Wat moet gepersonaliseerd worden, precisiebehandeling van kanker er in de toekomst uitziet? We weten dat mensen anders zijn, hun tumoren zijn anders, en ze reageren verschillend op verschillende therapieën. Medische teams van de toekomst kunnen misschien een "virtuele tweeling" van een persoon en hun tumor creëren. Vervolgens, door op supercomputers te tikken, door artsen geleide teams zouden kunnen simuleren hoe tumorcellen zich gedragen om miljoenen (of miljarden) mogelijke behandelingscombinaties te testen. uiteindelijk, de beste combinaties kunnen aanwijzingen bieden voor een gepersonaliseerde, effectief behandelplan.

Klinkt als wishfull thinking? De eerste stappen in de richting van deze visie zijn gezet door een onderzoekssamenwerking met meerdere instellingen, waaronder Jonathan Ozik en Nicholson Collier, computationele wetenschappers van het Argonne National Laboratory van het Amerikaanse Department of Energy.

Het onderzoeksteam, waaronder medewerkers van de Indiana University en het University of Vermont Medical Center, bracht de kracht van high-performance computing naar de netelige uitdaging om de immunotherapie van kanker te verbeteren. Het team gebruikte twee supercomputers in Argonne en de Universiteit van Chicago, de ontdekking dat high-performance computing aanwijzingen kan opleveren in de strijd tegen kanker, zoals besproken in een artikel van 7 juni gepubliceerd in Molecular Systems Design and Engineering.

“Met deze nieuwe aanpak onderzoekers kunnen agent-gebaseerde modellering op meer wetenschappelijk robuuste manieren gebruiken." -Nicholson Collier, computerwetenschapper aan Argonne en de Universiteit van Chicago.

Opstaan ​​tegen kanker

Immunotherapie tegen kanker is een veelbelovende behandeling die uw immuunsysteem opnieuw op één lijn brengt om kankercellen te verminderen of te elimineren. de therapie, echter, helpt slechts 10 tot 20 procent van de patiënten - deels omdat de manier waarop kankercellen en immuuncellen zich vermengen complex en slecht begrepen is. Bewezen regels zijn schaars.

Om te beginnen met het ontdekken van de regels van immunotherapie, het team wendde zich tot een set van drie tools:

• Agent-gebaseerde modellering, die het gedrag voorspelde van individuele "agentia" - kanker en immuuncellen, in dit geval
• De bekroonde workflowtechnologie van Argonne om optimaal te profiteren van de supercomputers
• Een leidend raamwerk om modellen te verkennen en resultaten dynamisch te sturen en te volgen

Het trio opereert in een hiërarchie. Het frame, ontwikkeld door Ozik, Collier, Argonne collega's, en Garry An, een chirurg en professor aan het University of Vermont Medical Center, heet Extreme-scale Model Exploration with Swift (EMEWS). Het houdt toezicht op het op agenten gebaseerde model en het workflowsysteem, de Swift/T parallelle scripttaal, ontwikkeld aan Argonne en de Universiteit van Chicago.

Wat is er uniek aan deze combinatie van tools? "We helpen meer mensen in verschillende computationele wetenschapsgebieden om grootschalige experimenten met hun modellen te doen, " zei Ozik, die net als Collier een gezamenlijke aanstelling heeft aan de Universiteit van Chicago. "Een model bouwen is leuk. Maar zonder supercomputers, het is moeilijk om echt het volledige potentieel te begrijpen van hoe modellen zich kunnen gedragen."

Slimmer werken, niet moeilijker

Het team zocht gesimuleerde scenario's waarin:

• Er groeiden geen extra kankercellen
• 90 procent van de kankercellen stierf
• 99 procent van de kankercellen stierf

Ze ontdekten dat er in 19 procent van de simulaties geen kankercellen groeiden, 9 op de 10 kankercellen stierven in 6 procent van de simulaties, en 99 van de 100 kankercellen stierven in ongeveer 2 procent van de simulaties.

Het team begon met een op agenten gebaseerd model, gebouwd met het PhysiCell-framework, ontworpen door Paul Macklin van Indiana University om kanker en andere ziekten te onderzoeken. Ze kenden elke kanker- en immuuncelkenmerken toe:geboorte- en sterftecijfers, bijvoorbeeld - die hun gedrag bepalen en ze vervolgens loslaten.

"We gebruiken agent-gebaseerde modellering om veel problemen aan te pakken, "zei Ozik. "Maar deze modellen zijn vaak rekenintensief en produceren veel willekeurige ruis."

Het zou onpraktisch zijn geweest om elk mogelijk scenario binnen het PhysiCell-model te onderzoeken. "Je kunt niet de hele mogelijke gedragsruimte van het model afdekken, " zei Collier. Dus het team moest slimmer werken, niet moeilijker.

Het team vertrouwde op twee benaderingen:genetische algoritmen en actief leren, dat zijn vormen van machinaal leren - om het PhysiCell-model te begeleiden en de parameters te vinden die de gesimuleerde kankercellen het beste beheersen of doden.

Genetische algoritmen zoeken die ideale parameters door het model te simuleren, zeggen, 100 keer en het meten van de resultaten. Het model herhaalt het proces vervolgens keer op keer met steeds beter presterende parameterwaarden. "Het proces stelt u in staat om snel de beste set parameters te vinden, zonder elke combinatie te hoeven uitvoeren, ' zei Collier.

Actief leren is anders. Het simuleert ook herhaaldelijk het model, maar, zoals het doet, het probeert regio's met parameterwaarden te ontdekken waar het het meest voordelig zou zijn om verder te verkennen om een ​​volledig beeld te krijgen van wat werkt en wat niet. Met andere woorden, "waar u kunt proeven om de beste waar voor uw geld te krijgen, ' zei Ozik.

In de tussentijd, Argonne's EMEWS gedroeg zich als een dirigent, het signaleren van de genetische en actieve leeralgoritmen op de juiste momenten en het coördineren van het grote aantal simulaties op Argonne's Bebop-cluster in het Laboratory Computing Resource Center, evenals op de Beagle-supercomputer van de Universiteit van Chicago.

Verder gaan dan geneeskunde

Het onderzoeksteam past vergelijkbare benaderingen toe op uitdagingen bij verschillende soorten kanker, inclusief dubbele punt, borst- en prostaatkanker.

Het EMEWS-raamwerk van Argonne kan inzichten bieden op gebieden buiten de geneeskunde. Inderdaad, Ozik en Collier gebruiken het systeem momenteel om de complexiteit van zeldzame aardmetalen en hun toeleveringsketens te onderzoeken. “Met deze nieuwe aanpak onderzoekers kunnen agent-gebaseerde modellering op meer wetenschappelijk robuuste manieren gebruiken, ' zei Collier.