DOI: https://doi.org/10.3389/fphys.2025.1434739
PMID: https://pubmed.ncbi.nlm.nih.gov/40066281
تاريخ النشر: 2025-02-24
المؤلف: Georgios Stamatakos وآخرون
الموضوع الرئيسي: علم الأحياء الرياضي ونمو الأورام
نظرة عامة
تقدم البحث نموذجًا حسابيًا ميكانيكيًا متعدد المقاييس يهدف إلى محاكاة نمو ورم البروستاتا واستجابته للعلاج الإشعاعي، مما يمثل خطوة أساسية نحو إنشاء توأم رقمي، يُشار إليه باسم OncoSimulator. يركز هذا النموذج على الخصائص النسيجية للأورام واستجابتها الزمنية للعلاج. تشير النتائج الأولية إلى توافق نوعي مع البيانات التجريبية والسريرية الموجودة من مريضين، مما يشير إلى إمكانية النموذج للتحقق السريري والتطبيق الإضافي.
لتحسين معلمات النموذج وضمان التحقق السريري الدقيق، يتم جمع بيانات إضافية. يُتصور أن يكون OncoSimulator نظامًا متكاملًا تقنيًا سيسهل خطط العلاج الشخصية والتجارب السريرية الحاسوبية لمرضى سرطان البروستاتا الذين يخضعون للعلاج الإشعاعي، رهناً بالتحقق السريري الناجح والموافقة التنظيمية. يبرز البحث الطبيعة الأولية لنتائجه، مشددًا على جدوى النموذج وتصميمه وسلوكه الأساسي كعناصر أساسية للتطوير المستقبلي.
مقدمة
ت outlines مقدمة هذه الورقة البحثية تطور وأهمية الطب الحاسوبي (ISM)، مع التركيز بشكل خاص على علم الأورام الإشعاعي الحاسوبي كمجال رائد. منذ بدايته في عام 2002، تقدم ISM بسرعة، ليصبح جزءًا لا يتجزأ من مختلف المبادرات الأكاديمية والتنظيمية التي تهدف إلى تعزيز الوقاية من الأمراض، والتشخيص، وتحسين العلاج. تسلط الورقة الضوء على تطوير التوائم الرقمية في الطب، وبشكل خاص OncoSimulator، الذي يعمل كمنصة لتحسين علاج السرطان من خلال التجارب الحاسوبية. يهدف هذا التوأم الرقمي إلى تخصيص علاجات السرطان وتسهيل تصميم التجارب السريرية وتفسيرها.
تتناول الدراسة بشكل خاص سرطان البروستاتا (PCa)، وهو أكثر أنواع السرطان تشخيصًا لدى الرجال في أوروبا، مشددة على الحاجة إلى تحسين استراتيجيات العلاج الإشعاعي التي تأخذ في الاعتبار بيولوجيا الورم الفردية وتفضيلات المرضى. يقدم المؤلفون نموذجًا ميكانيكيًا جديدًا، متعدد المقاييس، زمني مكاني يحاكي نمو الورم واستجابته للعلاج الإشعاعي، مع دمج بيانات محددة للمرضى مثل التصوير وتفاصيل العلاج. تشير النتائج الأولية من تعديل إثبات المفهوم باستخدام البيانات السريرية إلى إمكانية النموذج في تحسين العلاج الإشعاعي. توضح تحليلات الحساسية سلوك النموذج فيما يتعلق بالمعلمات الرئيسية، مما يمهد الطريق للتحقق السريري المستقبلي ودمجه في نظام توأم رقمي شامل لعلاج السرطان المخصص.
الطرق
تصف قسم الطرق نموذجًا لنمو الورم واستجابة العلاج استنادًا إلى نهج خوارزمي للأحداث المنفصلة، مع التركيز بشكل خاص على انتقالات خلايا الورم عبر مراحل مختلفة من دورة الخلية. يعمل هذا النموذج ضمن إطار عمل متقطع، متجنبًا استخدام المعادلات التفاضلية، ويستخدم بيانات التصوير (مثل شرائح التصوير بالرنين المغناطيسي) لإبلاغ معلمات إعادة بناء الورم ثلاثي الأبعاد، مثل مستويات الأكسجة. تلتقط الخوارزمية التطور الزمني المكاني للورم وديناميات مجموعات الخلايا المختلفة، مع دمج العمليات البيولوجية الرئيسية مثل الانقسام الخلوي.
