DOI: https://doi.org/10.1371/journal.pcbi.1014137
PMID: https://pubmed.ncbi.nlm.nih.gov/41915691
تاريخ النشر: 2026-03-31
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: علم الأحياء الرياضي ونمو الأورام
نظرة عامة
تعتبر الأورام العصبية، أكثر الأورام الشائعة لدى الأطفال في الجهاز العصبي الودي، تمثل تحديات كبيرة في العلاج. أدت التقدمات الأخيرة في البحث إلى تطوير أورام مشتقة من المرضى (PDT)، وهي هياكل ثلاثية الأبعاد تحاكي الأورام الأصلية وتساعد في دراسة بيولوجيا الورم. في هذه الدراسة، تم توليد PDTs، وتم تحليل التوزيع المكاني لخلايا السرطان الجذعية CD133+ باستخدام الكيمياء المناعية، مما كشف عن ميل هذه الخلايا للتجمع داخل الأورام.
لفهم ديناميات النمو والتمايز لخلايا السرطان الجذعية داخل هذه الأورام بشكل أفضل، تم تطوير نموذج حسابي متعدد المقاييس. أظهر هذا النموذج، الذي يدمج نشاط الجينات المرتبط بكل من الخلايا الجذعية وغير الجذعية، أن قواعد التفاعل بين الخلايا البسيطة لم تكن كافية لتكرار التنظيم المكاني الملحوظ. ومع ذلك، من خلال إدخال إشارة انتشار قصيرة المدى، تحفيزية للخلايا الجذعية، نجح النموذج في توليد هياكل ثلاثية الأبعاد تطابقت كميًا مع النتائج التجريبية. تؤكد هذه الأبحاث على إمكانيات النمذجة الحسابية في توضيح الترتيبات المكانية المعقدة لأورام الأورام العصبية، مما يمهد الطريق لاستراتيجيات علاجية مبتكرة.
مقدمة
تعتبر الأورام العصبية (NB) أكثر الأورام الصلبة خارج الجمجمة شيوعًا لدى الأطفال، حيث تؤثر بشكل أساسي على الأطفال دون سن الخامسة، وتمثل 8-10% من جميع سرطانات الطفولة. تظهر هذه الأورام تباينًا بيولوجيًا وسريريًا كبيرًا، مما يؤدي إلى تصنيفها إلى مجموعات منخفضة ومتوسطة وعالية المخاطر. بينما غالبًا ما يحقق المرضى ذوو المخاطر المنخفضة نتائج إيجابية، تظل الأورام العصبية عالية المخاطر صعبة العلاج، مع وجود عدد قليل من الطفرات القابلة للتنفيذ، مثل ALK و MYCN، والتي يتم تضخيمها في حوالي 25% من الحالات. تؤكد الحاجة إلى استراتيجيات علاجية مبتكرة على التحقق السريري المحدود للأدوية الحالية.
أدت التقدمات الأخيرة في توليد أورام مشتقة من المرضى (PDT) إلى تسهيل دراسة الهيكل المكاني للأورام العصبية. في هذا السياق، طور المؤلفون ثقافات PDT واستخدموا الكيمياء المناعية (IHC) لتوصيف الترتيب المكاني لخلايا السرطان الجذعية (CSCs)، والتي وُجد أنها تتجمع حول مركز PDT. لاستكشاف الآليات الكامنة وراء هذا التنظيم المكاني، تم إنشاء إطار نمذجة قائم على الوكلاء متعدد المقاييس، يسمى Simuscale. يدمج هذا النموذج شبكة تنظيم جيني عشوائية (GRN) ويحاكي التفاعلات على مقاييس متعددة، من المستوى الجزيئي إلى مستوى السكان. فشلت المحاكاة الأولية بدون قواعد مكانية في تكرار أنماط IHC الملحوظة، ولكن إدخال الإشارات الانتشارية قصيرة المدى بين الخلايا الجذعية أثبت أنه حاسم لإعادة بناء الهيكل المكاني لـ PDT بدقة. يسلط هذا العمل الضوء على إمكانيات النمذجة متعددة المقاييس لتعزيز فهمنا لديناميات الأورام العصبية وإبلاغ استراتيجيات العلاج.
طرق
في هذا القسم، يحدد المؤلفون الطرق الإحصائية المستخدمة لتحليل التوزيع المكاني للخلايا الجذعية في صور الكيمياء المناعية (IHC). تشمل المؤشرات الرئيسية المستخدمة نسبة خلايا CD133+، ومؤشر موران (المشار إليه بمؤشر موران I)، والانتروبيا. يتم حساب النسبة كحصة من خلايا CD133+ إلى إجمالي عدد الخلايا، مضروبة في 100. يعمل مؤشر موران I كمقياس للاعتماد الذاتي المكاني، حيث يقيس تجمع الخلايا الجذعية بناءً على مواقعها المكانية. يتم حسابه باستخدام الصيغة:
\[
I = \frac{N \sum_{i,j=1}^{N} w_{i,j} (x_i – \bar{x})(x_j – \bar{x})}{\sum_{i,j=1}^{N} w_{i,j} \sum_{i=1}^{N} (x_i – \bar{x})^2}
\]
حيث \(N\) هو العدد الإجمالي للخلايا، و\(x_i\) تشير إلى بيانات الملاحظة (مع \(x_i = 1\) للخلايا الجذعية و\(x_i = 0\) للخلايا المتمايزة)، و\(\bar{x}\) هو المتوسط، و\(\{w_{i,j}\}\) هو مصفوفة وزن الجوار. تشير قيمة مؤشر موران I القريبة من 0 إلى توزيع عشوائي للخلايا الجذعية، بينما تشير القيم القريبة من -1 أو 1 إلى تشتت مثالي أو تجمع، على التوالي. يعرف المؤلفون الخلايا المجاورة على أنها تلك الموجودة ضمن 15 ميكرومتر من بعضها البعض، وهو ما يتماشى عبر جميع صور IHC التي تم تحليلها.
