Computational simulation of gliomas using stochastic methods
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Outros Autores: | , , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Pesquisa e Ensino em Ciências Exatas e da Natureza |
Texto Completo: | https://cfp.revistas.ufcg.edu.br/cfp/index.php/RPECEN/article/view/1285 |
Resumo: | Gliomas são tumores cerebrais primários agressivos e invasivos, no qual o mais comum e maligno, glioblastoma multiforme, possui uma combinação de rápido crescimento e invasibilidade. Com o avanço na capacidade de processamento e armazenamento de dados, a utilização de métodos estocásticos para a simulação de problemas físicos reais vem se tornando cada vez mais frequentes. O objetivo do trabalho é simular computacionalmente o crescimento do glioma resolvendo uma equação de reação-difusão em 1D, pelo método de Crank-Nicolson e transpor essa solução para uma geometria 3D por meio do método do Cone Causal e de Monte Carlo. Os resultados obtidos fornecem informações da evolução do raio, concentração de células cancerosas, volume e uma visualização em 3D do tumor. Estes resultados encontrados se mostraram satisfatórios quando comparado com trabalhos que estudam o crescimento tumoral.Palavras chave: Equação de Reação-Difusão, Gliomas, Método do Cone Causal, Método de Monte Carlo, Método de Diferenças Finitas. |
id |
UFCG-5_609386e5cc20f7dd7399136be0e4fb83 |
---|---|
oai_identifier_str |
oai:ojs.cfp.revistas.ufcg.edu.br:article/1285 |
network_acronym_str |
UFCG-5 |
network_name_str |
Pesquisa e Ensino em Ciências Exatas e da Natureza |
repository_id_str |
|
spelling |
Computational simulation of gliomas using stochastic methodsGliomas são tumores cerebrais primários agressivos e invasivos, no qual o mais comum e maligno, glioblastoma multiforme, possui uma combinação de rápido crescimento e invasibilidade. Com o avanço na capacidade de processamento e armazenamento de dados, a utilização de métodos estocásticos para a simulação de problemas físicos reais vem se tornando cada vez mais frequentes. O objetivo do trabalho é simular computacionalmente o crescimento do glioma resolvendo uma equação de reação-difusão em 1D, pelo método de Crank-Nicolson e transpor essa solução para uma geometria 3D por meio do método do Cone Causal e de Monte Carlo. Os resultados obtidos fornecem informações da evolução do raio, concentração de células cancerosas, volume e uma visualização em 3D do tumor. Estes resultados encontrados se mostraram satisfatórios quando comparado com trabalhos que estudam o crescimento tumoral.Palavras chave: Equação de Reação-Difusão, Gliomas, Método do Cone Causal, Método de Monte Carlo, Método de Diferenças Finitas.Unidade Acadêmica de Ciências Exatas e da Natureza/CFP/UFCGBarbosa, Otávio XavierAssis, Weslley Luiz da SilvaGarcia, Vanessa da SilvaAlvarez, Gustavo Benitez2019-12-10info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://cfp.revistas.ufcg.edu.br/cfp/index.php/RPECEN/article/view/128510.29215/pecen.v3i2.1285Pesquisa e Ensino em Ciências Exatas e da Natureza; v. 3, n. 2 (2019): Pesquisa e Ensino em Ciências Exatas e da Natureza2526-823610.29215/pecen.v3i2reponame:Pesquisa e Ensino em Ciências Exatas e da Naturezainstname:Universidade Federal de Campina Grande (UFCG)instacron:UFCGporhttps://cfp.revistas.ufcg.edu.br/cfp/index.php/RPECEN/article/view/1285/pdf/*ref*/Alves A.L.M. (2015) Simulação Computacional de Reações com Nucleação e Crescimento de Fases Simultâneas e Sequenciais pelo Método do Cone Causal. Dissertação de Mestrado, Programa de Pós-Graduação em Engenharia Metalúrgica. Universidade Federal Fluminense, Volta Redonda, Rio de Janeiro./*ref*/Alves A.L.M., da Fonseca G.D., da Costa M.F.B., Assis W.L.S. & Rios P.R. (2018) Evolution of Individual Grains in 3D Micro-structure Generated by Computational Simulation of Transformations Involving Two Phases. Materials Science Forum, 930: 305–310. https://doi.org/10.4028/www.scientific.net/MSF.930.305 Bellomo N., Chaplain M. & De Angelis E. (2008) Selected Topics in Cancer Modeling: Genesis, Evolution, Immune Competition, and Therapy. Boston: Birkhäuser. 