لتقييم حساسية النموذج، تم استخدام مؤشر حساسية لعامل واحد في كل مرة (SI)، والذي يقيم بشكل كمي تأثير تغييرات المعلمات على مقاييس الناتج، مثل حجم الورم النهائي ومعدلات النمو. تم تعديل المعلمات بنسبة ±5% أو ±2.5% عند الضرورة، وتم تطبيع التغييرات الناتجة في الناتج إلى ±1% من التغير في المدخلات. افترضت المحاكاة أورامًا متجانسة ماكروسكوبياً، مع قيم المعلمات التي تمثل المتوسطات المكانية، وتبعت جدول علاج محدد لتقييم فعالية النموذج.
النتائج
تقيم نتائج تحليل الحساسية بشكل كمي تأثير معلمات النموذج على نتائج المحاكاة، باستخدام المريض 1 كمرجع. توضح الشكل 12 نسبة التغيير في النتائج الرئيسية – وهي معدل النمو الأولي، ونسبة النمو الأولية، وحجم الورم في وقت التصوير بالرنين المغناطيسي بعد العلاج (119 يومًا بعد التصوير الأولي) – استجابة لتغير ±1% في كل معلمة من قيمتها الأساسية. من الجدير بالذكر أن التحليل يكشف عن استجابة غير متكافئة في تغييرات الناتج بالنسبة لقيم المعلمات الأساسية.
تؤثر آليتان بيولوجيتان رئيسيتان بشكل كبير على نتائج العلاج، كما هو موضح في الشكل 12A. أولاً، تسلط نسبة الخلايا الساكنة التي تعود إلى دورة الخلية (المشار إليها بـ $P_{G0 \to G1}$) الضوء على أهمية أكسجة الورم وتوافر المغذيات. ثانيًا، يبرز توافر الأكسجين والمغذيات، الممثل بشكل أساسي بنسبة الخلايا التي تنتقل إلى مرحلة ساكنة بعد الانقسام (المشار إليها بـ $P_{sleep}$)، الدور الحاسم لهذه العوامل في تحديد فعالية العلاج الإشعاعي.
المناقشة
في هذا القسم، يقدم المؤلفون نموذجًا شاملًا للانقسام الخلوي يحاكي نمو الورم واستجابته للعلاج، مع التركيز على دور مجموعات الخلايا غير المتجانسة، وخاصة خلايا جذع السرطان (CSCs). يصنف النموذج خلايا الورم إلى خمسة أنواع متميزة: خلايا جذعية، خلايا ذات قدرة انقسام محدودة (LIMP)، خلايا متمايزة، خلايا ميتة، وخلايا نخرية، كل منها بقدرات تكاثر متفاوتة. تحكم ديناميات هذه الخلايا عمليات بيولوجية مثل دورة الخلية، السكون، التمايز، وموت الخلايا، والتي يتم دمجها في إطار عمل آلي عشوائي. يسمح النموذج بمحاكاة سلوك الورم تحت ظروف مختلفة، بما في ذلك توافر المغذيات وتأثيرات العلاج، ويشمل نموذج الخط المستقيم-التربيعي (LQ) لوصف قتل الخلايا بواسطة الإشعاع.
تشمل تنفيذ النموذج شبكة ثلاثية الأبعاد متقطعة تمثل منطقة الورم، حيث تحتوي كل خلية هندسية (GC) على مزيج من الأنواع الخلوية المذكورة أعلاه. يتم هيكلة عملية المحاكاة في عدة خطوات، بما في ذلك تعريف الورم، وتهيئة المعلمات، وتطبيق القواعد الانقسامية والشكلية لمحاكاة نمو الورم واستجابته للعلاج. يبرز المؤلفون أهمية ضبط معلمات النموذج بدقة استنادًا إلى البيانات السريرية، مثل المعلومات النسيجية والتصويرية، لضمان سلوك ورم بيولوجي واقعي. بشكل عام، يهدف النموذج إلى تقديم رؤى حول ديناميات الورم وفعالية العلاج، خاصة في سياق سرطان البروستاتا، من خلال التقاط التفاعلات المعقدة بين مجموعات الخلايا المختلفة وبيئتها الدقيقة.
DOI: https://doi.org/10.3389/fphys.2025.1434739
PMID: https://pubmed.ncbi.nlm.nih.gov/40066281
Publication Date: 2025-02-24
Author(s): Georgios Stamatakos et al.
Primary Topic: Mathematical Biology Tumor Growth
Overview
The research presents a multiscale mechanistic computational model aimed at simulating prostate tumor growth and response to radiotherapy, marking a foundational step towards the creation of a digital twin, referred to as the OncoSimulator. This model emphasizes the histological characteristics of tumors and their temporal responses to treatment. Initial findings indicate a qualitative alignment with existing experimental and clinical data from two patients, suggesting the model’s potential for further clinical validation and application.
