𝑑𝑡
𝑑𝛽
= 𝑎15 𝑔 + 𝑎16 𝑔 2 + 𝑎17 𝑔 3 − 𝑎18 𝛽 − 𝑎19 𝑔𝛽,
𝑑𝑡
que apresenta a taxa de aumento da atividade de células beta. As demais análises são
semelhantes, apenas adequando o parâmetro ao que está apresentado no sistema (2.4.𝑖).
Nesse estudo foi confirmada a grande importância dos parâmetros 𝑎1 , 𝑎7 , 𝑎8 e 𝑎15 , que
devido as suas ações no modelo (2.4) representam:
É necessário destacar aqui que essas não são as definições desses desequilíbrios
metabólicos, mas sim o que a variação desses parâmetros podem levar no estudo do
modelo (2.4). Para a definição dos referidos termos se tem (IDF, 2021),
⇒ Diabetes mellitus tipo 1: uma condição crônica marcada por altas concentrações
de glicose (açúcar) no sangue. É causada pela incapacidade do corpo de produzir
insulina (um hormônio produzido pelo pâncreas para controlar os níveis de glicose
no sangue);
⇒ Diabetes mellitus tipo 2: uma condição crônica marcada por altas concentrações de
glicose no sangue. É causada pela incapacidade do corpo de usar a insulina de forma
eficaz;
• diagramas de bifurcação para 𝑎8 versus 𝑋𝑚𝑎𝑥 , 𝑎1 versus 𝑋𝑚𝑎𝑥 , 𝑎7 versus 𝑋𝑚𝑎𝑥 e 𝑎15
versus 𝑋𝑚𝑎𝑥 ; e
45
𝐿𝑖 = 𝑄1 − 1, 5𝐼𝐼𝑄, (3.1)
𝐿𝑠 = 𝑄3 + 1, 5𝐼𝐼𝑄, (3.2)
1 𝑝𝑖 (𝑡)
𝜆𝑖 = lim ln .
𝑡→∞ 𝑡 𝑝𝑜 (𝑥0 )
𝑎𝑖 → 𝑎𝑖 (1 + 𝜂.𝑐𝑜𝑠(Ω𝑡)), (3.5)
com o objetivo de estudar seu efeito nas mudanças dinâmicas do modelo glicose-insulina
(2.4), em que 𝜂 e Ω correspondem à amplitude e frequência, respectivamente. Foram plo-
tados ℎ𝑚𝑎𝑥 (máximos locais) versus 𝜂 ao aplicar uma perturbação paramétrica de acordo
com o valor mais alto do expoente de Lyapunov.
𝑎𝑖 Ω
𝑎1 2, 04 3,0
𝑎7 2,01 1,6
𝑎8 1,15 4,1
𝑎15 0,24 1,0
Fonte: O autor
𝛿 = 𝐷 − 𝑑, (3.6)
Para realizar isso, calculou-se a fração de trajetórias 𝑓 (𝜀), que são geradas por con-
dições iniciais incertas, em que 𝜀 é o raio de um círculo de condições iniciais. Os valores
de 𝑓 (𝜀) escalam como uma lei de potência com 𝜀 como (GREBOGI et al., 1985),
47
𝑓 (𝜀) ∼ 𝜀𝛿 . (3.7)
Um ajuste linear no gráfico 𝑙𝑜𝑔 − 𝑙𝑜𝑔 foi realizado para obter explicitamente o
expoente 𝛿.
4 RESULTADOS E DISCUSSÕES
Neste capítulo são apresentados os resultados obtidos com a pesquisa e está divi-
dido em cinco seções, a saber: Diagrama de Bifurcação e Expoentes de Lyapunov; Boxplot;
Espaços de Parâmetros; Mudanças na Bacia de Atração.
Figura 19 – (a) Diagrama de bifurcação, (b) Expoentes de Lyapunov para 𝑎7 ∈ [1, 4; 2], em que as três
cores representam os três expoentes.
Fonte: O autor
Os gráficos foram postos assim na sequência com a intenção de que se possa fazer
uma comparação das variações em cada um e das mudanças entre eles,
4.2 Boxplot
vermelhos são a glicose média por paciente, os 𝑜𝑢𝑡𝑙𝑖𝑒𝑟𝑠 não foram representados. Para o
modelo, considerou-se os parâmetros mostrados na Tabela 5.
Figura 20 – Boxplot para o modelo de glicose-insulina (2.4) M e dados experimentais dos 1 a 21 pacientes.
Fonte: o autor
Figura 21 – Boxplot para o modelo de glicose-insulina (2.4) M e dados experimentais dos 22 a 46 pacientes.
