Jonathan Ozik de Argonne (en la foto) y Nicholson Collier están buscando pistas sobre cómo mejorar la inmunoterapia contra el cáncer aprovechando el poder de las supercomputadoras en Argonne y la Universidad de Chicago. Crédito:Laboratorio Nacional Argonne
¿Qué debe personalizarse, ¿Cómo se verá el tratamiento de precisión del cáncer en el futuro? Sabemos que la gente es diferente 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, tocando 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 tratamientos. Por último, las mejores combinaciones pueden ofrecer pistas para una personalización, plan de tratamiento eficaz.
¿Suena como una ilusión? Los primeros pasos hacia esta visión los ha llevado a cabo una colaboración de investigación de múltiples instituciones que incluye a Jonathan Ozik y Nicholson Collier, científicos computacionales del 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 espinoso desafío de mejorar la inmunoterapia contra el cáncer. El equipo utilizó supercomputadoras gemelas en Argonne y la Universidad de Chicago, descubrir que la informática de alto rendimiento puede aportar 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 utilizar modelos basados en agentes de formas científicamente más sólidas ". - Nicholson Collier, científico computacional en Argonne y la Universidad de Chicago.
Hacer frente al cáncer
La inmunoterapia contra el cáncer es un tratamiento prometedor que realinea su sistema inmunológico para reducir o eliminar las células cancerosas. La terapia sin embargo, ayuda sólo del 10 al 20 por ciento de los pacientes, en parte porque la forma en que las células cancerosas y las células inmunitarias se mezclan es compleja y poco conocida. Las reglas probadas 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, Minero, Colegas de Argonne, y Gary An, cirujano y profesor del Centro Médico de la Universidad de Vermont, se llama Exploración de modelos a escala extrema con Swift (EMEWS). Supervisa el modelo basado en agentes y el sistema de flujo de trabajo, el lenguaje de secuencias de comandos 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 realizar experimentos a gran escala con sus modelos, "dijo Ozik, quien, como Collier, tiene un cargo conjunto en la Universidad de Chicago. "Crear un modelo es divertido. Pero sin supercomputadoras, es difícil comprender realmente todo el potencial de cómo pueden comportarse los modelos ".
Trabajando de forma más inteligente, no mas dificil
El equipo buscó encontrar escenarios simulados en los que:
Descubrieron que no crecían 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.
Jonathan Ozik reflexiona sobre los resultados del trabajo del equipo para identificar, mediante simulación, las reglas de la inmunoterapia contra el cáncer. Crédito:Laboratorio Nacional Argonne
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 a las características de las células inmunitarias:tasas de natalidad y muerte, por ejemplo, que gobiernen su comportamiento y luego los suelten.
"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 habría 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 difícil.
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 controlaron o destruyeron las células cancerosas simuladas.
Los algoritmos genéticos buscan esos parámetros ideales simulando el modelo, decir, 100 veces y midiendo los resultados. Luego, 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 conjunto de parámetros rápidamente, sin tener que ejecutar todas las combinaciones, "dijo Collier.
El aprendizaje activo es diferente. También simula repetidamente el modelo, pero, como lo hace, trata de descubrir regiones de valores de parámetros donde sería más ventajoso seguir explorando para obtener una imagen completa de lo que funciona y lo que no. En otras palabras, "donde puede tomar muestras para sacar el máximo partido a su inversión, "dijo Ozik.
Mientras tanto, Los EMEWS de Argonne actuaron como un conductor, señalando los algoritmos genéticos y de aprendizaje activo en los momentos adecuados y coordinando la gran cantidad de simulaciones en el grupo Bebop de Argonne en su Centro de Recursos de Computación de Laboratorio, así como en la supercomputadora Beagle de la Universidad de Chicago.
Yendo más allá de la medicina
El equipo de investigación está aplicando enfoques similares a los desafíos en diferentes tipos de cáncer, incluido el colon, cáncer de mama y próstata.
El marco EMEWS de Argonne puede ofrecer conocimientos en áreas más allá de la medicina. En efecto, Ozik y Collier están utilizando actualmente 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 el modelado basado en agentes de formas científicamente más sólidas, "dijo Collier.
