¿Cómo debería ser un tratamiento de cáncer personalizado y de precisión en el futuro? Sabemos que las personas son diferentes, sus tumores son diferentes y responden de manera diferente a diferentes terapias. Los equipos médicos del futuro podrían crear un "gemelo virtual""de una persona y su tumor. Luego, al tocar las supercomputadoras, los equipos dirigidos por médicos podrían simular cómo se comportan las células tumorales para probar millones o miles de millones de posibles combinaciones de tratamiento. En última instancia, las mejores combinaciones podrían ofrecer pistas para un tratamiento personalizado y efectivoplan.
¿Suena como una ilusión? Los primeros pasos hacia esta visión han sido llevados a cabo por una colaboración de investigación de varias instituciones que incluye a Jonathan Ozik y Nicholson Collier, científicos computacionales en el Laboratorio Nacional Argonne del Departamento de Energía de EE. UU.
El equipo de investigación, que incluye colaboradores en la Universidad de Indiana y el Centro Médico de la Universidad de Vermont, llevó el poder de la informática de alto rendimiento al desafío espinoso de mejorar la inmunoterapia del cáncer. El equipo aprovechó las supercomputadoras gemelas en Argonne y la Universidad de Chicago,encontrar que la informática de alto rendimiento puede proporcionar pistas para combatir el cáncer, como se discutió en un artículo del 7 de junio publicado en Molecular Systems Design and Engineering.
"Con este nuevo enfoque, los investigadores pueden usar el modelado basado en agentes de formas más sólidas científicamente". - Nicholson Collier, científico computacional en Argonne y la Universidad de Chicago
frente al cáncer
La inmunoterapia contra el cáncer es un tratamiento prometedor que realinea su sistema inmunitario para reducir o eliminar las células cancerosas. Sin embargo, la terapia solo ayuda del 10 al 20 por ciento de los pacientes, en parte porque la forma en que las células cancerosas y las células inmunes se mezclan es compleja ymal entendido. Las reglas comprobadas son escasas.
Para comenzar a descubrir las reglas de la inmunoterapia, el equipo recurrió a un conjunto de tres herramientas :
El trío opera en una jerarquía. El marco, desarrollado por Ozik, Collier, colegas de Argonne y Gary An, cirujano y profesor del Centro Médico de la Universidad de Vermont, se llama Exploración de modelos a gran escala con Swift EMEWS.Supervisa el modelo basado en agentes y el sistema de flujo de trabajo, el lenguaje de scripting paralelo Swift / T, desarrollado en Argonne y la Universidad de Chicago.
¿Qué tiene de especial esta combinación de herramientas? "Estamos ayudando a más personas en una variedad de campos de la ciencia computacional a hacer experimentos a gran escala con sus modelos", dijo Ozik, quien, como Collier, tiene una cita conjunta enUniversidad de Chicago. "Construir un modelo es divertido. Pero sin supercomputadoras, es difícil comprender realmente todo el potencial de cómo pueden comportarse los modelos".
Trabajando de manera más inteligente, no más difícil
El equipo buscó encontrar escenarios simulados en los que :
Encontraron que no crecieron células cancerosas en el 19 por ciento de las simulaciones, 9 de cada 10 células cancerosas murieron en el 6 por ciento de las simulaciones, y 99 de cada 100 células cancerosas murieron en aproximadamente el 2 por ciento de las simulaciones.
El equipo comenzó con un modelo basado en agentes, construido con el marco PhysiCell, diseñado por Paul Macklin de la Universidad de Indiana para explorar el cáncer y otras enfermedades. Asignaron a cada cáncer y características de las células inmunes, por ejemplo, las tasas de natalidad y mortalidad.que gobiernan su comportamiento y luego los sueltan.
"Usamos modelos basados en agentes para abordar muchos problemas", dijo Ozik. "Pero estos modelos a menudo son computacionalmente intensivos y producen mucho ruido aleatorio".
Explorar todos los escenarios posibles dentro del modelo PhysiCell no hubiera sido práctico. "No se puede cubrir todo el espacio de comportamiento posible del modelo", dijo Collier. Por lo tanto, el equipo necesitaba trabajar de manera más inteligente, no más duro.
El equipo se basó en dos enfoques: algoritmos genéticos y aprendizaje activo, que son formas de aprendizaje automático, para guiar el modelo PhysiCell y encontrar los parámetros que mejor controlaban o eliminaban las células cancerosas simuladas.
Los algoritmos genéticos buscan esos parámetros ideales simulando el modelo, por ejemplo, 100 veces y midiendo los resultados. El modelo repite el proceso una y otra vez utilizando valores de parámetros de mejor rendimiento cada vez ". El proceso le permite encontrar el mejor conjuntode parámetros rápidamente, sin tener que ejecutar cada combinación ", dijo Collier.
El aprendizaje activo es diferente. También simula repetidamente el modelo, pero, a medida que lo hace, intenta descubrir regiones de valores de parámetros donde sería más ventajoso explorar más a fondo para obtener una imagen completa de lo que funciona y lo que noEn otras palabras, "donde puedes probar para obtener la mejor inversión", dijo Ozik.
Mientras tanto, EMEWS de Argonne actuó como un conductor, señalando los algoritmos de aprendizaje genético y activo en los momentos correctos y coordinando la gran cantidad de simulaciones en el cluster Bebop de Argonne en su Centro de Recursos de Computación de Laboratorio, así como en la supercomputadora Beagle de la Universidad de Chicago.
ir más allá de la medicina
El equipo de investigación está aplicando enfoques similares a los desafíos en diferentes tipos de cáncer, incluidos el cáncer de colon, mama y próstata.
El marco EMEWS de Argonne puede ofrecer información en áreas más allá de la medicina. De hecho, Ozik y Collier actualmente están utilizando el sistema para explorar las complejidades de los metales de tierras raras y sus cadenas de suministro ". Con este nuevo enfoque, los investigadores pueden utilizar modelos basados en agentes enformas científicamente más sólidas ", dijo Collier.
El equipo también incluyó a Randy Heiland, analista de sistemas senior y programador de la Universidad de Indiana. Los investigadores de Argonne fueron financiados por los Institutos Nacionales de Salud.
Fuente de la historia :
Materiales proporcionado por DOE / Laboratorio Nacional de Argonne . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :