Udvider grænserne for personlig medicin med højtydende databehandling

Hvad skal tilpasses, præcisionsbehandling af kræft se ud i fremtiden? Vi ved, at mennesker er forskellige, deres tumorer er forskellige, og de reagerer forskelligt på forskellige terapier. Fremtidens medicinske team kan muligvis skabe en "virtuel tvilling" af en person og deres tumor. Derefter, ved at trykke på supercomputere, lægeledede hold kunne simulere, hvordan tumorceller opfører sig for at teste millioner (eller milliarder) af mulige behandlingskombinationer. Ultimativt, de bedste kombinationer kan give ledetråde til en personlig, effektiv behandlingsplan.

Lyder det som ønsketænkning? De første skridt mod denne vision er blevet taget af et forskningssamarbejde med flere institutioner, der omfatter Jonathan Ozik og Nicholson Collier, beregningsforskere ved det amerikanske energiministeriums Argonne National Laboratory.

Forskerholdet, som omfatter samarbejdspartnere ved Indiana University og University of Vermont Medical Center, bragte kraften ved højtydende databehandling til den vanskelige udfordring med at forbedre immunterapien mod kræft. Holdet aflyttede tvillinge supercomputere på Argonne og University of Chicago, finde ud af, at højtydende databehandling kan give spor i kampen mod kræft, som diskuteret i en artikel den 7. juni offentliggjort i Molecular Systems Design and Engineering.

"Med denne nye tilgang, forskere kan bruge agent-baseret modellering på mere videnskabeligt robuste måder." -Nicholson Collier, computational scientist ved Argonne og University of Chicago.

At stå imod kræft

Kræftimmunterapi er en lovende behandling, der justerer dit immunsystem for at reducere eller eliminere kræftceller. Terapien, imidlertid, hjælper kun 10 til 20 procent af patienterne – blandt andet fordi den måde, hvorpå kræftceller og immunceller blandes, er kompleks og dårligt forstået. Gennemprøvede regler er knappe.

For at begynde at afdække reglerne for immunterapi, holdet brugte et sæt af tre værktøjer:

• Agent-baseret modellering, som forudsagde individuelle "agenters" adfærd - kræft og immunceller, I dette tilfælde
• Argonnes prisvindende workflow-teknologi til at udnytte supercomputerne fuldt ud
• En vejledende ramme til at udforske modeller og dynamisk dirigere og spore resultater

Trioen opererer i et hierarki. Rammen, udviklet af Ozik, Collier, Argonne kolleger, og Gary An, en kirurg og professor ved University of Vermont Medical Center, kaldes Extreme-scale Model Exploration with Swift (EMEWS). Det overvåger den agentbaserede model og arbejdsflowsystemet, det parallelle scriptsprog Swift/T, udviklet ved Argonne og University of Chicago.

Hvad er unikt ved denne kombination af værktøjer? "Vi hjælper flere mennesker inden for en række computervidenskabelige felter med at eksperimentere i stor skala med deres modeller, " sagde Ozik, der – ligesom Collier – har en fælles ansættelse ved University of Chicago. "Det er sjovt at bygge en model. Men uden supercomputere, det er svært at forstå det fulde potentiale af, hvordan modeller kan opføre sig."

Arbejde smartere, ikke sværere

Holdet søgte at finde simulerede scenarier, hvor:

• Ingen yderligere kræftceller voksede
• 90 procent af kræftcellerne døde
• 99 procent af kræftcellerne døde

De fandt ud af, at ingen kræftceller voksede i 19 procent af simuleringerne, 9 ud af 10 kræftceller døde i 6 procent af simuleringerne, og 99 ud af 100 kræftceller døde i omkring 2 procent af simuleringerne.

Holdet begyndte med en agent-baseret model, bygget med PhysiCell rammen, designet af Indiana Universitys Paul Macklin til at udforske kræft og andre sygdomme. De tildelte hver kræft- og immuncelle karakteristika - fødsels- og dødsrater, for eksempel - der styrer deres adfærd og så slipper dem løs.

"Vi bruger agent-baseret modellering til at løse mange problemer, " sagde Ozik. "Men disse modeller er ofte beregningsintensive og producerer en masse tilfældig støj."

At udforske alle mulige scenarier inden for PhysiCell-modellen ville have været upraktisk. "Du kan ikke dække hele modellens mulige adfærdsrum, " sagde Collier. Så holdet skulle arbejde smartere, ikke sværere.

Holdet stolede på to tilgange - genetiske algoritmer og aktiv læring, som er former for maskinlæring — at guide PhysiCell-modellen og finde de parametre, der bedst kontrollerede eller dræbte de simulerede kræftceller.

Genetiske algoritmer søger disse ideelle parametre ved at simulere modellen, sige, 100 gange og måler resultaterne. Modellen gentager derefter processen igen og igen ved at bruge bedre ydende parameterværdier hver gang. "Processen giver dig mulighed for hurtigt at finde det bedste sæt af parametre, uden at skulle køre hver eneste kombination, " sagde Collier.

Aktiv læring er anderledes. Den simulerer også gentagne gange modellen, men, som det gør, den forsøger at opdage områder med parameterværdier, hvor det ville være mest fordelagtigt at udforske yderligere for at få et fuldstændigt billede af, hvad der virker, og hvad der ikke gør. Med andre ord, "hvor du kan prøve for at få det bedste valuta for pengene, " sagde Ozik.

I mellemtiden Argonnes EMEWS optrådte som en dirigent, signalere de genetiske og aktive læringsalgoritmer på de rigtige tidspunkter og koordinere det store antal simuleringer på Argonnes Bebop-klynge i dets Laboratory Computing Resource Center, samt på University of Chicagos Beagle supercomputer.

Bevæger sig ud over medicin

Forskerholdet anvender lignende tilgange til udfordringer på tværs af forskellige kræfttyper, inklusive kolon, bryst- og prostatacancer.

Argonnes EMEWS-ramme kan tilbyde indsigt på områder ud over medicin. Ja, Ozik og Collier bruger i øjeblikket systemet til at udforske kompleksiteten af ​​sjældne jordarters metaller og deres forsyningskæder. "Med denne nye tilgang, forskere kan bruge agent-baseret modellering på mere videnskabeligt robuste måder, " sagde Collier.