To enhance the model’s parametrization and ensure rigorous clinical validation, additional data collection is underway. The OncoSimulator is envisioned as a technologically integrated system that will facilitate personalized treatment plans and in silico clinical trials for prostate cancer patients undergoing radiation therapy, contingent upon successful clinical validation and regulatory approval. The paper underscores the preliminary nature of its findings, highlighting the model’s feasibility, design, and core behavior as essential components for future development.
Introduction
The introduction of this research paper outlines the evolution and significance of in silico medicine (ISM), particularly focusing on in silico radiation oncology as a pioneering domain. Since its inception in 2002, ISM has rapidly advanced, becoming integral to various academic and regulatory initiatives aimed at enhancing disease prevention, diagnosis, and treatment optimization. The paper highlights the development of digital twins in medicine, specifically the OncoSimulator, which serves as a platform for optimizing cancer treatment through in silico experiments. This digital twin aims to personalize cancer therapies and facilitate clinical trial design and interpretation.
The study specifically addresses prostate cancer (PCa), the most commonly diagnosed cancer in males in Europe, emphasizing the need for improved radiotherapy strategies that consider individual tumor biology and patient preferences. The authors present a novel mechanistic, multiscale, spatiotemporal simulation model that captures tumor growth and response to radiotherapy, incorporating patient-specific data such as imaging and treatment details. Initial findings from a proof-of-concept adaptation using clinical data indicate the model’s potential for optimizing radiotherapy. Sensitivity analyses further elucidate the model’s behavior concerning key parameters, laying the groundwork for future clinical validation and integration into a comprehensive digital twin system for personalized cancer treatment.
Methods
The methods section describes a model for tumor growth and treatment response based on an algorithmic approach to discrete events, specifically focusing on the transitions of tumor cells through various phases of the cell cycle. This model operates within a discretized framework, avoiding the use of differential equations, and utilizes imaging data (e.g., MRI slices) to inform the parameters of the tumor’s 3D reconstruction, such as oxygenation levels. The algorithm captures the spatiotemporal evolution of the tumor and the dynamics of different cell populations, incorporating major biological processes like cytokinesis.
To assess the sensitivity of the model, a one-factor-at-a-time sensitivity index (SI) was employed, which quantitatively evaluates the impact of parameter variations on the output measures, such as final tumor volume and growth rates. Parameters were perturbed by ±5% or ±2.5% when necessary, and the resulting changes in output were normalized to a ±1% variation in input. The simulations assumed macroscopically homogeneous tumors, with parameter values representing spatial averages, and followed a specific treatment schedule to evaluate the model’s effectiveness.
Results
The results of the sensitivity analysis quantitatively assess the impact of model parameters on simulation outcomes, using Patient 1 as a reference. Figure 12 illustrates the percentage change in key outcomes—namely, the initial growth rate, initial growth fraction, and tumor volume at the time of post-treatment MRI (119 days post initial imaging)—in response to a ±1% variation in each parameter from its baseline value. Notably, the analysis reveals an asymmetrical response in output changes relative to the baseline parameter values.
Two primary biological mechanisms significantly influence the therapy outcomes, as depicted in Figure 12A. First, the fraction of dormant cells re-entering the cell cycle (denoted as $P_{G0 \to G1}$) highlights the importance of tumor oxygenation and nutrient availability. Second, the availability of oxygen and nutrients, primarily represented by the fraction of cells transitioning to a dormant phase post-mitosis (denoted as $P_{sleep}$), further underscores the critical role of these factors in determining the efficacy of radiotherapy.
Discussion
In this section, the authors present a comprehensive cytokinetic model that simulates tumor growth and response to treatment, emphasizing the role of heterogeneous cell populations, particularly cancer stem cells (CSCs). The model categorizes tumor cells into five distinct types: stem cells, limited mitotic potential (LIMP) cells, differentiated cells, apoptotic cells, and necrotic cells, each with varying proliferative capabilities. The dynamics of these cells are governed by biological processes such as cell cycling, quiescence, differentiation, and cell death, which are integrated into a stochastic cellular automaton framework. The model allows for the simulation of tumor behavior under different conditions, including nutrient availability and treatment effects, and incorporates the Linear-Quadratic (LQ) model to describe cell killing by irradiation.
The implementation of the model involves a three-dimensional discretized mesh representing the tumor region, where each geometrical cell (GC) contains a mixture of the aforementioned cell types. The simulation process is structured into several steps, including tumor definition, parameter initialization, and the application of cytokinetic and morphological rules to simulate tumor growth and response to treatment. The authors highlight the importance of accurately calibrating model parameters based on clinical data, such as histological and imaging information, to ensure biologically realistic tumor behavior. Overall, the model aims to provide insights into tumor dynamics and treatment efficacy, particularly in the context of prostate cancer, by capturing the complex interactions between different cell populations and their microenvironment.