Toward predictive computational models of breast cancer development and treatment

• Autor(a) principal: Resende, Anna Claudia Mello de
• Data de Publicação: 2020
• Tipo de documento: Tese
• Idioma: eng
• Título da fonte: Biblioteca Digital de Teses e Dissertações do LNCC
• Texto Completo: https://tede.lncc.br/handle/tede/387
• topic: Câncer de mama; Câncer - Modelos matemáticos; Teoria bayesiana de decisão estatística; CNPQ::CIENCIAS DA SAUDE::MEDICINA::CLINICA MEDICA::CANCEROLOGIA

O câncer é um importante problema de saúde pública que pode ser investigado com o uso de modelagem matemática. Nesta tese, desenvolvemos modelos matemáticos clinicamente relevantes para descrever o crescimento tumoral e resposta à tratamentos que podem incorporar dados quantitativos e espaço-temporais de carcinomas individuais. Tal desenvol- vimento se baseia nos princípios de um poderoso sistema de seleção e validação de modelos adaptativo que enfoca os conceitos de plausibilidades de modelos Bayesianos e teoria da informação. Especificamente, na primeira parte deste trabalho, avaliamos a capacidade de diferentes modelos matemáticos para descrever a dinâmica in vitro de quatro linhagens de células de câncer de mama triplo-negativo (MDA-MB-231, MDA-MB-453, MDA-MB-468, SUM-149PT) em resposta ao tratamento com doxorrubicina em diferentes concentrações e exposições ao medicamento. Mostramos que a abordagem Bayesiana é útil, pois considera a incerteza nos vários modelos considerados, parâmetros e dados observacionais. Nossa análise aponta para o uso de uma combinação de modelos e não de um único modelo para permitir variações nos protocolos terapêuticos de um ambiente tumoral heterogêneo. Na segunda parte deste trabalho, propomos uma abordagem baseada em imagem in vivo para recuperar a deformação de tumores sólidos. Esta informação desempenha um papel importante no desenvolvimento de tensões induzidas pelo crescimento do tumor e, em última análise, modula a proliferação e invasão das células tumorais. Mais especificamente, nosso objetivo é integrar a deformação tumoral informada por imagem com um modelo de crescimento tumoral usando técnicas de fluxo óptico. Mostramos que mesmo uma técnica de fluxo óptico simples pode capturar deformações que aparecem em cânceres de mama em cenários sintéticos. Em resumo, esta pesquisa integra componentes da ciência médica preditiva e modelagem matemática fundamentais na direção de previsões confiáveis e paciente-específicas do crescimento de carcinomas, e sua resposta a diferentes modalidades de tratamento: modelos matemáticos de alta fidelidade implementados em plataformas de computação multiprocessador, integração de experimentos in vivo para calibração de modelos e metodologias de imagem de alta resolução para validação de modelos paciente- específicos. A hipótese geral é que novos modelos computacionais, confiáveis e validados podem fornecer uma abordagem sistemática para desenvolver terapias contra o câncer e, em última análise, reduzir as fatalidades que ocorrem devido à doença. Esperamos que a plataforma de modelagem assim construída possa impactar positivamente os resultados clínicos, como tempo de progressão da doença e sobrevida geral, e que modelos preditivos possam ser usados para projetar e orientar ações terapêuticas.