Jonathan Ozik (na foto), da Argonne, e Nicholson Collier estão em busca de pistas sobre como melhorar a imunoterapia contra o câncer, aproveitando o poder dos supercomputadores em Argonne e na Universidade de Chicago. Crédito:Laboratório Nacional de Argonne
O que deve ser personalizado, tratamento de precisão do câncer parece no futuro? Sabemos que as pessoas são diferentes, seus tumores são diferentes, e eles respondem de maneira diferente a diferentes terapias. As equipes médicas do futuro podem ser capazes de criar um "gêmeo virtual" de uma pessoa e seu tumor. Então, tocando em supercomputadores, equipes lideradas por médicos poderiam simular como as células tumorais se comportam para testar milhões (ou bilhões) de combinações de tratamento possíveis. Em última análise, as melhores combinações podem oferecer pistas para uma personalização, plano de tratamento eficaz.
Soa como um pensamento positivo? Os primeiros passos em direção a essa visão foram dados por uma colaboração de pesquisa de várias instituições que inclui Jonathan Ozik e Nicholson Collier, cientistas computacionais do Laboratório Nacional de Argonne do Departamento de Energia dos EUA.
A equipe de pesquisa, que inclui colaboradores da Indiana University e do University of Vermont Medical Center, trouxe o poder da computação de alto desempenho para o difícil desafio de melhorar a imunoterapia contra o câncer. A equipe escolheu supercomputadores gêmeos em Argonne e na Universidade de Chicago, descobrindo que a computação de alto desempenho pode fornecer pistas na luta contra o câncer, conforme discutido em um artigo de 7 de junho publicado na Molecular Systems Design and Engineering.
"Com esta nova abordagem, os pesquisadores podem usar a modelagem baseada em agentes de maneiras mais cientificamente robustas. "- Nicholson Collier, cientista computacional em Argonne e na Universidade de Chicago.
Enfrentando o câncer
A imunoterapia contra o câncer é um tratamento promissor que realinha seu sistema imunológico para reduzir ou eliminar as células cancerosas. A terapia, Contudo, ajuda apenas de 10 a 20 por cento dos pacientes - em parte porque a maneira como as células cancerosas e as células do sistema imunológico se misturam é complexa e mal compreendida. Regras comprovadas são escassas.
Para começar a descobrir as regras da imunoterapia, a equipe recorreu a um conjunto de três ferramentas:
O trio opera em uma hierarquia. O quadro, desenvolvido por Ozik, Mineiro, Colegas Argonne, e Gary An, um cirurgião e professor do University of Vermont Medical Center, é chamado de Exploração de Modelo em Escala Extrema com Swift (EMEWS). Ele supervisiona o modelo baseado em agente e o sistema de fluxo de trabalho, a linguagem de script paralelo Swift / T, desenvolvido em Argonne e na Universidade de Chicago.
O que há de único nessa combinação de ferramentas? "Estamos ajudando mais pessoas em uma variedade de campos da ciência da computação a fazer experiências em larga escala com seus modelos, "disse Ozik, que - como Collier - tem um compromisso conjunto na Universidade de Chicago. "Construir um modelo é divertido. Mas sem supercomputadores, é difícil entender realmente todo o potencial de como os modelos podem se comportar. "
Trabalhando de maneira mais inteligente, não mais difícil
A equipe procurou encontrar cenários simulados em que:
Eles descobriram que nenhuma célula cancerosa cresceu em 19 por cento das simulações, 9 em cada 10 células cancerosas morreram em 6 por cento das simulações, e 99 em 100 células cancerosas morreram em cerca de 2 por cento das simulações.
Jonathan Ozik pondera os resultados do trabalho da equipe na identificação, via simulação, as regras da imunoterapia contra o câncer. Crédito:Laboratório Nacional de Argonne
A equipe começou com um modelo baseado em agente, construído com a estrutura PhysiCell, projetado por Paul Macklin da Universidade de Indiana para explorar o câncer e outras doenças. Eles atribuíram a cada câncer e características de células imunológicas - taxas de natalidade e mortalidade, por exemplo - isso governa seu comportamento e depois os deixa soltos.
"Usamos modelagem baseada em agente para resolver muitos problemas, "disse Ozik." Mas esses modelos são frequentemente computacionalmente intensivos e produzem muito ruído aleatório. "
Explorar todos os cenários possíveis dentro do modelo PhysiCell teria sido impraticável. "Você não pode cobrir todo o espaço de comportamento possível do modelo, "disse Collier. Portanto, a equipe precisava trabalhar de forma mais inteligente, não mais difícil.
A equipe contou com duas abordagens - algoritmos genéticos e aprendizagem ativa, que são formas de aprendizado de máquina - para guiar o modelo PhysiCell e encontrar os parâmetros que melhor controlaram ou mataram as células cancerosas simuladas.
Algoritmos genéticos buscam esses parâmetros ideais simulando o modelo, dizer, 100 vezes e medindo os resultados. O modelo então repete o processo várias vezes usando valores de parâmetro de melhor desempenho a cada vez. "O processo permite que você encontre o melhor conjunto de parâmetros rapidamente, sem ter que executar todas as combinações, "disse Collier.
O aprendizado ativo é diferente. Ele também simula repetidamente o modelo, mas, como faz, ele tenta descobrir regiões de valores de parâmetro onde seria mais vantajoso explorar mais a fim de obter uma imagem completa do que funciona e do que não funciona. Em outras palavras, "onde você pode provar para obter o melhor retorno para seu investimento, "disse Ozik.
Enquanto isso, O EMEWS de Argonne agiu como um maestro, sinalizando os algoritmos genéticos e de aprendizagem ativa nos momentos certos e coordenando o grande número de simulações no cluster Bebop de Argonne em seu Centro de Recursos de Computação Laboratorial, bem como no supercomputador Beagle da Universidade de Chicago.
Indo além da medicina
A equipe de pesquisa está aplicando abordagens semelhantes para desafios em diferentes tipos de câncer, incluindo dois pontos, câncer de mama e de próstata.
A estrutura EMEWS da Argonne pode oferecer percepções em áreas além da medicina. De fato, Ozik e Collier estão usando o sistema para explorar as complexidades dos metais de terras raras e suas cadeias de suprimentos. "Com esta nova abordagem, os pesquisadores podem usar a modelagem baseada em agente de maneiras mais cientificamente robustas, "disse Collier.
