Агент-ориентированный подход в научных работах по онкологии и иммунологии. Часть II.
14) Как вершиной научно-моделистской мысли в описании с помощью агент-ориентированного моделирования самосогласованного развития опухоли под действием всевозможных внутренних и ряда внешних факторов является уже упоминавшаяся работа Жагиеллы и Миллера 2014 года, так и взаимодействие опухоли с иммунной системой и всевозможными типами лечения наиболее подробно описано в работе Кафера 2018 года. На данный момент это просто апогей научно-технической мысли, развивающейся в этом направлении. Быть может, многие могли достичь этого уровня в данной сфере, однако слишком уж многие предпочли сложить оружие и заняться чем-то другим. Не сложил разве что Гонг, ну так он и выпустил в 2017 статью сопоставимого уровня с работой Кафера 2017 года в компании моделеров из IMED.
Данная работа посвящена изучению устойчивости рака толстой и прямой кишки к иммунотерапии благодаря иммуносупрессивной микросреде опухоли. Целью же агентного подхода было проверить эффективность комбинаций иммунотерапии с другими видами лечения, а также верное описание микроокружения опухоли.
Детали: применялось 3-мерное агентное моделирование. Рост опухоли поддерживался наличием опухолевых стволовых клеток (CSC). В качестве агентов в модели присутствовали: злокачественные клетки (активные и покоящиеся), лимфоциты, клетки стромы, то есть фиброзная ткань и некротические области.
Что было новым по сравнению с работой 2017 года: наивные и проопухолевые макрофаги (последние ингибируют действие Т лимфоцитов).
Рассматривалось 2 качества областей опухоли и рядом с нею: адъювантность и антигенность, которые и определяли уничтожится опухоль или нет.
Антигенность состояла в том, что опухоли постепенно накапливали мутации и при превышении некоторого порога опухоли переставали быть невидимыми для иммунной системы.
Адъювантность, карта адъювантности: это имеет смысл сигналов микросреды опухоли, допустим, умирающие злокачественные клетки дают сигнал активации, а макрофаги - супрессирующий сигнал.
Переход от 2D к 3D рассмотрению увеличил возможное число рассматриваемых клеток до миллиона. Программа написана авторами в Matlab, ядро модели на C++, также задействовался Suite Sparse. И теперь самое главное: программа их может идти на кластере с 24 ядрами, что для меня нонсенс. Ведь это практически аксиома, что ABM практически не поддаётся распараллеливанию! На какие они жертвы пошли я могу только догадываться: в тексте статьи ответов нет.
Главной задачей Кафера было, как я уже анонсировал, тестирование различных стратегий лечения. Кратко перечислим протестированные стратегии:
CH - химиотерапия, увеличения частоты смерти опухолевых клеток, запрет клеточного деления;
LB (Lymphocyte Boost) - впрыск, увеличения числа лимфоцитов в расчётную область;
PD (anti-PD-L1) - эффект иммунотерапии реализован через обновление истощённых лимфоцитов и увеличение их устойчивости в ответ супрессию макрофагами;
RE - реполяризация макрофагов;
MD - обеднение макрофагами опухолевой микросреды;
SP - увеличение проницаемости стромы (эффекту этой терапии посещена, по сути, вся статья 2017 года);
MI - игибирование миграции злокачественных клеток.
Результаты:
1.Воспроизведение клеточного состава и архитектуры человеческого CRC (в том числе характерные островки стромы).
2. Предсказание общей выживаемости пациентов на независимой когорте пациентов. В данном случае ABM использовалось в качестве дополнительной ковариаты, т.е. если симуляция 12 раз предсказывала большую скорость опухоли для данных начальных условий, то пациента направляли в группу повышенного риска (p-value < 0.05).
3. Предсказание лечений разными терапиями:
CH - линейный dose-response;
MI - слабый линейный ответ;
LB - широкий спектр разных ответов;
CH+LB - лучший ответ.
4. Как разные терапии ведут себя на плоскости антигенность-адъювантность.
Лучший ответ наблюдался для опухолей с высокой антигенностью на LB, улучшенный с помощью PD.
Антимакрофаговая терапия помогала немножечко всем другим видам терапии.
Очень интересно: гиперпрогрессия наблюдалась при активации истощённых Т-лимфоцитов с помощью PD (и это более-менее соответствует экспериментальным данным, когда гиперпрогрессия действительно возникает в ответ на лечение пембролизумабом и ниволюмабом)!
Игибирование малых миграций опухолевых клеток даёт дополнительный эффект к лечению (непонятно за счёт чего, мешает образованию метастазов?)
Очень часто выигрышной стратегией является сочетание CH+MI.
И небольшая ремарка под конец: безусловно, в большинстве случаев агент-ориентированному моделированию недоступно без дополнительных ухищрений и надстроек мультимасштабное моделирование, то есть авторы не объясняли химио- и иммунотерапию на молекулярном уровне, вместо этого они объясняли не молекулярные пути, но воспроизводили наиболее подходящим образом проявляющийся эффект от подобного лечения.