Fonte: o autor
Figura 22 – Boxplot para o modelo de glicose-insulina (2.4) M e dados experimentais dos 47 a 70 pacientes.
Fonte: o autor
• Vermelha: valor 100 mg/dl de glicose no sangue, que é o valor máximo permitido
para uma glicemia normal em jejum (SBD, 2019);
• Verde: valor 70 mg/dl de glicose no sangue, que é o valor mínimo permitido para
uma glicemia normal em jejum (SBD, 2019).
Figura 23 – Espaço de parâmetro 𝑎15 × 𝑎8 , mostrando atratores periódicos (preto), atratores caóticos
(branco), bifurcações (azul), pontos de equilíbrio (verde) e pontos divergentes (vermelho).
Fonte: O autor
Figura 24 – Ampliação (retângulo amarelo na Figura 23) mostrando atratores periódicos (preto), atratores
caóticos (branco), bifurcações (azul), pontos de equilíbrio (verde) e pontos divergentes (vermelho), onde
a linha tracejada dourada é dada por 𝑎15 = 0, 32 − 0, 04𝑎8 − 0, 03𝑎28 (3.4).
Fonte: O autor
Fonte: O autor
Figura 26 – Ampliação (retângulo amarelo na Figura 25), onde a linha tracejada dourada é dada por
𝑎1 = −0, 17 + 1, 30𝑎7 − 0, 10𝑎27 (3.5). Considerou-se 𝑎8 = 1, 15 e 𝑎15 = 0, 24.
Fonte: O autor
Nas Figuras 24 e 26, que são ampliações de 23 e 25, nessa ordem. Nas imagens
podemos ver as janelas periódicas conhecidas como 𝑠ℎ𝑟𝑖𝑚𝑝𝑠 (camarões) (OLIVEIRA et
54
al., 2011), imersos em regiões caóticas e as equações das linhas tracejadas douradas são
escritas por ajuste polinomial como 𝑎15 = 0, 32 − 0, 04𝑎8 − 0, 03𝑎28 (3.4), sendo 𝑎1 =
2, 04 e 𝑎7 = 2, 01 e 𝑎1 = −0, 17 + 1, 30𝑎7 − 0, 10𝑎27 (3.5) com 𝑎8 = 1, 15 e 𝑎15 = 0, 24,
respectivamente.
Figura 27 – (a) Espaço de parâmetros 𝑎7 × 𝑎8 e (b) ampliação (retângulo amarelo no painel (a)) mos-
trando atratores periódicos (preto), atratores caóticos (branco), bifurcações (azul) e pontos divergentes
(vermelho), onde a cruz vermelha indica o valor mais alto do expoente de Lyapunov.
Fonte: O autor
𝑑ℎ
= −[𝑎1 (1 + 𝜂.𝑐𝑜𝑠(𝜔))]ℎ + 𝑎2 ℎ𝑔 + 𝑎3 𝑔 2 + 𝑎4 𝑔 3 + 𝑎5 𝛽 + 𝑎6 𝛽 2 + 𝑎7 𝛽 3 + 𝑎20 ,
𝑑𝑡
𝑑𝑔
= −𝑎8 ℎ𝑔 − 𝑎9 ℎ2 − 𝑎10 ℎ3 + 𝑎11 𝑔(1 − 𝑔) − 𝑎12 𝛽 − 𝑎13 𝛽 2 − 𝑎14 𝛽 3 + 𝑎21 , (4.1)
𝑑𝑡
𝑑𝛽
= 𝑎15 𝑔 + 𝑎16 𝑔 2 + 𝑎17 𝑔 3 − 𝑎18 𝛽 − 𝑎19 𝑔𝛽,
𝑑𝑡
𝑑𝜔
= Ω.
