基于空间进化博弈框架的癌症治疗加权场景模型预测控制

《Computer Methods and Programs in Biomedicine》:Weighted scenario-based model predictive control for cancer treatment using a spatial evolutionary game framework

【字体: 大 中 小 】 时间:2026年10月18日 来源:Computer Methods and Programs in Biomedicine 6.4

编辑推荐:

   摘要 背景与目标:肿瘤生长受异质性癌细胞群体中不同行为表型细胞之间复杂相互作用的支配。准确建模这些动力学对于设计有效且个性化的治疗策略至关重要。本工作提出了一种基于增殖性和迁移性两种癌细胞之间概率相互作用的数学模型,用于模拟肿瘤生长和治疗反应。目标是开发一个预测框架,作为实现

  

摘要
背景与目标:肿瘤生长受异质性癌细胞群体中不同行为表型细胞之间复杂相互作用的支配。准确建模这些动力学对于设计有效且个性化的治疗策略至关重要。本工作提出了一种基于增殖性和迁移性两种癌细胞之间概率相互作用的数学模型,用于模拟肿瘤生长和治疗反应。目标是开发一个预测框架,作为实现治疗设计工具的第一步,这些工具能够在变化的肿瘤行为和生物学不确定性下保持治疗有效性。
方法:癌细胞动力学被建模为动态图上的空间博弈,其中节点代表细胞,链接描绘它们的相互作用。采用加权基于情景的模型预测控制(MPC)策略,在不确定性下的多个肿瘤生长情景中确定最佳治疗,其中包括代表高度侵袭性肿瘤的最坏情景。该控制器与平均情景预测控制器和极小极大方法进行了比较,它们都旨在平衡肿瘤抑制与治疗负担,同时确保稳健性能。
结果:每种控制器均模拟了 100 次,所有模拟均从相同的初始条件开始。平均情景控制器在约束肿瘤生长方面被证明无效,因为癌细胞群从 1000 增加到 1796。极小极大控制器采用了过于保守的控制律,导致最终细胞群为 69.9,累积成本为 1.38×10?。提出的加权情景方法也大幅减少了肿瘤细胞数量,同时即使在最保守的配置下,仍保持了较低的累积成本 1.29×10?。
结论:整合空间演化博弈建模与基于情景的模型预测控制,为在肿瘤动力学不确定性下比较治疗策略提供了计算机模拟框架。提出的基于加权情景的 MPC 捕捉了两种固定癌细胞表型的相互作用驱动动力学,并在所考虑的不确定性情景中提供了肿瘤减少与治疗负担之间可调节的权衡。然而,该模型未明确代表突变、表型切换、耐药克隆、临床定义的肿瘤负荷阈值或药代动力学/药效学机制。因此,结果应被解释为简化计算框架内的方法论概念验证,而非临床适用性的证据。

