Argonnes Jonathan Ozik (bilden) och Nicholson Collier letar efter ledtrådar om hur man kan förbättra cancerimmunterapin genom att utnyttja kraften hos superdatorer vid Argonne och University of Chicago. Kredit:Argonne National Laboratory
Vad ska anpassas, precisionsbehandling av cancer ser ut i framtiden? Vi vet att människor är olika, deras tumörer är olika, och de svarar olika på olika terapier. Framtidens medicinska team kanske kan skapa en "virtuell tvilling" av en person och deras tumör. Sedan, genom att trycka på superdatorer, Läkarledda team kan simulera hur tumörceller beter sig för att testa miljontals (eller miljarder) möjliga behandlingskombinationer. I sista hand, de bästa kombinationerna kan ge ledtrådar till en personlig, effektiv behandlingsplan.
Låter det som önsketänkande? De första stegen mot denna vision har tagits av ett forskningssamarbete mellan flera institutioner som inkluderar Jonathan Ozik och Nicholson Collier, beräkningsforskare vid det amerikanska energidepartementets Argonne National Laboratory.
Forskargruppen, som inkluderar medarbetare vid Indiana University och University of Vermont Medical Center, förde kraften hos högpresterande datorer till den svåra utmaningen att förbättra immunterapin mot cancer. Teamet använde dubbla superdatorer vid Argonne och University of Chicago, att finna att högpresterande datoranvändning kan ge ledtrådar i kampen mot cancer, som diskuteras i en artikel den 7 juni publicerad i Molecular Systems Design and Engineering.
"Med detta nya tillvägagångssätt, forskare kan använda agentbaserad modellering på mer vetenskapligt robusta sätt." - Nicholson Collier, beräkningsforskare vid Argonne och University of Chicago.
Att stå emot cancer
Cancerimmunterapi är en lovande behandling som justerar ditt immunförsvar för att minska eller eliminera cancerceller. Terapin, dock, hjälper bara 10 till 20 procent av patienterna – delvis för att sättet på vilket cancerceller och immunceller blandas är komplext och dåligt förstått. Beprövade regler är knappa.
För att börja avslöja reglerna för immunterapi, teamet använde en uppsättning av tre verktyg:
Trion verkar i en hierarki. Ramverket, utvecklad av Ozik, Collier, Argonne kollegor, och Gary An, en kirurg och professor vid University of Vermont Medical Center, kallas Extreme-scale Model Exploration with Swift (EMEWS). Den övervakar den agentbaserade modellen och arbetsflödessystemet, Swift/T parallella skriptspråk, utvecklad vid Argonne och University of Chicago.
Vad är unikt med denna kombination av verktyg? "Vi hjälper fler människor inom en mängd olika beräkningsvetenskapliga områden att experimentera i stor skala med sina modeller, sa Ozik, som – liksom Collier – har en gemensam anställning vid University of Chicago. "Att bygga en modell är kul. Men utan superdatorer, det är svårt att verkligen förstå den fulla potentialen i hur modeller kan bete sig."
Jobbar smartare, inte svårare
Teamet försökte hitta simulerade scenarier där:
De fann att inga cancerceller växte i 19 procent av simuleringarna, 9 av 10 cancerceller dog i 6 procent av simuleringarna, och 99 av 100 cancerceller dog i cirka 2 procent av simuleringarna.
Jonathan Ozik funderar över resultatet av teamets arbete med att identifiera, via simulering, reglerna för cancerimmunterapi. Kredit:Argonne National Laboratory
Teamet började med en agentbaserad modell, byggd med PhysiCell-ramverket, designad av Indiana Universitys Paul Macklin för att utforska cancer och andra sjukdomar. De tilldelade varje cancer och immuncell egenskaper - födelse- och dödsfrekvens, till exempel – som styr deras beteende och sedan släpper loss dem.
"Vi använder agentbaserad modellering för att lösa många problem, ", sa Ozik. "Men dessa modeller är ofta beräkningsintensiva och producerar mycket slumpmässigt brus."
Att utforska alla möjliga scenarier inom PhysiCell-modellen skulle ha varit opraktiskt. "Du kan inte täcka hela modellens möjliga beteendeutrymme, " sa Collier. Så laget behövde arbeta smartare, inte svårare.
Teamet förlitade sig på två metoder – genetiska algoritmer och aktivt lärande, som är former av maskininlärning — för att vägleda PhysiCell-modellen och hitta de parametrar som bäst kontrollerade eller dödade de simulerade cancercellerna.
Genetiska algoritmer söker de idealiska parametrarna genom att simulera modellen, säga, 100 gånger och mäter resultaten. Modellen upprepar sedan processen om och om igen med bättre presterande parametervärden varje gång. "Processen låter dig hitta den bästa uppsättningen parametrar snabbt, utan att behöva köra varenda kombination, sa Collier.
Aktivt lärande är annorlunda. Den simulerar också upprepade gånger modellen, men, som det gör, den försöker upptäcka regioner med parametervärden där det skulle vara mest fördelaktigt att utforska ytterligare för att få en fullständig bild av vad som fungerar och vad som inte fungerar. Med andra ord, "där du kan prova för att få bästa möjliga valuta för pengarna, sa Ozik.
Under tiden, Argonnes EMEWS agerade som en dirigent, signalerar de genetiska och aktiva inlärningsalgoritmerna vid rätt tidpunkter och koordinerar det stora antalet simuleringar på Argonnes Bebop-kluster i dess Laboratory Computing Resource Center, samt på University of Chicagos Beagle superdator.
Går bortom medicin
Forskargruppen tillämpar liknande tillvägagångssätt för utmaningar över olika cancertyper, inklusive kolon, bröst- och prostatacancer.
Argonnes EMEWS-ramverk kan erbjuda insikter inom områden bortom medicin. Verkligen, Ozik och Collier använder för närvarande systemet för att utforska komplexiteten hos sällsynta jordartsmetaller och deras leveranskedjor. "Med detta nya tillvägagångssätt, forskare kan använda agentbaserad modellering på mer vetenskapligt robusta sätt, sa Collier.