473 p./*ref*/Brzezniak Z. & Zastawniak T. (2005) Basic Stochastic Processes. Springer-Verlag London: Springer. 200 p./*ref*/Burgess P.K., Kulesa P.M., Murray J.D. & Alvord E.C. (1997) The interaction of growth rates and diffusion coefficients in a three-dimensional mathematical model of gliomas. Journal of Neuropathology and Experimental Neurology, 56(6): 704–713. https://doi.org/10.1097/00005072-199756060-00008/*ref*/Cahn J.W. (1996) The Time Cone Method for Nucleation and Growth Kinetics on a Finite Domain. Materials Research Society Symposium - Proceedings, 398: 425–437. DOI: https://doi.org/10.1557/PROC-398-425/*ref*/Chaplain M.A.J. (2008) Modelling Aspects of Cancer Growth: Insight from Mathematical and Numerical Analysis and Computational Simulation (p. 147–200). In: Capasso V. & Lachowicz M. (Eds). Multiscale Problems in the Life Sciences. Lecture Notes in Mathematics. Volume 1940. Heidelberg: Springer. 323 p./*ref*/Cruywagen G.C., Tracqui P., Woodward D.E., Cook J., Murray J.D. & Alvord E.C. (1995) The modeling of diffusive tumours. Journal of Biological Systems, 3: 937–945. https://doi.org/10.1142/S0218339095000836/*ref*/da Fonseca G.D., Alves A.L.M., da Costa M.F.B., Lyrio M.S., Assis W.L.S. & Rios P.R. (2018) Modeling and Simulation of Nucleation and Growth Transformations with Nucleation on Interfaces of Kelvin Polihedra Network. Materials Science Forum, 930: 299–304. https://doi.org/10.4028/www.scientific.net/MSF.930.299/*ref*/Deisboeck T.S. & Stamatakos G.S. (2010) Multiscale Cancer Modeling. Boca Raton: CRC Press. 484 p./*ref*/de Jesus J.C. (2014) Modelagem do Crescimento de Glioma por Séries Temporais em Resposta à Radioterapia. Dissertação de Mestrado, Programa de Pós-graduação em Modelagem Computacional em Ciência e Tecnologia. Universidade Federal Fluminense, Volta Redonda, Rio de Janeiro./*ref*/da Silva J.J. (2014) Modelagem Computacional Aplicada ao Tratamento de Câncer Via Medicina Nuclear. Dissertação de Mestrado, Programa de Pós-graduação em Modelagem Computacional em Ciência e Tecnologia. Universidade Federal Fluminense, Volta Redonda, Rio de Janeiro./*ref*/de Souza É.B. (2015) Otimização do plano de tratamento por radioterapia em pacientes com gliomas via algoritmos genéticos. Dissertação de Mestrado, Programa de Pós-graduação em Modelagem Computacional em Ciência e Tecnologia. Universidade Federal Fluminense, Volta Redonda, Rio de Janeiro./*ref*/Elaff I. (2018) Comparative study between spatio-temporal models for brain tumor growth. Biochemical and Biophysical Research Communications, 496(4): 1263–1268. https://doi.org/10.1016/j.bbrc.2018.01.183/*ref*/Franco N.M.B. (2007) Cálculo Numérico. São Paulo: Pearson Education. 520 p./*ref*/Hirsch C. (2007) Numerical Computation of Internal and External Flows. Great Britain: Elsevier. 715 p./*ref*/Junior S.C.F. (2003) Modelos de Reação Difusão para o Crescimento de Tumores. Tese de Doutorado, Programa de Pós-Graduação em Física. Universidade Federal de Minas Gerais, Instituto de Ciências Exatas, Departamento de Física, Belo Horizonte, Minas Gerais./*ref*/Kansal A.R., Torquato S., Harsh IV G.R., Chiocca E.A. & Deisboeck T.S. (2000) Cellular automaton of idealized brain tumor growth dynamics. Bio Systems, 55: 119–127. https://doi.org/10.1016/S0303-2647(99)00089-1/*ref*/LeSar R. (2013) Introduction to Computational Materials Science: Fundamentals to Applications. New York: Cambridge University Press. 