Die Erweiterung der Grenzen der personalisierten Medizin mit high-performance-computing

Was soll personalisierte, Präzision in der Behandlung von Krebs in der Zukunft Aussehen? Wir wissen, dass Menschen unterschiedlich sind, Ihre Tumoren sind anders, und Sie reagieren unterschiedlich auf verschiedene Therapien. Die medizinischen teams der Zukunft sein könnte, in der Lage zu schaffen, ein „virtueller Zwilling“ von einer person und deren tumor. Dann, durch Tippen auf Supercomputern, Arzt-geführten teams konnte simuliert werden, wie Tumorzellen Verhalten, um zu testen, Millionen (oder Milliarden) von möglichen Kombinationen. Letztlich werden die besten Kombinationen bieten könnten Hinweise in Richtung personalisierte, effektive Behandlung zu planen.

Klingt wie Wunschdenken? Die ersten Schritte in Richtung dieser vision unternommen wurde, durch eine multi-institution Zusammenarbeit in der Forschung, die beinhaltet, Jonathan Ozik und Nicholson Collier, computational Wissenschaftler des US Department of Energy ‚ s Argonne National Laboratory.

Das research team umfasst Mitarbeiter an der Indiana University und der University of Vermont Medical Center gebracht, die Leistung von high-performance computing, um die heikle Herausforderung der Verbesserung der Krebs-Immuntherapie. Das team klopfte twin Supercomputer am Argonne und der University of Chicago, der Suche nach, dass high-performance-computing ergeben können Hinweise im Kampf gegen den Krebs, wie bereits im 7. Juni veröffentlichten Artikel in “ Molecular Systems Engineering und Design.

„Mit diesem neuen Ansatz können die Forscher verwenden, agent-based modeling in mehr wissenschaftlich fundierten Weise.“ — Nicholson Collier, computational scientist am Argonne und der University of Chicago

Stand bis zu Krebs

Krebs-Immuntherapie ist eine viel versprechende Behandlung, die neu auf das Immunsystem zu reduzieren oder zu beseitigen Krebszellen. Die Therapie, jedoch, hilft nur noch 10 bis 20 Prozent der Patienten-Teils, weil der Weg in die Krebszellen und Zellen des Immunsystems zu mischen, ist Komplex und schlecht verstanden. Bewährte Regeln sind Mangelware.

Um zu beginnen, die Aufdeckung der Regeln der Immuntherapie, die das team wandte sich an einen Satz von drei tools:

• Agent-based modeling, die prognostizierte das Verhalten der einzelnen „Agenten“ – Krebs-und immun-Zellen, in diesem Fall
• Argonne preisgekrönten workflow-Technologie, um vollen nutzen aus dem Supercomputer
• Einen Orientierungsrahmen zu erkunden, Modelle und dynamisch, direkte und Ergebnisse verfolgen

Das trio Betrieb in einer Hierarchie. Des Rahmens, entwickelt durch Ozik, Collier, Argonne Kollegen, und Gary Ein, ein Chirurg und professor an der Universität von Vermont Medical Center, wird als Extreme-scale-Modell Untersuchungen mit Swift (EMEWS). Es überwacht die Agenten-basiertes Modell und das workflow-system, das Swift/T parallel-scripting-Sprache, entwickelt an der Argonne und der University of Chicago.

Was ist das Besondere an dieser Kombination? „Wir helfen mehr Menschen in einer Vielzahl von computational-science-Bereichen zu tun, groß angelegte Experimente mit Ihren Modellen,“ sagte Ozik, die — wie Collier — hält einen gemeinsamen Termin an der Universität von Chicago. „Ein Modell zu bauen, macht Spaß. Aber ohne Supercomputer, ist es schwierig, wirklich zu verstehen, das volle Potenzial, wie sich die Modelle Verhalten können.“

Arbeit intelligenter, nicht härter

Das team versucht zu finden simulierten Szenarien, in denen:

• Keine zusätzlichen Krebs-Zellen wuchsen
• 90 Prozent der Krebszellen starben
• 99 Prozent der Krebszellen starben

Sie fanden, dass keine Krebs-Zellen wuchsen in 19 Prozent der Simulationen, 9 in 10 Krebszellen starben in 6 Prozent der Simulationen, und 99 in 100 Krebs Zellen starben in 2% der Simulationen.

Das team begann mit einem Agenten-basierten Modell, gebaut mit der PhysiCell framework, entwickelt von der Universität von Indiana ‚ s Paul Macklin zu erkunden, Krebs und anderen Krankheiten. Sie teilte jede Krebs -, immun-und Zell-Eigenschaften — Geburt und Tod Tarife, zum Beispiel -, die für Ihr Verhalten und dann lassen Sie Sie lose.

„Wir verwenden agent-based modeling, um viele Probleme“, sagte Ozik. „Aber diese Modelle sind oft sehr rechenintensiv und produzieren eine Menge von Rauschen.“

Die Erkundung jedes mögliche Szenario in der PhysiCell Modell wäre unpraktisch. „Sie können nicht auf das gesamte Modell möglich Verhalten Raum“, sagte Collier. So musste das team um intelligenter arbeiten, nicht härter.

Das team stützte sich auf zwei Ansätze-genetische algorithmen und das aktive lernen, die Formen des maschinellen Lernens — ein Leitfaden für den PhysiCell Modell und finden Sie die Parameter, die am besten kontrolliert oder getötet werden die simulierten Krebszellen.

Genetische algorithmen versuchen diese optimalen Parameter durch die Simulation das Modell, sagen wir, 100 mal und die Messung der Ergebnisse. Das Modell wiederholt dann den Prozess wieder und wieder mit einer besseren Leistung Parameterwerte jeder Zeit. „Der Prozess ermöglicht es Ihnen, zu finden, den besten Satz von Parametern schnell, ohne jede einzelne Kombination,“ sagte Collier.

Aktives lernen ist anders. Es werden auch immer wieder simuliert das Modell, aber, wie es tut, es versucht zu entdecken, die Regionen-parameter-Werte, wo es wäre sehr vorteilhaft, um weiter zu erforschen, um sich ein vollständiges Bild von dem, was funktioniert und was nicht. In anderen Worten, „wo können Sie probieren, um den besten Knall für Ihren Dollar“, sagte Ozik.

Mittlerweile, Argonne ist EMEWS wirkte wie ein Dirigent, signalisiert die genetische und aktives lernen von algorithmen an den richtigen stellen und die Koordination der großen Anzahl von Simulationen auf dem Argonne ‚ s Bebop-cluster in seinem Labor Computing-Ressource-Center, sowie an der University of Chicago Beagle-supercomputer.

Moving beyond Medizin

Das research-team ist die Anwendung auf ähnliche Ansätze, um Herausforderungen in verschiedenen Krebsarten, darunter Darm -, Brust-und Prostata-Krebs.

Argonne ist EMEWS Rahmen bieten Einblicke in Gebiete außerhalb der Medizin. In der Tat, Ozik und Collier sind derzeit mit dem system zur Erkundung der Komplexität des seltene-Erden-Metalle und deren Lieferketten. „Mit diesem neuen Ansatz können die Forscher verwenden, agent-based modeling in mehr wissenschaftlich robuste Möglichkeiten“, sagte Collier.

Das team Randy Heiland, senior systems analyst und Programmierer an der Universität von Indiana. Argonne-Forscher wurden gefördert durch die National Institutes of Health.