Los súper ordenadores ayudan a los investigadores a diseñar modelos de cáncer y a predecir resultados de tratamientos con base en condiciones específicas del paciente.
Un grupo de investigadores ha desarrollado modelos computacionales para predecir cómo progresará el cáncer de un individuo específico, con base en las respuestas a la comunicación proteínica celular y sub celular de tejidos. Los modelos pueden predecir cómo crecerán los tumores cerebrales (gliomas) con mucho mayor precisión que modelos previos. Recientemente, el grupo comenzó un estudio clínico para predecir cómo progresará el cáncer de un individuo después de un ciclo de terapia, y para usar esa predicción para planificar el curso del tratamiento.
Selección de modelos y pruebas
Durante los últimos años, muchos modelos matemáticos diferentes del crecimiento de tumores han sido propuestos, sin embargo, determinar cuál es el más preciso para predecir la progresión del cáncer es un desafío.
En octubre de 2016, al escribir en la publicación Mathematical Models and Methods in Applied Sciences, el equipo usó un estudio de cáncer en ratas para analizar 13 modelos principales de crecimiento de tumores para determinar cuál podía predecir las cantidades clave de interés relevantes a la supervivencia, y los efectos de varias terapias.
Aplicaron el principio de la Navaja de Occam, el cual dice que en donde existen dos explicaciones para un suceso, la más sencilla es por lo general la mejor. Implementaron este principio a través del desarrollo y aplicación de algo a lo que denominaron el “Algoritmo de Plausibilidad de Occam,” el cual selecciona el modelo más plausible para un conjunto de datos dado y determina si el modelo es una herramienta válida para predecir el crecimiento y la morfología de los tumores.
El método fue capaz de predecir qué tan grandes podrían crecer los tumores de las ratas con un 5% a 10% dentro de margen de su masa final.
“Tenemos ejemplos donde podemos recolectar datos de animales de laboratorio o sujetos humanos y realizar representaciones sorprendentemente precisas del crecimiento del cáncer y su reacción a varias terapias, como la radiación y la quimioterapia,” dijo Oden.
El equipo analiza datos específicos de pacientes con generación de imágenes por resonancia magnética (MRI por sus siglas en inglés), tomografía de emisión de positrones (PET por sus siglas en inglés), tomografía generada rayos X (CT por sus siglas en inglés), biopsias y otros factores, a fin de desarrollar un modelo computacional.
Cada factor involucrado en la respuesta de los tumores –ya sea la velocidad con la cual los fármacos quimioterapéuticos llegan al tejido, o el grado en el cual las células se comunican entre sí para crecer– está caracterizado por una ecuación matemática que captura su esencia.
“Se ponen modelos matemáticos en un ordenador y se sincronizan y adaptan y así aprendemos más,” dijo Oden. “Es, de cierta manera, un método que se remonta a Aristóteles pero accede a los niveles más modernos de la computación y la ciencia computacional.”
El grupo intenta modelar el comportamiento biológico a nivel celular, de comunicación celular, y de tejido. Algunos de sus modelos involucran 10 especies de células tumorales e incluyen elementos como tejido conector celular, nutrientes y factores relacionados con el desarrollo de nuevos vasos sanguíneos. Tienen que resolver ecuaciones diferenciales parciales para cada uno de estos elementos y luego integrarlos de manera inteligente a todas las otras ecuaciones.
“Este es uno de los proyectos más complicados en ciencia computacional. Sin embargo, se puede hacer cualquier cosa con un súper ordenador,” dijoOden. “Hay una enorme lista de modelos en diferentes escalas, que se comunican entre sí. A la larga, necesitaremos aprender a calibrar cada uno y registrar sus interacciones entre sí.”
Del ordenador a la clínica
El equipo de investigación en la UT Austin –el cual comprende 30 miembros de la facultad, estudiantes e investigadores posdoctorales –no sólo desarrolla modelos matemáticos y computacionales. Algunos investigadores trabajan con muestras celulares in vitro; algunos realizan trabajo clínico en ratones y ratas. Y recientemente, el grupo ha comenzado un estudio clínico para predecir, después de un tratamiento, la manera en que el cáncer de un individuo progresará, y usar esa predicción para planificar el curso futuro del tratamiento.
En la universidad de Vanderbilt, la institución anterior de Yankeelov, su grupo fue capaz de predecir con una precisión del 87% si un paciente de cáncer de mama respondería positivamente al tratamiento después de un ciclo de terapia. Ellos están tratando de reproducir esos resultados en un entorno comunitario y extender sus modelos añadiendo nuevos factores que describan la manera en que evoluciona el tumor.
La puesta en práctica
La combinación de la modelación matemática y la computación de alto desempeño podrían ser la única forma de vencer la complejidad del cáncer, el cual no es una sola enfermedad sino cientos de ellas, cada una con numerosos sub tipos.
“No hay suficientes recursos para que los pacientes solucionen este problema ya que hay demasiadas variables. Tomaría hasta el fin de los tiempos,” dijo Yankeelov. “Sin embargo, si tienes un modelo que pueda recapitular la manera en que crecen los tumores y responden a la terapia, se convierte en un problema clásico de optimización de ingeniería. ‘Tengo esta cantidad de fármaco y este tiempo. ¿Cuál es la mejor manera de suministrarlo para minimizar el número de células tumorales durante la mayor cantidad de tiempo?’”
La realización de los cómputos en el TACC ha ayudado a Yankeelov a acelerar su investigación. “Podemos resolver problemas en unos cuantos minutos, lo cual nos tomaría tres semanas usando los recursos en nuestra antigua institución,” afirmó. “Es fenomenal.”
De acuerdo con Oden y Yankeelov hay muy pocos grupos de investigación tratando de sincronizar el trabajo clínico y experimental con la modelación computacional y los recursos más modernos, como el grupo de la UT Austin.
“Hay aquí un nuevo horizonte, un futuro más desafiante por venir donde volvemos a la ciencia básica y realizamos predicciones concretas sobre la salud y el bienestar a partir de principios iniciales,” dijo Oden.
Yankeelov agregó: “La idea de tomar a cada paciente como un individuo para alimentar estos modelos y realizar una predicción específica para ellos, y algún día ser capaces de tomar su modelo y luego introducir en un ordenador un montón de terapias para ellos, para optimizar su terapia individual –esa es la meta definitiva, y no entiendo cómo podríamos hacer eso sin matematizar el problema.”
Fecha: 3 de enero de 2018
Link: https://www.sciencedaily.com/releases/2018/01/180103123054.htm
Fuente: Centro Avanzado de Computación de la Universidad de Texas en Austin, Texas
Fuente original de la historia:
Materiales proporcionados por el Centro de Computación Avanzada de Texas, de la Universidad de Texas en Austin. Original escrito por Aaron Dubrow. Nota: el contenido podría haber sido editado en estilo y extensión.
Referencia de la publicación:
E.A.B.F. Lima, J.T. Oden, B. Wohlmuth, A. Shahmoradi, D.A. Hormuth, T.E. Yankeelov, L. Scarabosio, T. Horger. Selection and validation of predictive models of radiation effects on tumor growth based on noninvasive imaging data (Selección y validación de modelos predictivos de los efectos de la radiación en el crecimiento de tumores, con base en datos de generación de imágenes no invasiva). Computer Methods in Applied Mechanics and Engineering, 2017; 327: 277 DOI: 10.1016/j.cma.2017.08.009
Nota: Instituto Nutrigenómica no se hace responsable de las opiniones expresadas en el presente artículo.