引言
癌症是一种全球发病率不断上升的疾病。仅 2020 年,全球就有 1930 万例新发病例,每年有 1000 万人死于该疾病,正如 Sung 等人 [1] 所报告的那样,他们估计世界人口的 20% 将在达到 75 岁前经历某种类型的癌症。鉴于此,对最佳剂量的需求显而易见。
在本工作中,我们专注于将肿瘤发生建模为空间演化博弈,建立在 Muros 等人 [2] 的先前研究基础上。该空间模型将不同类型的癌细胞(增殖性和迁移性)视为无向动态图中的节点,链接表示细胞之间潜在的相互作用。化疗效果通过根据药物剂量选择性移除链接来模拟,从而限制癌细胞增殖的能力。这种机械微观方法为传统房室建模提供了一种替代方案,后者通常假设细胞呈均匀且宏观分布,尽管这可能无法完全捕捉生物系统的动力学 [3]。
空间癌症模型也可以表示为通过偏微分方程 [4] 或基于智能体的模型 [5]、[6] 的扩散过程。由于每个癌细胞的增殖受其类型和邻近细胞类型的影响,癌症的演化动力学非常适合博弈论框架 [7]。在生理上,这种方法将肿瘤发生建模为不同细胞谱系之间的演化竞争。例如,Archetti 和 Pienta [8] 证明细胞合作,如生长因子的共享分泌,促进了癌症的几个标志性特征。另一方面,这种合作受到非合作亚克隆的持续生理压力,它们利用这些资源。
因此,演化博弈论(EGT)为分析这些复杂相互作用提供了生物学基础 [9]、[10]。通过将肿瘤视为动态生态系统而非静态肿块,EGT 可以指导“演化证明”疗法的设计,旨在破坏细胞合作和稳定性 [8]。自从 Tomlinson [11] 确立第一个理论基础以来,该领域已经成熟,包括生长因子产生、治疗耐药性和肿瘤代谢动力学方面的应用。
此外,当癌细胞可能的策略数量有限时,动力学可以使用复制子动力学(RD)来建模 [12]。尽管 RD 本质上是非空间的,但最近的研究已将这种方法扩展到空间显式情景,其中空间因素的纳入已被证明会剧烈改变演化动力学和结果平衡 [13]、[14]。这突显了空间建模在捕捉肿瘤进展和反应治疗的全部复杂性方面的关键作用。
基于任何疾病模型优化药物剂量需要处理变量约束、不确定性、延迟和非线性等问题。模型预测控制(MPC)已被证明是解决这些问题的有效控制策略 [15],并确定化疗治疗期间的行动过程。因此,MPC 已被提出用于生物医学的多种应用:Wang 等人 [16] 研究了使用非线性 MPC(NMPC)在跑步机运动期间估计和调节心血管反应;Yabo 等人 [17] 检查了使用 NMPC 增强特定代谢物生产;Guo 等人 [18] 利用 MPC 优化各种疾病的适应性治疗。聚焦于癌症治疗,MPC 在优化药物剂量方面显示出潜力,正如 Bumroongsri 和 Kheawhom [19]、Paluszczyszyn 等人 [20] 和 Hernández-Rivera 等人 [21] 等先前工作所显示的那样。
为了在 MPC 框架中考虑肿瘤生长的非确定性方面,随机 MPC(SMPC)策略在问题公式中纳入不确定性和随机元素,考虑其概率分布,从而增强治疗的稳健性 [22]、[23]。这种方法也成功应用于其他与健康相关的背景,如预测患者工作量和优化医疗团队的资源分配 [24],以及管理医院药房库存,证明了预防性控制在维持最佳库存水平方面的优势 [25]、[26]。在 SMPC 家族中,基于情景的 MPC(SB-MPC)将不确定性的多个实现视为情景,如 Calafiore 和 Campi [27] 以及 Schildbach 等人 [28] 的工作,他们计算满足所有情景约束的稳健动作。
本工作的主要贡献是方法论上的。具体来说,我们在相同的肿瘤生长空间演化博弈模型中,对三种 MPC 公式(平均情景 MPC、极小极大 MPC 和加权最坏情景 SB-MPC)进行了系统比较。提出的加权 SB-MPC 引入了最坏情景的可调节权重,允许控制器在平均情景和极小极大极端之间调整保守程度,而无需修改情景集或重新表述优化问题。这使得能够一致评估在模拟不确定性下肿瘤减少与治疗负担之间的权衡。
需要注意的是,空间演化博弈模型在这里主要作为评估随机不确定性下控制性能的简化计算框架,而不是临床验证的肿瘤模型。因此,本工作的目标是双重的:首先,评估加权 SB-MPC 公式在管理随机细胞动力学中的性能;其次,评估提出的加权机制如何调节治疗保守性、肿瘤减少和治疗负担之间的妥协。这种方法旨在作为未来研究的方法论基础,而不是直接临床方案。
关于治疗策略,本研究专注于单一药物方案以建立控制基础并避免未建模药物相互作用之间的复杂性。在相同的随机动力学下考虑三种不同控制策略(平均情景、极小极大和加权 SB-MPC)的比较,有助于突出结合演化博弈论(EGT)与基于情景的控制如何能为个性化适应性治疗提供理论基础。
尽管控制理论在数学肿瘤学中有着悠久的历史,但据作者所知,加权情景 MPC 在此空间博弈论框架中的具体应用代表了一种解决肿瘤进展固有随机性的新颖方法。重要的是要重申,本工作采用的肿瘤生长模型建立在 Muros 等人 [2] 确立的空间演化博弈框架之上。本研究并非提出新的生物学模型,而是利用该框架作为生理基础环境来评估先进的控制策略。尽管文献中已广泛讨论了不确定性下癌症治疗的 MPC 和最优控制 [29],但在空间博弈论背景下整合加权 SB-MPC 代表了处理肿瘤演化随机性方面的一步迈进。
本文其余部分组织如下。第 2 节提供了描述肿瘤生长动力学的数学模型细节以及处理不确定性的最佳剂量的控制策略随机公式。第 3 节展示了仿真结果以证明所提出方法的有效性。最后,第 4 节给出了一些讨论、结论和未来工作方向。