427 p./*ref*/Murray J.D. (2003) Mathematical Biology II: Spatial Models and Biomedical Applications. 3° edition. Heidelberg: Springer. 814 p./*ref*/Nelson B.L. (2010) Stochastic Modeling: Analysis and Simulation. New York: Dover. 338 p./*ref*/Ribeiro T.C.S. (2011) Simulação Computacional da Microestutura das Transformções por Nucleação e Crescimento. Tese de Doutorado, Programa de Pós-Graduação em Engenharia Metalúrgica. Universidade Federal Fluminense, Centro Tecnológico, Escola de Engenharia Industrial Metalúrgica de Volta Redonda, Volta Redonda, Rio de Janeiro./*ref*/Rockne R., Alvord E.C., Rockhill J.K. & Swanson K.R. (2009) A mathematical model for brain tumor response to radiation therapy. Journal of Mathematical Biology, 58(4-5): 561–578. https://doi.org/10.1007/s00285-008-0219-6/*ref*/Rodríguez C.R., Calvo G.F., Ramis-Conde I. & Belmonte-Beitia J. (2017) Stochastic modelling of slow-progressing tumors: Analysis and applications to the cell interplay and control of lowgrade gliomas. Communications in Nonlinear Science and Numerical Simulation, 49: 63–80. https://doi.org/10.1016/j.cnsns.2017.02.008/*ref*/Smolle J.S.H. (1993) Computer simulation of tumor cell invasion by a stochastic. Journal of Theoretical Biology, 160: 63–72. https://doi.org/10.1006/jtbi.1993.1004/*ref*/Swanson K.R., Alvord J. & Murray J.D. (2000) A quantitative model for differential motility of gliomas in grey and white matter. Cell Proliferation, 33(5): 317–329. https://doi.org/10.1046/j.1365-2184.2000.00177.x./*ref*/Swanson K.R., Bridge C., Murray J.D. & Alvord E.C. (2003) Virtual and real brain tumors: Using mathematical modeling to quantify glioma growth and invasion. Journal of the Neurological Sciences, 216(1): 1–10. https://doi.org/10.1016/j.jns.2003.06.001/*ref*/Tanaka M.L., Debinski W. & Puri I.K. (2009) Hybrid mathematical model of glioma progression. Cell Proliferation, 42(5): 637–646. https://doi.org/10.1111/j.1365-2184.2009.00631.x/*ref*/Tracqui P., Woodward D.E., Cook J., Cruywagen G.C., Murray J.D. & Alvord E.C. (1995) A mathematical model of glioma growth: the effect of chemotherapy on spatio-temporal growth. Cell proliferation, 28: 17–31. https://doi.org/10.1111/j.1365-2184.1995.tb00036.x/*ref*/Unkelbach J., Menze B.H., Konukoglu E., Dittmann F., Le M., Ayache N. & Shih H.A. (2014) Radiotherapy planning for glioblastoma based on a tumor growth model: Improving target volume delineation. Physics in Medicine and Biology, 59(3): 747–770. https://doi.org/10.1088/0031-9155/59/3/747/*ref*/Ventura H., Alves A.L.M., Assis W.L.S. & Rios P.R. (2018) Influence of an exclusion radius around each nucleus on the microstructure and transformation kinetics. Materialia, 2: 167–175. https://doi.org/10.1016/j.mtla.2018.07.009/*ref*/Yoriyaz H. (2009) Método de Monte Carlo: princípios e aplicações em Física Médica. Revista Brasileira de Física Médica, 3(1): 141–149. http://dx.doi.org/10.29384/rbfm.2009.v3.n1.p141-149Direitos autorais 2019 Autor e Revista mantêm os direitos da publicaçãoinfo:eu-repo/semantics/openAccess2022-08-31T14:45:00Zoai:ojs.cfp.revistas.ufcg.edu.br:article/1285Revistahttps://cfp.revistas.ufcg.edu.br/cfp/index.php/RPECENPUBhttps://cfp.revistas.ufcg.edu.br/cfp/index.php/RPECEN/oai||cienciasexatasenatureza@gmail.com2526-82362526-8236opendoar:2022-08-31T14:45Pesquisa e Ensino em Ciências Exatas e da Natureza - Universidade Federal de Campina Grande (UFCG)false |
dc.title.none.fl_str_mv |