𝑑𝑡
⎡ ⎤ ⎡ ⎤
⎢
−𝑎1 (1 + 𝜂.𝑐𝑜𝑠𝜔) + 𝑎2 𝑔 ⎥ ⎢
𝑎2 ℎ + (2𝑎3 + 3𝑎4 𝑔)𝑔 ⎥
−𝑎8 𝑔 − (2𝑎9 + 3𝑎10 ℎ)ℎ −𝑎8 ℎ + 𝑎11 (1 − 2𝑔)
⎢ ⎥ ⎢ ⎥
𝑐𝑜𝑙1 (𝐴𝑎1 ) = 𝑐𝑜𝑙2 (𝐴𝑎1 ) =
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
0 𝑎15 + (2𝑎16 + 3𝑎17 𝑔)𝑔 − 𝑎19 𝛽
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦
0 0
⎡ ⎤ ⎡ ⎤
⎢
𝑎5 + (2𝑎6 + 3𝑎7 𝛽)𝛽 ⎥ ⎢
𝑎1 𝜂ℎ𝑠𝑒𝑛𝜔 ⎥
−𝑎12 − (2𝑎13 + 3𝑎14 𝛽)𝛽 0
⎢ ⎥ ⎢ ⎥
𝑐𝑜𝑙3 (𝐴𝑎1 ) = 𝑐𝑜𝑙4 (𝐴𝑎1 ) = (4.3)
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
−𝑎18 − 𝑎19𝑔 0
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦
0 0
𝑑ℎ
= −𝑎1 ℎ + 𝑎2 ℎ𝑔 + 𝑎3 𝑔 2 + 𝑎4 𝑔 3 + 𝑎5 𝛽 + 𝑎6 𝛽 2 + [𝑎7 (1 + 𝜂.𝑐𝑜𝑠𝜔)]𝛽 3 + 𝑎20 ,
𝑑𝑡
𝑑𝑔
= −𝑎8 ℎ𝑔 − 𝑎9 ℎ2 − 𝑎10 ℎ3 + 𝑎11 𝑔(1 − 𝑔) − 𝑎12 𝛽 − 𝑎13 𝛽 2 − 𝑎14 𝛽 3 + 𝑎21 , (4.4)
𝑑𝑡
𝑑𝛽
= 𝑎15 𝑔 + 𝑎16 𝑔 2 + 𝑎17 𝑔 3 − 𝑎18 𝛽 − 𝑎19 𝑔𝛽,
𝑑𝑡
𝑑𝜔
= Ω.
𝑑𝑡
⎡ ⎤ ⎡ ⎤
⎢
−𝑎1 + 𝑎2 𝑔 ⎥ ⎢
𝑎2 ℎ + (2𝑎3 + 3𝑎4 𝑔)𝑔 ⎥
−𝑎8 𝑔 − (2𝑎9 + 3𝑎10 ℎ)ℎ −𝑎8 ℎ + 𝑎11 (1 − 2𝑔)
⎢ ⎥ ⎢ ⎥
𝑐𝑜𝑙1 (𝐴𝑎7 ) = 𝑐𝑜𝑙2 (𝐴𝑎7 ) =
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
0 𝑎15 + (2𝑎16 + 3𝑎17 𝑔)𝑔 − 𝑎19 𝛽
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦
0 0
⎡ ⎤ ⎡ ⎤
⎢
𝑎5 + (2𝑎6 + 3𝑎7 𝛽)𝛽 ⎥ ⎢
−𝑎7 𝛽 3 𝜂𝑠𝑒𝑛𝜔 ⎥
−𝑎12 − (2𝑎13 + 3𝑎14 𝛽)𝛽 0
⎢ ⎥ ⎢ ⎥
𝑐𝑜𝑙3 (𝐴𝑎7 ) = 𝑐𝑜𝑙4 (𝐴𝑎7 ) = (4.5)
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
−𝑎18 − 𝑎19𝑔 0
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦
0 0
57
Fonte: O autor
Fonte: O autor
Fonte: O autor
59
Figura 31 – ℎ𝑚𝑎𝑥 ×𝜂 ao aplicar uma perturbação paramétrica em 𝑎15 para Ω = 1. Considerou-se 𝑎1 = 2, 04,
𝑎7 = 2, 01, 𝑎8 = 1, 15 e 𝑎15 = 0, 24, de acordo com a cruz vermelha indicada na Figura 27(b).
Fonte: O autor
Fonte: O autor
60
Figura 33 – Série temporal com 𝑎1 = 2, 04, 𝑎7 = 2, 01, 𝑎8 = 1, 15 e 𝑎15 = 0, 24: (a) Para o tempo 𝑡 e
insulina ℎ; (b) Para o tempo 𝑡 e glicose 𝑔 e (c) Para o tempo 𝑡 e densidade populacional de células 𝛽 .
Fonte: O autor
61
Figura 34 – Oscilação periódica com órbita de período 3 para o valor de 𝜂 = 0, 13, Ω = 3, 0 em 𝑎1 , com
𝑎1 = 2, 04, 𝑎7 = 2, 01, 𝑎8 = 1, 15 e 𝑎15 = 0, 24.
Fonte: O autor
Fonte: O autor
62
O mesmo se repete nas Figuras 36 e 37, sendo na Figura 36 uma oscilação com
órbita de período 6 e uma perturbação paramétrica em 𝑎7 , 𝜂 = 0, 184 e Ω = 1, 6.
