Toward predictive computational models of breast cancer development and treatment
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
LNCC_2b2b6b544ff53dad8bb4354fe43c142b |
---|---|
oai_identifier_str |
oai:tede-server.lncc.br:tede/387 |
network_acronym_str |
LNCC |
network_name_str |
Biblioteca Digital de Teses e Dissertações do LNCC |
repository_id_str |
|
spelling |
Almeida, Regina Célia Cerqueira deLima, Ernesto Augusto Bueno da FonsecaAlmeida, Regina Célia Cerqueira deMalta, Sandra Mara CardosoLoula, Abimael Fernando DouradoCoutinho, Alvaro Luiz Gayoso de AzeredoChammas, Rogerhttp://lattes.cnpq.br/5180357297508178Resende, Anna Claudia Mello de2024-02-20T17:46:58Z2020-12-21RESENDE, A. C. M. Toward predictive computational models of breast cancer development and treatment, 2020. 114 f. Tese (Doutorado em Modelagem Computacional) - Laboratório Nacional de Computação Científica, Petrópolis, 2020.https://tede.lncc.br/handle/tede/387O 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.Cancer is a major public health problem that can be investigated with the use of mathemat- ical modeling. In this thesis, we develop clinically relevant mathematical models of tumor growth and treatment response that can incorporate quantitative and spatiotemporal data from individuals carcinomas. Such development relies on the principles of a powerful adaptive model selection and validation system that focus on the concepts of Bayesian model plausibilities and information theory. Specifically, in the first part of this work, we assess the ability of different mathematical models to describe the in vitro dynamics of four triple-negative breast cancer cell lines (MDA-MB-231, MDA-MB-453, MDA-MB-468, SUM-149PT) in response to treatment with doxorubicin at different concentrations and drug exposures. We show that the Bayesian approach is useful as it accounts for uncertainty in the variety of models considered, parameters, and observational data. Our analysis points to the use of a combination of models and not a single model to allow variations in the therapeutic protocols of a heterogeneous tumor environment. For the second part of this work, we propose an in vivo image-driven approach to recover solid tumor deformation. This information plays an important role in the development of tumor growth induced stresses and ultimately modulates tumor cell proliferation and invasion. More specifically, our aim is to integrate imaging-informed tumor deformation with a tumor growth model using optical flow techniques. We show that a simple optical flow technique may capture deformations appearing in breast cancers in synthetic scenarios. In summary, this research integrates components of predictive medical science and mathematical modeling necessary to make a step towards reliable, patient-specific predictions of the growth of carcinomas, and its response to different treatment modalities: high-fidelity mathematical models implemented on multiprocessor computing platforms, integration of in vivo experiments for model calibration, and high-resolution imaging methodologies for patient-specific model validation. The overarching hypothesis is that new, reliable, validated computational models can provide a systematic approach to develop cancer therapies of unprecedented value, ultimately reducing fatalities due to cancer. We expect that effective implemen- tations can positively impact clinical outcomes such as time-to-progression and overall survival, and that predictive computational models can be used to design and guide such implementations.Submitted by Patrícia Vieira Silva (library@lncc.br) on 2024-02-20T17:46:21Z No. of bitstreams: 1 Tese_Anna claudia Mello de Resende.pdf: 21856774 bytes, checksum: 7daff8aa5d3b640d53269811f7886596 (MD5)Approved for entry into archive by Patrícia Vieira Silva (library@lncc.br) on 2024-02-20T17:46:42Z (GMT) No. of bitstreams: 1 Tese_Anna claudia Mello de Resende.pdf: 21856774 bytes, checksum: 7daff8aa5d3b640d53269811f7886596 (MD5)Made available in DSpace on 2024-02-20T17:46:58Z (GMT). No. of bitstreams: 1 Tese_Anna claudia Mello de Resende.pdf: 21856774 bytes, checksum: 7daff8aa5d3b640d53269811f7886596 (MD5) Previous issue date: 2020-12-21Conselho Nacional de Desenvolvimento Científico e Tecnológicoapplication/pdfhttp://tede-server.lncc.br:8080/retrieve/1728/Tese_Anna%20claudia%20Mello%20de%20Resende.pdf.jpgengLaboratório Nacional de Computação CientíficaPrograma de Pós-Graduação em Modelagem ComputacionalLNCCBrasilCoordenação de Pós-Graduação e Aperfeiçoamento (COPGA)Câncer de mamaCâncer - Modelos matemáticosTeoria bayesiana de decisão estatísticaCNPQ::CIENCIAS DA SAUDE::MEDICINA::CLINICA MEDICA::CANCEROLOGIAToward predictive computational models of breast cancer development and treatmentinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações do LNCCinstname:Laboratório Nacional de Computação Científica (LNCC)instacron:LNCCTHUMBNAILTese_Anna claudia Mello de Resende.pdf.jpgTese_Anna claudia Mello de Resende.pdf.jpgimage/jpeg3454http://tede-server.lncc.br:8080/tede/bitstream/tede/387/4/Tese_Anna+claudia+Mello+de+Resende.pdf.jpg3eac37b19a3824974f28b22a65cd49f0MD54TEXTTese_Anna claudia Mello de Resende.pdf.txtTese_Anna claudia Mello de Resende.pdf.txttext/plain252637http://tede-server.lncc.br:8080/tede/bitstream/tede/387/3/Tese_Anna+claudia+Mello+de+Resende.pdf.txt4c18941511f9d4f3ec2ec46d2a50c28bMD53ORIGINALTese_Anna claudia Mello de Resende.pdfTese_Anna claudia Mello de Resende.pdfapplication/pdf21856774http://tede-server.lncc.br:8080/tede/bitstream/tede/387/2/Tese_Anna+claudia+Mello+de+Resende.pdf7daff8aa5d3b640d53269811f7886596MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82165http://tede-server.lncc.br:8080/tede/bitstream/tede/387/1/license.txtbd3efa91386c1718a7f26a329fdcb468MD51tede/3872024-02-21 01:29:36.951oai:tede-server.lncc.br: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Biblioteca Digital de Teses e Dissertaçõeshttps://tede.lncc.br/PUBhttps://tede.lncc.br/oai/requestlibrary@lncc.br||library@lncc.bropendoar:2024-02-21T04:29:36Biblioteca Digital de Teses e Dissertações do LNCC - Laboratório Nacional de Computação Científica (LNCC)false |