بالإضافة إلى ذلك، يتم استخدام مؤشر الانتروبيا \(H\) لوصف توزيع المسافات بين الخلايا الجذعية، ويتم حسابه كالتالي:
\[
H = – \sum_{i \in J} p_i \log(p_i)
\]
حيث \(p_i\) يمثل احتمال وقوع المسافات ضمن صناديق محددة من هيستوجرام، و\(J\) هو مجموعة جميع الصناديق. يوفر هذا المؤشر الانتروبي رؤى إضافية حول سلوك التجمع للخلايا الجذعية.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. عادةً ما يتضمن بيانات كمية، وتحليلات إحصائية، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول لتوضيح النتائج. غالبًا ما تتم مقارنة النتائج مع الفرضيات أو الدراسات السابقة لتسليط الضوء على الفروق أو التأكيدات الهامة.
في هذا القسم، قد يبلغ المؤلفون عن فعالية تدخل معين، أو العلاقة بين المتغيرات، أو التحقق من نموذج نظري. من المحتمل أن تتضمن المقاييس المهمة، مثل قيم p أو فترات الثقة، لدعم موثوقية النتائج. بشكل عام، يعمل هذا القسم على تقديم حساب واضح وموضوعي لنتائج البحث، مما يمهد الطريق للنقاش والتفسير اللاحق.
المناقشة
في هذه الدراسة، قمنا بتطوير نموذج قائم على الوكلاء متعدد المقاييس لمحاكاة التنظيم المكاني لخلايا السرطان الجذعية CD133+ داخل أورام مشتقة من المرضى (PDTs) للأورام العصبية. تشير نتائجنا إلى أن النموذج يعيد بنجاح الهيكل المكاني المتوقع، مع تجمع الخلايا الجذعية محاطة بالخلايا المتمايزة. كشفت تحليلات الكيمياء المناعية (IHC) عن نمطين متعارضين من التعبير الجيني، مما يحدد خلايا CD133+ الجذعية وخلايا SYP+ المتمايزة، والتي أبلغت عن شبكة تنظيم الجينات لدينا (GRN) التي تركزت حول آلية مفتاح التبديل. أظهر النموذج تباينًا في نسب الخلايا الجذعية عبر PDTs المختلفة، مما يبرز تأثير ظروف الثقافة على هوية الخلايا وتوزيعها المكاني.
استخدمنا مؤشرات إحصائية لوصف توزيع الخلايا الجذعية المكاني، مما كشف عن أنماط تجمع كبيرة تم تحليلها بشكل أكبر من خلال محاكاة مونت كارلو. كان إدخال الإشارات الانتشارية غير المحلية محوريًا في تعزيز دقة النموذج، مما سمح بتمثيل أكثر واقعية لتوزيعات الخلايا الجذعية المكانية. تشير نتائجنا إلى أن آليات الإشارات قصيرة المدى قد تسهل أحداث إعادة التمايز، مما يثبت استقرار مجموعة الخلايا الجذعية. ستركز الأبحاث المستقبلية على تحسين النموذج من خلال دمج أنواع خلايا أكثر تعقيدًا واستكشاف الطبيعة الجزيئية للإشارات المعنية، مما قد يؤدي إلى استراتيجيات علاجية جديدة تستهدف خلايا السرطان الجذعية.
DOI: https://doi.org/10.1371/journal.pcbi.1014137
PMID: https://pubmed.ncbi.nlm.nih.gov/41915691
Publication Date: 2026-03-31
Author(s): Zhenyun Du et al.
Primary Topic: Mathematical Biology Tumor Growth
Overview
Neuroblastomas, the most common pediatric tumors of the sympathetic nervous system, present significant treatment challenges. Recent advancements in research have led to the development of patient-derived tumoroids (PDT), which are three-dimensional structures that mimic the original tumors and facilitate the study of tumor biology. In this study, PDTs were generated, and the spatial distribution of CD133+ cancer stem cells was analyzed using immunohistochemistry, revealing a tendency for these cells to aggregate within the tumoroids.
