Jonathan Ozik (nella foto) e Nicholson Collier di Argonne stanno cercando indizi su come migliorare l'immunoterapia contro il cancro sfruttando la potenza dei supercomputer dell'Argonne e dell'Università di Chicago. Credito:Laboratorio nazionale Argonne
Cosa dovrebbe personalizzato, come sarà il trattamento di precisione del cancro in futuro? Sappiamo che le persone sono diverse, i loro tumori sono diversi, e rispondono in modo diverso a diverse terapie. I team medici del futuro potrebbero essere in grado di creare un "gemello virtuale" di una persona e del suo tumore. Quindi, toccando i supercomputer, team guidati da medici potrebbero simulare il comportamento delle cellule tumorali per testare milioni (o miliardi) di possibili combinazioni di trattamento. In definitiva, le migliori combinazioni potrebbero offrire indizi verso un'esperienza personalizzata, piano di trattamento efficace.
Suona come un pio desiderio? I primi passi verso questa visione sono stati compiuti da una collaborazione di ricerca multi-istituzione che include Jonathan Ozik e Nicholson Collier, scienziati computazionali presso l'Argonne National Laboratory del Dipartimento dell'Energia degli Stati Uniti.
Il gruppo di ricerca, che include collaboratori dell'Università dell'Indiana e dell'Università del Vermont Medical Center, ha portato la potenza del calcolo ad alte prestazioni alla sfida spinosa di migliorare l'immunoterapia del cancro. Il team ha sfruttato due supercomputer all'Argonne e all'Università di Chicago, scoprendo che il calcolo ad alte prestazioni può fornire indizi per combattere il cancro, come discusso in un articolo del 7 giugno pubblicato su Molecular Systems Design and Engineering.
"Con questo nuovo approccio, i ricercatori possono utilizzare la modellazione basata su agenti in modi più scientificamente validi."—Nicholson Collier, scienziato computazionale all'Argonne e all'Università di Chicago.
In piedi contro il cancro
L'immunoterapia contro il cancro è un trattamento promettente che riallinea il sistema immunitario per ridurre o eliminare le cellule tumorali. La terapia, però, aiuta solo dal 10 al 20 percento dei pazienti, in parte perché il modo in cui le cellule tumorali e le cellule immunitarie si mescolano è complesso e poco conosciuto. Le regole comprovate sono scarse.
Per iniziare a scoprire le regole dell'immunoterapia, il team si è rivolto a una serie di tre strumenti:
Il trio opera in una gerarchia. Il quadro, sviluppato da Ozik, Collier, Colleghi Argonne, e Gary An, un chirurgo e professore presso l'Università del Vermont Medical Center, si chiama Esplorazione di modelli su scala estrema con Swift (EMEWS). Supervisiona il modello ad agenti e il sistema del flusso di lavoro, il linguaggio di scripting parallelo Swift/T, sviluppato ad Argonne e all'Università di Chicago.
Cosa c'è di unico in questa combinazione di strumenti? "Stiamo aiutando più persone in una varietà di campi della scienza computazionale a fare sperimentazioni su larga scala con i loro modelli, " ha detto Ozik, che, come Collier, ha un incarico congiunto all'Università di Chicago. "Costruire un modello è divertente. Ma senza supercomputer, è difficile capire davvero il pieno potenziale di come i modelli possono comportarsi".
Lavorare in modo più intelligente, non è più difficile
Il team ha cercato di trovare scenari simulati in cui:
Hanno scoperto che nessuna cellula cancerosa è cresciuta nel 19% delle simulazioni, 9 cellule cancerose su 10 sono morte nel 6% delle simulazioni, e 99 su 100 cellule cancerose sono morte in circa il 2% delle simulazioni.
Jonathan Ozik riflette sui risultati del lavoro del team sull'identificazione, tramite simulazione, le regole dell'immunoterapia del cancro. Credito:Laboratorio nazionale Argonne
Il team ha iniziato con un modello basato su agenti, costruito con il framework PhysiCell, progettato da Paul Macklin dell'Università dell'Indiana per esplorare il cancro e altre malattie. Hanno assegnato a ciascun cancro e alle caratteristiche delle cellule immunitarie:tassi di natalità e mortalità, per esempio, che governano il loro comportamento e poi li lasciano andare.
"Utilizziamo la modellazione basata su agenti per affrontare molti problemi, " ha detto Ozik. "Ma questi modelli sono spesso computazionalmente intensivi e producono molto rumore casuale".
Esplorare ogni possibile scenario all'interno del modello PhysiCell sarebbe stato poco pratico. "Non puoi coprire l'intero spazio di comportamento del modello, " ha detto Collier. Quindi il team aveva bisogno di lavorare in modo più intelligente, non più difficile.
Il team si è basato su due approcci:algoritmi genetici e apprendimento attivo, che sono forme di apprendimento automatico, per guidare il modello PhysiCell e trovare i parametri che meglio controllavano o uccidevano le cellule tumorali simulate.
Gli algoritmi genetici cercano quei parametri ideali simulando il modello, dire, 100 volte e misurando i risultati. Il modello quindi ripete il processo più e più volte utilizzando ogni volta valori dei parametri con prestazioni migliori. "Il processo consente di trovare rapidamente il miglior set di parametri, senza dover eseguire ogni singola combinazione, " ha detto Collier.
L'apprendimento attivo è diverso. Inoltre simula ripetutamente il modello, ma, come fa, cerca di scoprire le regioni dei valori dei parametri in cui sarebbe più vantaggioso esplorare ulteriormente per ottenere un quadro completo di cosa funziona e cosa no. In altre parole, "dove puoi provare per ottenere il miglior rapporto qualità-prezzo, " disse Ozik.
Nel frattempo, Gli EMEWS di Argonne hanno agito come un direttore d'orchestra, segnalando gli algoritmi genetici e di apprendimento attivo al momento giusto e coordinando il gran numero di simulazioni sul cluster Bebop di Argonne nel suo Laboratory Computing Resource Center, così come sul supercomputer Beagle dell'Università di Chicago.
Andare oltre la medicina
Il team di ricerca sta applicando approcci simili alle sfide tra diversi tipi di cancro, compreso il colon, cancro al seno e alla prostata.
Il quadro EMEWS di Argonne può offrire spunti in aree al di là della medicina. Infatti, Ozik e Collier stanno attualmente utilizzando il sistema per esplorare le complessità dei metalli delle terre rare e le loro catene di approvvigionamento. "Con questo nuovo approccio, i ricercatori possono utilizzare la modellazione basata su agenti in modi scientificamente più robusti, " ha detto Collier.