Figura 36 – Oscilação periódica com órbita de período 6 para o valor de 𝜂 = 0, 184, Ω = 1, 6 em 𝑎7 , com
𝑎1 = 2, 04, 𝑎7 = 2, 01, 𝑎8 = 1, 15 e 𝑎15 = 0, 24.
Fonte: O autor
Figura 37 – Série temporal 𝑡×ℎ com a perturbação em 𝑎7 , 𝜂 = 0, 184, Ω = 1, 6, com 𝑎1 = 2, 04, 𝑎7 = 2, 01,
𝑎8 = 1, 15 e 𝑎15 = 0, 24 e órbita de período 6.
Fonte: O autor
mesmo formato das Figuras 34 a 37. Os valores utilizados e os períodos das órbitas estão
indicados na descrição das Figuras 38, 39, 40 e 41.
Figura 38 – Oscilação periódica com órbita de período 5 para o valor de 𝜂 = 0, 27, Ω = 4.1 em 𝑎8 , com
𝑎1 = 2, 04, 𝑎7 = 2, 01, 𝑎8 = 1, 15 e 𝑎15 = 0, 24.
Fonte: O autor
Fonte: O autor
64
Figura 40 – Oscilação periódica com órbita de período 8 para o valor de 𝜂 = 0, 2, Ω = 1, 0 em 𝑎15 , com
𝑎1 = 2, 04, 𝑎7 = 2, 01, 𝑎8 = 1, 15 e 𝑎15 = 0, 24.
Fonte: O autor
Fonte: O autor
Para concluir essa parte, as figuras foram apresentadas a partir da análise de uma
65
das variáveis do modelo, no caso a insulina (ℎ), mas o estudo foi feito sobre todas as
variáveis, porém para evitar uma repetição massiva, apenas alguns gráficos são colocados
nessa tese e o que foi analisado é válido para as demais variáveis do modelo, ou seja, a
glicose (𝑔) e densidade populacional de células 𝛽 (𝛽).
Figura 42 – Bacia de atração ℎ(0) × 𝑔(0) para o modelo caótico de glicose-insulina sem perturbação
paramétrica. Foram usados 𝛽(0) = 1, 03, 𝑎1 = 2, 04, 𝑎7 = 2, 01, 𝑎8 = 1, 15 e 𝑎15 = 0, 24. As trajetórias
podem ser assintóticas a atratores caóticos (branco) ou um atrator no infinito (vermelho).
Fonte: O autor
66
Figura 43 – Bacia de atração ℎ(0) × 𝑔(0) para o modelo caótico de glicose-insulina, em que considerou-se
uma perturbação com 𝜂 = 0, 18 e Ω = 1, 6 no parâmetro 𝑎7 . Foram usados 𝛽(0) = 1, 03, 𝑎1 = 2, 04,
𝑎7 = 2, 01, 𝑎8 = 1, 15 e 𝑎15 = 0, 24. As trajetórias podem ser assintóticas a atratores periódicos (preto)
ou um atrator no infinito (vermelho).
Fonte: O autor
Figura 44 – Fração das trajetórias 𝑓 (𝜀) em função da incerteza 𝜀 para a bacia de atração mostrada na
Figura 43 (quadrado verde).
Fonte: O autor
67
• casos anormais que tenham a presença de atratores caóticos que podem apresentar
multi-estabilidade;
REFERÊNCIAS
BAJAJ, J. S.; RAO, G. S.; KHARDORI, R.; RAO, J. S. A Mathematical Model for
Insulin Kinetics and its Application to Protein-Deficient (malnutritionrelated) Diabetes
Mellitus (pddm). Journal of Theoretical Biology, n. 126(4), p. 491–503, 1987.
BARRETO, E.; HUNT, B.; GREBOGI, C.; YORKE, J. From High Dimensional Chaos
to Stable Periodic Orbits: The Structure of Parameter Space. Physical Review Letters,
n. 78, p. 4561–64, 1997.
BLISS, M. The Discovery of Insulin. Toronto, London: University of Toronto Press, 2012.
COX, N. J. Speaking Stata: Creating and varying box plots. The Stata Journal, n. 3, p.
478–496, 2009.
FERRARI, F. A. S.; VIANA, R. L.; REIS, A. S.; IAROSZ, K. C.; CALDAS, I. L.;
BATISTA, A. M. A network of Networks Model to study Phase Synchronisation Using
Structural Connection Matrix of Human Brain. Physica A, n. 496, p. 162–170, 2018.