Ещё одно коротенькое впечатление: такие работы уже неподвластны не то, что одиночкам, но даже маленьким группам авторам, на такую деятельность требуется очень значительные коллективы, куда входят моделеры, программисты, врачи, биохимики и т.д. достаточно взглянуть на приложенные авторами визуализации моделируемых процессов, чтобы оценить масштаб исследований и основательность их подхода.
15) Фредерик Рего и Роланд Ригос разработали трёхмерную модель клеточного автомата для моделирования перемещений клеток и их взаимодействий вдоль ретикулярной сети внутри лимфатической ткани. Они численно доказали, что плотность сети оказывает малое влияние на вероятность того, вступит ли клетка в контакт с мишенью (статической или подвижной). Однако ущерб, вызванный нарушением сети, максимален при плотностях сети, соответствующих плотностям, наблюдаемым в селезенке наивных мышей. Их анализ показал, что сеть фибробластов как направляющая структура для перемещения Т-клеток оказывает лишь незначительное влияние на вероятность нахождения соответствующей ДК. Авторы предложили ряд гипотез, по которым сеть FRC может существенно влиять на функциональность иммунных реакций.
Статья может похвастать отличным вступлением и большим количеством ссылок на статьи о микроархитектуре ЛУ. Я, честно говоря, только оттуда узнал, что ретикулярную сеть правильнее представлять не как струны, по которым происходит движение клеток иммунной системы, а скорее, как пространственные коридоры. Впрочем, стоит проверить эту информацию.
Построение 3-мерной сети на пространстве 20 на 20 на 20 патчей.
Авторами варьировалась плотность ретикулярных клеток, то есть плотность вершин. Для каждого значения плотности при этом рассматривалось 2 типа сетей: плотная (каждая вершина соединена минимум с двумя другими), редкая (не наложено никаких дополнительных условий на связность вершин). Редкая ретикулярная сеть моделирует некоторую степень её разрушения из-за болезни.
Что редкая, что плотная сети делают достижимыми все точки расчётной области при плотности клеток в 10%. Но кривая плотной сети всё время выше.
Странный результат тестирования для плотной и редкой сетей: почти не было изменений в распределении угла поворота между ситуациями без сети, и когда сеть фибробластов покрывает все моделируемое пространство. Эти наблюдения устойчивы к изменениям средней длины волокон между.
Нарушенная структура сети ухудшает вероятность контактов клеток в случае сетей обоих типов, как для контактов наивных Т клеток с ДК, так и CTL c подвижными мишенями.
Результаты моделирования говорят также о том, что ретикулярные сети, влияющие на скорость клеток, увеличивают вероятность контакта клеток
Сперва исследователи предполагали, что сеть FRC влияет только на направление движения клеток. Несколько экспериментов показывали, что хемокины, такие как CCR7-лиганды CCL19 и CCL21, высвобождаются FRC и непосредственно влияют на подвижность Т-клеток. Эксперименты показали, что эти CCR7-лиганды увеличивали среднюю скорость клеток в несколько раз. Пока клетка скользит вдоль имитируемых фибробластических ретикулярных волокон, основная скорость увеличивается на коэффициент бета (от 1.5 до 2.5)
В сценарии плотной сети вероятность контакта Т клетки и ДК слегка увеличивается при увеличении скоростей клеток. Но когда эффектор охотится за движущейся мишенью и обеспечивается плотная сеть, существует некая максимальная вероятность успешного поиска в зависимости от плотности сети.
Если же структура сети нарушена, вероятность того, что клетка найдет свою цель, минимальна именно для этой конфигурации (частоты ретикулярных клеток). Последнее наблюдение также справедливо в случае сценария: наивных Т-клеток, ищущих ДК.
Любопытное наблюдение из компьютерных симуляций: вероятность того, что движущаяся Т-клетка столкнется с статической ДК, не подвержена влиянию ретикулярной сети. Вероятно, это связано с тем, что в последней ситуации выступающие дендриты ДК сканируют большую часть расчётной области.
Момент, который я сразу не уловил из статьи: доля времени, в течение которого симулированная клетка скользит по волокнами сети, составляет около 80% и зависит от плотности ретикулярной сети.
Важно и то, что авторы использовали периодические граничные условия в клеточном автомате. Они проверили и убедились, что периодические граничные условия не влияют на их результаты.
Авторы замечают, что существующие ретикулярные сети в селезёнке наивных мышей чрезвычайно уязвимы перед разрушением и, возможно, были бы оправданы другие типы сетей, но эволюционное давление этого фактора может быть довольно низким.
Смысл филаментов, с их точки зрения, может состоять в “управлении толпой”, а именно толпой Т клеток возле ДК, которая может помешать сканированию. Клетки же, идущие по дорогам, будут двигать более организованно. Эта гипотеза требует проверок, однако.
Другая гипотеза, сеть фибробластов может помогать увеличивать время пребывания Т клеток в лимфоузле, делая их перемещения более запутанными.
Интересный момент, касающийся самого моделирования: взаимодействие Т-клеток с ДК и их контакт с ретикулярной сетью моделируется на двух отдельных, но взаимодействующих трехмерных решетках узлов и рёбер.
В работе также произведены полезные 3-мерные оценки для размеров Т-клеток, ДК и длины рёбер.