Computational simulation of gliomas using stochastic methods |
title |
Computational simulation of gliomas using stochastic methods |
spellingShingle |
Computational simulation of gliomas using stochastic methods Barbosa, Otávio Xavier |
title_short |
Computational simulation of gliomas using stochastic methods |
title_full |
Computational simulation of gliomas using stochastic methods |
title_fullStr |
Computational simulation of gliomas using stochastic methods |
title_full_unstemmed |
Computational simulation of gliomas using stochastic methods |
title_sort |
Computational simulation of gliomas using stochastic methods |
author |
Barbosa, Otávio Xavier |
author_facet |
Barbosa, Otávio Xavier Assis, Weslley Luiz da Silva Garcia, Vanessa da Silva Alvarez, Gustavo Benitez |
author_role |
author |
author2 |
Assis, Weslley Luiz da Silva Garcia, Vanessa da Silva Alvarez, Gustavo Benitez |
author2_role |
author author author |
dc.contributor.none.fl_str_mv |
|
dc.contributor.author.fl_str_mv |
Barbosa, Otávio Xavier Assis, Weslley Luiz da Silva Garcia, Vanessa da Silva Alvarez, Gustavo Benitez |
description |
Gliomas são tumores cerebrais primários agressivos e invasivos, no qual o mais comum e maligno, glioblastoma multiforme, possui uma combinação de rápido crescimento e invasibilidade. Com o avanço na capacidade de processamento e armazenamento de dados, a utilização de métodos estocásticos para a simulação de problemas físicos reais vem se tornando cada vez mais frequentes. O objetivo do trabalho é simular computacionalmente o crescimento do glioma resolvendo uma equação de reação-difusão em 1D, pelo método de Crank-Nicolson e transpor essa solução para uma geometria 3D por meio do método do Cone Causal e de Monte Carlo. Os resultados obtidos fornecem informações da evolução do raio, concentração de células cancerosas, volume e uma visualização em 3D do tumor. Estes resultados encontrados se mostraram satisfatórios quando comparado com trabalhos que estudam o crescimento tumoral.Palavras chave: Equação de Reação-Difusão, Gliomas, Método do Cone Causal, Método de Monte Carlo, Método de Diferenças Finitas. |
publishDate |
2019 |
dc.date.none.fl_str_mv |
2019-12-10 |
dc.type.none.fl_str_mv |
|
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://cfp.revistas.ufcg.edu.br/cfp/index.php/RPECEN/article/view/1285 10.29215/pecen.v3i2.1285 |
url |
https://cfp.revistas.ufcg.edu.br/cfp/index.php/RPECEN/article/view/1285 |
identifier_str_mv |
10.29215/pecen.v3i2.1285 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
https://cfp.revistas.ufcg.edu.br/cfp/index.php/RPECEN/article/view/1285/pdf /*ref*/Alves A.L.M. (2015) Simulação Computacional de Reações com Nucleação e Crescimento de Fases Simultâneas e Sequenciais pelo Método do Cone Causal. Dissertação de Mestrado, Programa de Pós-Graduação em Engenharia Metalúrgica. Universidade Federal Fluminense, Volta Redonda, Rio de Janeiro. /*ref*/Alves A.L.M., da Fonseca G.D., da Costa M.F.B., Assis W.L.S. & Rios P.R. (2018) Evolution of Individual Grains in 3D Micro-structure Generated by Computational Simulation of Transformations Involving Two Phases. Materials Science Forum, 930: 305–310. https://doi.org/10.4028/www.scientific.net/MSF.930.305 Bellomo N., Chaplain M. & De Angelis E. (2008) Selected Topics in Cancer Modeling: Genesis, Evolution, Immune Competition, and Therapy. Boston: Birkhäuser. 473 p. /*ref*/Brzezniak Z. & Zastawniak T. (2005) Basic Stochastic Processes. Springer-Verlag London: Springer. 