To further understand the growth dynamics and differentiation of cancer stem cells within these tumoroids, a multiscale computational model was developed. This model, which incorporates gene activity associated with both stem and non-stem cell phenotypes, demonstrated that simplistic inter-cellular interaction rules were inadequate in replicating the observed spatial organization. However, by introducing a short-range, pro-stem cell diffusive signal, the model successfully generated three-dimensional structures that quantitatively matched experimental findings. This research underscores the potential of computational modeling in elucidating the complex spatial arrangements of neuroblastoma tumors, paving the way for innovative therapeutic strategies.
Introduction
Neuroblastomas (NB) are the most common extracranial solid tumors in children, primarily affecting those under five years old, and account for 8-10% of all childhood cancers. These tumors exhibit significant biological and clinical heterogeneity, leading to stratification into low-, intermediate-, and high-risk groups. While low-risk patients often experience favorable outcomes, high-risk neuroblastoma remains challenging to treat, with few actionable mutations identified, such as ALK and MYCN, the latter amplified in approximately 25% of cases. The need for innovative therapeutic strategies is underscored by the limited clinical validation of existing drugs.
Recent advancements in generating patient-derived tumoroids (PDT) have facilitated the study of neuroblastoma’s spatial structure. In this context, the authors developed PDT cultures and employed immunohistochemistry (IHC) to characterize the spatial arrangement of cancer stem cells (CSCs), which were found to cluster around the center of the PDT. To further investigate the mechanisms underlying this spatial organization, a multiscale agent-based modeling framework, named Simuscale, was created. This model integrates a stochastic gene regulatory network (GRN) and simulates interactions at multiple scales, from molecular to population levels. Initial simulations without spatial rules failed to replicate observed IHC patterns, but incorporating short-range diffusive signaling among stem cells proved crucial for accurately reconstructing the spatial structure of PDT. This work highlights the potential of multiscale modeling to enhance our understanding of neuroblastoma dynamics and inform therapeutic strategies.
Methods
In this section, the authors outline the statistical methods employed to analyze the spatial distribution of stem cells in immunohistochemistry (IHC) images. Key indices utilized include the percentage of CD133+ cells, Moran’s index (denoted as Moran’s I), and entropy. The percentage is calculated as the ratio of CD133+ cells to the total cell count, multiplied by 100. Moran’s I serves as a measure of spatial autocorrelation, quantifying the clustering of stem cells based on their spatial locations. It is computed using the formula:
\[
I = \frac{N \sum_{i,j=1}^{N} w_{i,j} (x_i – \bar{x})(x_j – \bar{x})}{\sum_{i,j=1}^{N} w_{i,j} \sum_{i=1}^{N} (x_i – \bar{x})^2}
\]
where \(N\) is the total number of cells, \(x_i\) indicates the observation data (with \(x_i = 1\) for stem cells and \(x_i = 0\) for differentiated cells), \(\bar{x}\) is the mean, and \(\{w_{i,j}\}\) is the neighborhood weight matrix. A Moran’s I value close to 0 suggests a random distribution of stem cells, while values approaching -1 or 1 indicate perfect dispersion or clustering, respectively. The authors define neighboring cells as those within 15 µm of each other, consistent across all analyzed IHC images.
Additionally, the entropy index \(H\) is employed to characterize the distribution of distances between stem cells, calculated as:
\[
H = – \sum_{i \in J} p_i \log(p_i)
\]
where \(p_i\) represents the probability of distances falling within specific bins of a histogram, and \(J\) is the set of all bins. This entropy index provides further insights into the clustering behavior of stem cells.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It typically includes quantitative data, statistical analyses, and visual representations such as graphs or tables to illustrate the outcomes. The results are often compared against hypotheses or previous studies to highlight significant differences or confirmations.
In this section, the authors may report on the effectiveness of a particular intervention, the correlation between variables, or the validation of a theoretical model. Important metrics, such as p-values or confidence intervals, are likely included to support the reliability of the findings. Overall, this section serves to provide a clear and objective account of the research outcomes, setting the stage for subsequent discussion and interpretation.
Discussion
In this study, we developed a multiscale agent-based model to simulate the spatial organization of CD133+ cancer stem cells within neuroblastoma patient-derived tumoroids (PDTs). Our findings indicate that the model successfully reproduces the expected spatial structure, with stem cells clustered and surrounded by differentiated cells. Immunohistochemistry (IHC) analysis revealed two mutually exclusive gene expression patterns, defining CD133+ stem cells and SYP+ differentiated cells, which informed our gene regulatory network (GRN) centered around a toggle switch mechanism. The model demonstrated variability in stem cell percentages across different PDTs, highlighting the influence of culture conditions on cell identity and spatial distribution.
We employed statistical indices to characterize stem cell spatial distribution, revealing significant clustering patterns that were further analyzed through Monte Carlo simulations. The introduction of nonlocal diffusive signaling was pivotal in enhancing the model’s accuracy, allowing for a more realistic representation of stem cell spatial distributions. Our results suggest that short-range signaling mechanisms may facilitate dedifferentiation events, thereby stabilizing the stem cell population. Future research will focus on refining the model by incorporating more complex cell types and exploring the molecular nature of the signaling involved, potentially leading to novel therapeutic strategies targeting cancer stem cells.