FRANDES, M.; TIMAR, B.; TIMAR, R.; LUNGEANU, D. Chaotic Time Series
Prediction for Glucose Dynamics in Type 1 Diabetes Mellitus Using Regime-Switching
Models. Scientific Reports, v. 7, n. 6232, 2017.
FREDERICKSON, P.; KAPLAN, J.; OTT, E.; YORKE, J. A. The Lyapunov Dimension
of Strange Attractors. Journal of Differential Equations, n. 49, p. 185, 1983.
71
GALLAS, J. A. C. Structure of the Parameter Space of the Hénon Map. Review Letters,
Brasília, Brasil, v. 70, n. 18, 1993.
GINOUX, J. M.; RUSKEEPÄÄ, H.; PERC, M.; NAECK, R.; CONSTANZO, V. D.;
BOUCHOUICHA, M.; FNAIECH, F.; SAYADI, M.; HAMDI, T. Is Type 1 Diabetes a
Chaotic Phenomenon? Chaos, Solitons and Fractals, n. 111, p. 198–205, 2018.
GUYTON, A.; HALL, J. E. Tratado de Fisiologia Médica. [S.l.]: Elsevier Editora Ltda.,
2012. 12 p.
KAHN, M. AIM-94 data set from Michael Kahn, MD, PhD, Washington University,
St. Louis, Missouri. 1984. Acessado em 25/04/2021, URL https://gitlab.fit.cvut.cz/ wudi-
petr/miadm/tree/a4bb5e5932c9e922df935d776d4bd69bc2a6f7e0/semestralka/data/diabetes.
KHAN, C. R.; WEIR, G. C.; KING, G. L.; JACOBSON, A. M.; MOSES, A. C.; SMITH,
R. J. Joslin: Diabetes Melito. [S.l.]: Editora Artmed, 2009. 1224 p.
KOHAR, V.; LU, M. Role of Noise and Parametric Variation in the Dynamics of Gene
Regulatory Circuits. NPJ Syst Biol Appl, n. 4, p. 40, 2018.
LAMEU, E. L.; BORGES, F. S.; BORGES, R. R.; IAROSZ, K. C.; CALDAS, I. L.;
BATISTA, A. M.; VIANA, R. L.; KURTHS, J. Suppression of Phase Synchronisation in
Network Based on Cat’s Brains. Chaos, v. 26, n. 043107, 2016.
LI, T. Y.; YORKE, J. A. Period Three Implies Chaos. American Mathematical Monthly,
n. 82, p. 985–992, 1975.
LORENZ, E. N. The Essence Of Chaos (Jessie and John Danz Lectures). [S.l.]: Taylor
Francis, 1995.
72
MAKROGLOU, A.; LI, J.; KUANG, Y. Mathematical Models and software tools for the
Glucose-Insulin Regulatory System and Diabetes: an overview. Appl Numer Math, v. 56,
p. 559–73, 2006.
SHABESTARI, P. S.; PANAHI, S.; HATEF, B.; JAFARI, S.; SPROTT, J. C. A New
Chaotic Model for Glucose-Insulin Regulatory System. Chaos, Solitons and Fractals,
n. 112, p. 44 – 51, 2018.
73
a r t i c l e i n f o a b s t r a c t
Article history: Insulin is a hormone that plays a crucial role in controlling the transport of glucose from the blood to
Received 21 September 2021 inside the cells. In the pancreas, the insulin is secreted by the β cells, according to the blood glucose con-
Revised 18 December 2021
centration, and the interaction of insulin with the glucose is responsible for providing energy to the cells.
Accepted 20 December 2021
In this work, we study the dynamical behaviour of a mathematical model, validated by experimental data,
Available online 29 December 2021
that considers the relationship between glucose and insulin concentrations, as well as the role of the β
Keywords: cells. Depending on the control parameters, the model can exhibit periodic and chaotic behaviours. Based
Glucose-insulin model on these behaviours, we identify complex structures in the parameter space, namely shrimp-shaped pe-
Chaos riodic windows immersed in chaotic regions. Furthermore, a parametric perturbation in the parameter
Dynamical behaviour related to the rate increase of insulin level secreted by cells can suppress chaos, inducing either periodic
or quasi-periodic behaviour. We also investigate the structure of basins of periodic and chaotic attractors
in the glucose-insulin system under parametric perturbation; the boundaries between these basins have
fractal structures for some control parameters.
© 2021 Elsevier Ltd. All rights reserved.