200 p. /*ref*/Burgess P.K., Kulesa P.M., Murray J.D. & Alvord E.C. (1997) The interaction of growth rates and diffusion coefficients in a three-dimensional mathematical model of gliomas. Journal of Neuropathology and Experimental Neurology, 56(6): 704–713. https://doi.org/10.1097/00005072-199756060-00008 /*ref*/Cahn J.W. (1996) The Time Cone Method for Nucleation and Growth Kinetics on a Finite Domain. Materials Research Society Symposium - Proceedings, 398: 425–437. DOI: https://doi.org/10.1557/PROC-398-425 /*ref*/Chaplain M.A.J. (2008) Modelling Aspects of Cancer Growth: Insight from Mathematical and Numerical Analysis and Computational Simulation (p. 147–200). In: Capasso V. & Lachowicz M. (Eds). Multiscale Problems in the Life Sciences. Lecture Notes in Mathematics. Volume 1940. Heidelberg: Springer. 323 p. /*ref*/Cruywagen G.C., Tracqui P., Woodward D.E., Cook J., Murray J.D. & Alvord E.C. (1995) The modeling of diffusive tumours. Journal of Biological Systems, 3: 937–945. https://doi.org/10.1142/S0218339095000836 /*ref*/da Fonseca G.D., Alves A.L.M., da Costa M.F.B., Lyrio M.S., Assis W.L.S. & Rios P.R. (2018) Modeling and Simulation of Nucleation and Growth Transformations with Nucleation on Interfaces of Kelvin Polihedra Network. Materials Science Forum, 930: 299–304. https://doi.org/10.4028/www.scientific.net/MSF.930.299 /*ref*/Deisboeck T.S. & Stamatakos G.S. (2010) Multiscale Cancer Modeling. Boca Raton: CRC Press. 484 p. /*ref*/de Jesus J.C. (2014) Modelagem do Crescimento de Glioma por Séries Temporais em Resposta à Radioterapia. Dissertação de Mestrado, Programa de Pós-graduação em Modelagem Computacional em Ciência e Tecnologia. Universidade Federal Fluminense, Volta Redonda, Rio de Janeiro. /*ref*/da Silva J.J. (2014) Modelagem Computacional Aplicada ao Tratamento de Câncer Via Medicina Nuclear. Dissertação de Mestrado, Programa de Pós-graduação em Modelagem Computacional em Ciência e Tecnologia. Universidade Federal Fluminense, Volta Redonda, Rio de Janeiro. /*ref*/de Souza É.B. (2015) Otimização do plano de tratamento por radioterapia em pacientes com gliomas via algoritmos genéticos. Dissertação de Mestrado, Programa de Pós-graduação em Modelagem Computacional em Ciência e Tecnologia. Universidade Federal Fluminense, Volta Redonda, Rio de Janeiro. /*ref*/Elaff I. (2018) Comparative study between spatio-temporal models for brain tumor growth. Biochemical and Biophysical Research Communications, 496(4): 1263–1268. https://doi.org/10.1016/j.bbrc.2018.01.183 /*ref*/Franco N.M.B. (2007) Cálculo Numérico. São Paulo: Pearson Education. 520 p. /*ref*/Hirsch C. (2007) Numerical Computation of Internal and External Flows. Great Britain: Elsevier. 715 p. /*ref*/Junior S.C.F. (2003) Modelos de Reação Difusão para o Crescimento de Tumores. Tese de Doutorado, Programa de Pós-Graduação em Física. Universidade Federal de Minas Gerais, Instituto de Ciências Exatas, Departamento de Física, Belo Horizonte, Minas Gerais. /*ref*/Kansal A.R., Torquato S., Harsh IV G.R., Chiocca E.A. & Deisboeck T.S. (2000) Cellular automaton of idealized brain tumor growth dynamics. Bio Systems, 55: 119–127. https://doi.org/10.1016/S0303-2647(99)00089-1 /*ref*/LeSar R. (2013) Introduction to Computational Materials Science: Fundamentals to Applications. New York: Cambridge University Press. 427 p. /*ref*/Murray J.D. (2003) Mathematical Biology II: Spatial Models and Biomedical Applications. 3° edition. Heidelberg: Springer. 814 p. /*ref*/Nelson B.L. (2010) Stochastic Modeling: Analysis and Simulation. New York: Dover. 