章节摘要
方法
本节描述了用于建模肿瘤生长并在不确定性下设计最佳治疗策略的数学和控制框架。建立在 Muros 等人 [2] 和 Basanta 等人 [30] 提出的概率空间博弈模型基础上,肿瘤被表示为捕捉细胞生存、增殖和迁移随机动力学的动态图。
为了控制肿瘤的演化,制定了一个 SMPC 框架。这种方法使得结果
结果
本工作探讨了三种用于计算消除癌细胞所需治疗的替代控制策略,前两种作为基准:(a) 一种经典 MPC 方法,考虑公式 (1) 中矩阵 ?? 的多次实现中的平均情景来确定控制律;(b) 一种极小极大方法,假设最坏情景,意味着非常侵袭性的肿瘤;以及 (c) 一种加权最坏情景 SB-MPC。
讨论
本工作在之前提出空间癌症博弈模型的研究基础上,实施了一种基于情景的模型预测控制,以计算安全治疗剂量来解决肿瘤生长问题。此外,所采用的概率数学模型有助于更好地理解癌症的内部动力学,并可能更准确地反映肿瘤的实际行为。特别是,这种空间方法允许更准确地表示

CRediT 作者贡献声明
Andrés Hernández-Rivera:写作 – 初稿,验证,软件,方法论,形式分析。Pablo Velarde:写作 – 审阅与编辑,验证,软件,方法论,概念化。Francisco Javier Muros:写作 – 审阅与编辑,软件,方法论,概念化。Ascensión Zafra-Cabeza:写作 – 审阅与编辑,验证,监督,资源,资金获取。José M. Maestre:写作 – 审阅与编辑,验证,监督,资源。

代码可用性
加权 SB-MPC 的模拟代码可在以下 GitLab 仓库中获得:https://gitlab.com/worst_case_scenario_mpc_chemo。

伦理声明
作者声明本研究决定不涉及人类或动物受试者。

利益冲突声明
作者声明以下财务利益/个人关系,这可能被视为潜在的利益冲突:Andres Hernandez-Rivera 报告西班牙科学与创新部提供了财务支持。Pablo Velarde 报告西班牙科学与创新部提供了财务支持。Ascension Zafra-Cabeza 报告西班牙科学与创新部提供了财务支持。Jose M. Maestre 报告西班牙科学与创新部提供了财务支持。

致谢
本工作得到了 C3PO-R3 (PID2023-152876OB-I00)、PID2022-142069OB-I00 和 CONDOR (PID2024-158365OB-C22) 项目的支持,均由 MCIN/AEI /10.13039/501100011033 资助。
本研究完全通过数学建模和计算机模拟进行。未进行涉及人类参与者、人类数据或动物的实验。此外,作者声明关于本研究没有利益冲突。

Andrés Hernández-Rivera | Pablo Velarde | Francisco Javier Muros | Ascensión Zafra-Cabeza | José M. Maestre
西班牙塞维利亚大学,系统与自动化工程系,Calle Camino de los Descubrimientos s/n, 塞维利亚,41092, 塞维利亚,西班牙
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号