Modelado estocástico-determinista de las respuestas inmunes y la evolución del tumor bajo influencia terapéutica:...

Área de la Ciencia:

• En el campo de la oncología
• Biología computacional
• La inmunoterapia

Sus antecedentes:

• Los anticuerpos monoclonales y los interferones muestran sinergia en la quimioterapia contra el cáncer.
• El modelado matemático es crucial para comprender la dinámica tumoral-inmune y desarrollar tratamientos.
• El modelado predictivo puede reducir los costos de descubrimiento de fármacos e iteraciones experimentales.

Objetivo del estudio:

• Desarrollar una metodología precisa basada en la IA para comprender la respuesta inmune a la terapia contra el cáncer.
• Para pronosticar las respuestas a la terapia, optimizar el tiempo y la dosificación para los tratamientos inmunomoduladores.
• Para aclarar los determinantes de las interacciones tumoral-inmunológicas y la eficacia terapéutica.

Principales métodos:

• Utilizó redes exógenas autorregresivas no lineales (NARX) combinadas con el modelado diferencial estocástico-determinista.
• Empleó el método numérico de Adams para generar datos de capacitación, prueba y validación.
• Realizó un análisis de errores para validar el rendimiento y la precisión del marco.

Principales resultados:

• El marco desarrollado predice con precisión la dinámica de la respuesta inmune en la quimioterapia del cáncer.
• Se logró un error cuadrado medio entre 10^-11 y 10^-8, lo que demuestra una alta precisión.
• Se han identificado determinantes clave que influyen en las interacciones tumoral-inmunológicas y en la eficacia del tratamiento.

Conclusiones:

• El modelado predictivo impulsado por IA ofrece un enfoque poderoso para las intervenciones terapéuticas racionalizadas en oncología.
• Esta metodología mejora la comprensión de las complejas interacciones tumor-inmunoterapia-quimioterapia.
• El marco apoya estrategias de tratamiento optimizadas, lo que podría reducir los costes experimentales.