338 p. /*ref*/Ribeiro T.C.S. (2011) Simulação Computacional da Microestutura das Transformções por Nucleação e Crescimento. Tese de Doutorado, Programa de Pós-Graduação em Engenharia Metalúrgica. Universidade Federal Fluminense, Centro Tecnológico, Escola de Engenharia Industrial Metalúrgica de Volta Redonda, Volta Redonda, Rio de Janeiro. /*ref*/Rockne R., Alvord E.C., Rockhill J.K. & Swanson K.R. (2009) A mathematical model for brain tumor response to radiation therapy. Journal of Mathematical Biology, 58(4-5): 561–578. https://doi.org/10.1007/s00285-008-0219-6 /*ref*/Rodríguez C.R., Calvo G.F., Ramis-Conde I. & Belmonte-Beitia J. (2017) Stochastic modelling of slow-progressing tumors: Analysis and applications to the cell interplay and control of lowgrade gliomas. Communications in Nonlinear Science and Numerical Simulation, 49: 63–80. https://doi.org/10.1016/j.cnsns.2017.02.008 /*ref*/Smolle J.S.H. (1993) Computer simulation of tumor cell invasion by a stochastic. Journal of Theoretical Biology, 160: 63–72. https://doi.org/10.1006/jtbi.1993.1004 /*ref*/Swanson K.R., Alvord J. & Murray J.D. (2000) A quantitative model for differential motility of gliomas in grey and white matter. Cell Proliferation, 33(5): 317–329. https://doi.org/10.1046/j.1365-2184.2000.00177.x. /*ref*/Swanson K.R., Bridge C., Murray J.D. & Alvord E.C. (2003) Virtual and real brain tumors: Using mathematical modeling to quantify glioma growth and invasion. Journal of the Neurological Sciences, 216(1): 1–10. https://doi.org/10.1016/j.jns.2003.06.001 /*ref*/Tanaka M.L., Debinski W. & Puri I.K. (2009) Hybrid mathematical model of glioma progression. Cell Proliferation, 42(5): 637–646. https://doi.org/10.1111/j.1365-2184.2009.00631.x /*ref*/Tracqui P., Woodward D.E., Cook J., Cruywagen G.C., Murray J.D. & Alvord E.C. (1995) A mathematical model of glioma growth: the effect of chemotherapy on spatio-temporal growth. Cell proliferation, 28: 17–31. https://doi.org/10.1111/j.1365-2184.1995.tb00036.x /*ref*/Unkelbach J., Menze B.H., Konukoglu E., Dittmann F., Le M., Ayache N. & Shih H.A. (2014) Radiotherapy planning for glioblastoma based on a tumor growth model: Improving target volume delineation. Physics in Medicine and Biology, 59(3): 747–770. https://doi.org/10.1088/0031-9155/59/3/747 /*ref*/Ventura H., Alves A.L.M., Assis W.L.S. & Rios P.R. (2018) Influence of an exclusion radius around each nucleus on the microstructure and transformation kinetics. Materialia, 2: 167–175. https://doi.org/10.1016/j.mtla.2018.07.009 /*ref*/Yoriyaz H. (2009) Método de Monte Carlo: princípios e aplicações em Física Médica. Revista Brasileira de Física Médica, 3(1): 141–149. http://dx.doi.org/10.29384/rbfm.2009.v3.n1.p141-149 |
dc.rights.driver.fl_str_mv |
Direitos autorais 2019 Autor e Revista mantêm os direitos da publicação info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Direitos autorais 2019 Autor e Revista mantêm os direitos da publicação |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Unidade Acadêmica de Ciências Exatas e da Natureza/CFP/UFCG |
publisher.none.fl_str_mv |
Unidade Acadêmica de Ciências Exatas e da Natureza/CFP/UFCG |
dc.source.none.fl_str_mv |
Pesquisa e Ensino em Ciências Exatas e da Natureza; v. 3, n. 2 (2019): Pesquisa e Ensino em Ciências Exatas e da Natureza 2526-8236 10.29215/pecen.v3i2 reponame:Pesquisa e Ensino em Ciências Exatas e da Natureza instname:Universidade Federal de Campina Grande (UFCG) instacron:UFCG |
instname_str |
Universidade Federal de Campina Grande (UFCG) |
instacron_str |
UFCG |
institution |
UFCG |
reponame_str |
Pesquisa e Ensino em Ciências Exatas e da Natureza |
collection |
Pesquisa e Ensino em Ciências Exatas e da Natureza |
repository.name.fl_str_mv |
Pesquisa e Ensino em Ciências Exatas e da Natureza - Universidade Federal de Campina Grande (UFCG) |
repository.mail.fl_str_mv |
||cienciasexatasenatureza@gmail.com |
_version_ |
1797688385929740288 |