1. Introduction levels. More recently, Shabestari et al. [11] proposed a model for
the glucose-insulin system. This model is based on a predator-
Insulin is a chemical messenger, a well-known hormone, that prey model and considers the interactions between glucose, in-
allows the glucose to enter the cells from the blood stream and sulin, and β cells. It exhibits a route to chaos via period-doubling
be used for energy liberation [1]. In the pancreas, the insulin is bifurcations.
secreted by the β cells in response to the blood glucose concen- Chaos, namely sensitivity to initial conditions, has been found
tration [2]. Understanding how insulin works with glucose is im- in a large number of natural and man-made systems. It is a com-
portant for the treatment of diabetes [3,4]. Many scientists carried mon dynamical behaviour that appears also in biological systems,
out research to understand mechanisms involving insulin, glucose, such as enzyme reactions [12], biodiversity of plankton [13], the
and β cells [5,6]. immune system [14], and neuronal networks [15,16]. Experimen-
Over the last 50 years, various studies have considered differ- tal data for glucose and insulin values from individual patients,
ent mathematical models to investigate the interaction between obtained by Kroll [17], showed evidence of a chaotic process. The
insulin and glucose [7,8]. In 1972, Grodsky [9] proposed a model chaotic behaviour in glucose profiles has also been observed in ab-
to study the phases of insulin release during glucose stimula- normal conditions, such as disease [18]. Frandes et al. [19] reported
tion patterns. Bajaj et al. [10] developed a nonlinear mathemati- that analysis of chaotic features in the glucose dynamics can lead
cal model with β cell kinetics and a glucose-insulin feedback sys- to an understanding of type 1 diabetes mellitus; its understanding
tem. They analysed the time variations of the insulin and glucose can improve control strategies.
In this work, we study the dynamical model proposed by
∗
Shabestari et al. [11] for the glucose-insulin regulatory system. We
Corresponding author.
E-mail address: abatista@uepg.br (A.M. Batista).
show that the two parameter subspaces exhibit shrimp-shaped
https://doi.org/10.1016/j.chaos.2021.111753
0960-0779/© 2021 Elsevier Ltd. All rights reserved.
75
J. Trobia, S.L.T. de Souza, M.A. dos Santos et al. Chaos, Solitons and Fractals 155 (2022) 111753
Fig. 1. Schematic representation of the insulin-glucose model, where the solid and dashed lines correspond to the positive and negative terms, respectively, according to
Eq. (1).
Fig. 2. (a) Bifurcation diagram and (b) Lyapunov exponents for a7 from 1.4 to 2, where the three colours stand for the three exponents.
structures, which are periodic windows immersed in chaotic re- validate the model, including experimental data analysis for the
gions [20–22]. We analyse the effects of a parametric perturba- recognition and acceptance of the model. Section 4 presents our
tion in the glucose-insulin model. Parameter perturbation is use- results on the parameter space dynamics and the effects of the
ful for parameter sensitivity analysis in dynamical systems [23]. In parametric perturbation in the system. Concluding remarks are in
our simulations, we verify that the perturbation is able not only to the final section.
change the dynamical behaviour, but also to suppress chaos. De-
pending on the perturbation parameters and which parameter is
2. The model
perturbed, we observe the existence of basin boundaries with frac-
tal structure, whose final state sensitivity is quantified by the un-
We study a glucose-insulin mathematical model proposed by
certainty exponent [24].
Shabestari et al. [11]. They added a cubic function of variables in
This paper is organised as follows. In Section 2, we introduce
a prey-predator model [25] to obtain a nonlinear model that ex-
the glucose-insulin model. In Section 3, we report some results to
hibits dependence on the initial conditions. The nonlinear model
76
J. Trobia, S.L.T. de Souza, M.A. dos Santos et al. Chaos, Solitons and Fractals 155 (2022) 111753
Fig. 3. (a) The local scaling exponents (LSE) as a function of the distance r apart
and (b) the average mutual information (AMI) as a function of the time delay for
the parameters shown in Table 1.
Fig. 4. Boxplot for the glucose-insulin model (yellow box) and experimental data
from 70 patients (green boxes) [36]. For the model, we consider the parameters
shown in Table 1. (For interpretation of the references to colour in this figure leg-
end, the reader is referred to the web version of this article.)
Table 1
Description and values of an [11].