dc.title.por.fl_str_mv |
Toward predictive computational models of breast cancer development and treatment |
title |
Toward predictive computational models of breast cancer development and treatment |
spellingShingle |
Toward predictive computational models of breast cancer development and treatment Resende, Anna Claudia Mello de Câncer de mama Câncer - Modelos matemáticos Teoria bayesiana de decisão estatística CNPQ::CIENCIAS DA SAUDE::MEDICINA::CLINICA MEDICA::CANCEROLOGIA |
title_short |
Toward predictive computational models of breast cancer development and treatment |
title_full |
Toward predictive computational models of breast cancer development and treatment |
title_fullStr |
Toward predictive computational models of breast cancer development and treatment |
title_full_unstemmed |
Toward predictive computational models of breast cancer development and treatment |
title_sort |
Toward predictive computational models of breast cancer development and treatment |
author |
Resende, Anna Claudia Mello de |
author_facet |
Resende, Anna Claudia Mello de |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Almeida, Regina Célia Cerqueira de |
dc.contributor.advisor2.fl_str_mv |
Lima, Ernesto Augusto Bueno da Fonseca |
dc.contributor.referee1.fl_str_mv |
Almeida, Regina Célia Cerqueira de |
dc.contributor.referee2.fl_str_mv |
Malta, Sandra Mara Cardoso |
dc.contributor.referee3.fl_str_mv |
Loula, Abimael Fernando Dourado |
dc.contributor.referee4.fl_str_mv |
Coutinho, Alvaro Luiz Gayoso de Azeredo |
dc.contributor.referee5.fl_str_mv |
Chammas, Roger |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/5180357297508178 |
dc.contributor.author.fl_str_mv |
Resende, Anna Claudia Mello de |
contributor_str_mv |
Almeida, Regina Célia Cerqueira de Lima, Ernesto Augusto Bueno da Fonseca Almeida, Regina Célia Cerqueira de Malta, Sandra Mara Cardoso Loula, Abimael Fernando Dourado Coutinho, Alvaro Luiz Gayoso de Azeredo Chammas, Roger |
dc.subject.por.fl_str_mv |
Câncer de mama Câncer - Modelos matemáticos Teoria bayesiana de decisão estatística |
topic |
Câncer de mama Câncer - Modelos matemáticos Teoria bayesiana de decisão estatística CNPQ::CIENCIAS DA SAUDE::MEDICINA::CLINICA MEDICA::CANCEROLOGIA |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS DA SAUDE::MEDICINA::CLINICA MEDICA::CANCEROLOGIA |
description |
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. |
publishDate |
2020 |
dc.date.issued.fl_str_mv |
2020-12-21 |
dc.date.accessioned.fl_str_mv |
2024-02-20T17:46:58Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
RESENDE, A. C. M. Toward predictive computational models of breast cancer development and treatment, 2020. 114 f. Tese (Doutorado em Modelagem Computacional) - Laboratório Nacional de Computação Científica, Petrópolis, 2020. |
dc.identifier.uri.fl_str_mv |
https://tede.lncc.br/handle/tede/387 |
identifier_str_mv |
RESENDE, A. C. M. Toward predictive computational models of breast cancer development and treatment, 2020. 114 f. Tese (Doutorado em Modelagem Computacional) - Laboratório Nacional de Computação Científica, Petrópolis, 2020. |
url |
https://tede.lncc.br/handle/tede/387 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Laboratório Nacional de Computação Científica |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Modelagem Computacional |
dc.publisher.initials.fl_str_mv |
LNCC |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Coordenação de Pós-Graduação e Aperfeiçoamento (COPGA) |
publisher.none.fl_str_mv |
Laboratório Nacional de Computação Científica |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações do LNCC instname:Laboratório Nacional de Computação Científica (LNCC) instacron:LNCC |
instname_str |
Laboratório Nacional de Computação Científica (LNCC) |
instacron_str |
LNCC |
institution |
LNCC |
reponame_str |
Biblioteca Digital de Teses e Dissertações do LNCC |
collection |
Biblioteca Digital de Teses e Dissertações do LNCC |
bitstream.url.fl_str_mv |
http://tede-server.lncc.br:8080/tede/bitstream/tede/387/4/Tese_Anna+claudia+Mello+de+Resende.pdf.jpg http://tede-server.lncc.br:8080/tede/bitstream/tede/387/3/Tese_Anna+claudia+Mello+de+Resende.pdf.txt http://tede-server.lncc.br:8080/tede/bitstream/tede/387/2/Tese_Anna+claudia+Mello+de+Resende.pdf http://tede-server.lncc.br:8080/tede/bitstream/tede/387/1/license.txt |
bitstream.checksum.fl_str_mv |
3eac37b19a3824974f28b22a65cd49f0 4c18941511f9d4f3ec2ec46d2a50c28b 7daff8aa5d3b640d53269811f7886596 bd3efa91386c1718a7f26a329fdcb468 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações do LNCC - Laboratório Nacional de Computação Científica (LNCC) |
repository.mail.fl_str_mv |
library@lncc.br||library@lncc.br |
_version_ |
1797683220306722816 |