77
J. Trobia, S.L.T. de Souza, M.A. dos Santos et al. Chaos, Solitons and Fractals 155 (2022) 111753
Fig. 5. (a) Parameter space a15 × a8 and (b) magnification (yellow rectangle in the panel (a)) showing periodic attractors (black), chaotic attractors (white), bifurcations
(blue), equilibrium points (green), and divergent points (red), where the gold dashed line is given by a15 = 0.32 − 0.04a8 − 0.03a28 . We consider a1 = 2.04 and a7 = 2.01. (c)
Parameter space a1 × a7 and (d) magnification (yellow retangle in the panel (c)), where the gold dashed line is given by a1 = −0.17 + 1.30a7 − 0.10a27 . We consider a8 = 1.15
and a15 = 0.24. (For interpretation of the references to colour in this figure legend, the reader is referred to the web version of this article.)
the largest Lyapunov exponent λ1 is positive [27–29]. In Fig. 2(b), mension equal to 1.42. The LSE is defined as the local slopes of the
the chaotic regions (λ1 > 0) end abruptly when periodic windows correlation sum curves [31].
appear (λ1 < 0). For large values of a7 , the system can be chaotic In Fig. 3(b), we plot the AMI as a function of the time de-
[11]. Large a7 values are associated with hyperinsulinemia, namely lay. The AMI quantifies the dependence between pairs of variables
the amount of insulin circulating in the blood is greater than nor- [32]. We verify that the value of the correlation dimension com-
mal. Hyperinsulinemia can lead to the type 2 diabetes [30]. puted using the time series from the model is in the interval ob-
tained from the database of ten patients. We also observe that
the AMI has the same behaviour as the one reported from the
database [18]. To compute the LSE and AMI, we use the “nonlin-
3. Model validation
earTseries” [33], which is a R package for nonlinear time series
analysis.
3.1. Local scaling exponents and average mutual information
Ginoux et al. [18] computed the Lyapunov exponent, the cor- 3.2. Boxplot of experimental data
relation dimension, and the average mutual information (AMI) of
glucose for a database of ten type 1 diabetes patients. For each pa- The boxplot is a graphical technique that displays the distribu-
tient, the blood glucose continuous variations were recorded dur- tion of quantitative data and allows the comparison among vari-
ing fourteen consecutive days. They observed positive a maximal ables [34]. It gives information on how the values in a data are
Lyapunov exponent. The values of the correlation dimension var- spread out and about the skewness [35]. We compute the box-
ied between 1.20 and 2.61, and the AMI did not have a local mini- plot for the diabetes data sets provided by Kahn [36]. The data are
mum. To compare the time series generated by the glucose-insulin from diabetes mellitus, in which the patients are insulin deficient.
model with the database of glucose from ten patients, we compute We consider the data recorded for the pre-breakfast blood glucose
the correlation dimension and the AMI for the parameters shown measurements.
in Table 1. For these parameters, the maximal Lyapunov exponent In Fig. 4, the green boxes show the results from the experimen-
is positive. Fig. 3(a) shows the local scaling exponents (LSE) as a tal data of 70 patients, while the yellow boxes exhibit the results
function of the distance r apart, where we find the correlation di- for the glucose-insulin model. The red circles correspond to the av-
78
J. Trobia, S.L.T. de Souza, M.A. dos Santos et al. Chaos, Solitons and Fractals 155 (2022) 111753
erage glucose, the center black lines denote the median, and the
vertical box size is the interquartile range (IQR) given by the dif-
ference between the third Q3 and first Q1 quartiles. The lower Ll
and upper Lu limits (vertical dashed line) are calculated by
Ll = Q1 − 1.5 IQR (3)
and
Lu = Q3 + 1.5 IQR, (4)
respectively. We observe that the yellow box not only present the
same behaviour as the green boxes, but it is also within the lower
and upper limits of the green boxes. Therefore, we verify an agree-
ment between the results from the glucose-insulin model with ex-
perimental data.
We consider the parameters shown in Table 1 to generate the
model data. For the comparasion between experimental data and
model, we multiply the data from the model by 170.8, which is
the average glucose of the experimental data.
4. Dynamical behaviour
79
J. Trobia, S.L.T. de Souza, M.A. dos Santos et al. Chaos, Solitons and Fractals 155 (2022) 111753
Fig. 7. hmax versus η when applying a parametric perturbation in (a) a1 for = 3, (b) a7 for = 1.6, (c) a8 for = 4.1, and (d) a15 for = 1. We consider a1 = 2.04,
a7 = 2.01, a8 = 1.15, and a15 = 0.24, according to the red cross indicated in Fig. 6(b).
that, we compute the fraction of trajectories f (ε ) that are gen- linear and can exhibit chaotic behaviour. The model has parame-
erated by uncertain initial conditions, where ε is the radius of a ters related to interactions between insulin, glucose, and β cells.
circle of initial conditions. The values of f (ε ) scale as a power law Depending on the parameters, it is possible to study different
with ε as [24] disorders, for instance, hypoglycemia and hyperinsulinemia. With
regard to the parameters, we find domains with islands of pe-
f (ε ) ∼ ε δ . (5) riodicity within a chaotic sea, known as shrimp structures. We
Fig. 8(c) shows f (ε ) as a function of ε for the same parameters observe shrimps of different size and intersections among their
used in Fig. 8(b) (green square). The red line corresponds to the structures. The parameter changes that, in the model, give tran-
linear fitting in the log-log plot with δ = 0.134. As a result, we find sitions between different dynamic structures, may suggest phar-
d = 2 − δ = 1.866, indicating that the basin boundary has a fractal macologic or other strategies for controlling insulin and glucose
structure. dynamics.
We consider a periodic parametric perturbation to study the
parametric dependence of the glucose-insulin system. We verify
5. Conclusions
that the chaotic behaviour is suppressed for different amplitude
and frequency of the perturbation. In our simulations, we uncover
Insulin is a hormone produced by the β cells in the pan-
basins of attraction whose boundaries have fractal structures in the
creas and controls the glucose levels. Its main function is to al-
glucose-insulin system under parametric perturbations.
low glucose to enter the cells and to be used for energy. The
The fractal structure provides us the knowledge about the
lack of insulin production or insulin resistance leads to type 1 or
lack of predictability related to the dynamical system. More-
type 2 diabetes, respectively. Experimental and analytical meth-
over, the fractal basin boundaries are responsible for the emer-
ods have been used to investigate how insulin and glucose work
gence of long chaotic transients, as well as the death of
together.
chaotic attractors [45]. In future works, we plan to propose a
In this work, we study a glucose-insulin system proposed by
new mathematical model using as a base the observed fractal
Shabestari et al. [11], in which cubic functions were added to a
structures.
prey-predator model. Due to these functions, the model is non-
80
J. Trobia, S.L.T. de Souza, M.A. dos Santos et al. Chaos, Solitons and Fractals 155 (2022) 111753
Acknowledgements
References
81
J. Trobia, S.L.T. de Souza, M.A. dos Santos et al. Chaos, Solitons and Fractals 155 (2022) 111753
[31] Dingwell JB, Cusumano JP. Nonlinear time series analysis of normal and patho- [38] Medeiros ES, de Souza SLT, Medrano TRO, Caldas IL. Replicate periodic win-
logical human walking. Chaos 20 0 0;10:848–63. dows in the parameter space of driven oscillators. Chaos, Solitons Fractals
[32] Thomas RD, Moses NC, Semple EA, Strang AJ. An efficient algorithm for the 2011;44:982–9.
computation of average mutual information: validation and implementation in [39] Gallas JAC. Structure of the parameter space of the Hénon map. Phys Rev Lett
matlab. J Math Psychol 2014;61:45–59. 1993;70:2714–17.
[33] Garcia C.A.. Package ‘nonlineartseries’, vienna: R package version 0.2.3. access [40] Gallas JAC. Dissecting shrimps: results for some one-dimensiona physical mod-
in: 25 april 2021. 2015. Available in: https://github.com/constantino-garcia/ els. Phys A 1994;202:196–223.
nonlinearTseries. [41] Zou Y, Thiel M, Romano MC, Kurths J. Shrimp structure and associated dynam-
[34] Frigge M, Hoaglin DC, Iglewicz B. Some implementations of the boxplot. Am ics in parametrically excited oscillators. Int J Bifurc Chaos 2006;16:3567–79.
Stat 1989;43:50–4. [42] Perumal TM, Gunawan R. Understanding dynamics using sensitivity analysis:
[35] Hubert M, Vandervieren E. An adjusted boxplot for skewed distributions. Com- caveat and solution. BMC Syst Biol 2011;5:41.
put Stat Data Anal 2008;52:5186–201. [43] Costa DR, Francisco MH, Batista AM. Parametric perturbation in a model that
[36] Kahn M. AIM-94 data set from Michael Kahn, MD, Ph.D. St describes the neuronal membrane potential. Phys A 2019;515:519–25.
Louis, Missouri: Washington University; 1984. Acess in: 25 April [44] Dalchau N. Understanding biological timing using mechanistic and black-box
2021. Available in: https://gitlab.fit.cvut.cz/wudipetr/miadm/tree/ model. New Phytol 2012;193:852–8.
a4bb5e5932c9e922df935d776d4bd69bc2a6f7e0/semestralka/data/diabetes [45] Aguirre J, Viana RL, Sanjuán MAF. Fractal structures in nonlinear dynamics. Rev
[37] Oliveira DFM, Robnik M, Leonel ED. Shrimp-shape domains in a dissipative Mod Phys 2009;81:333–86.
kicked rotator. Chaos 2011;21:043122.
82