Investigación del metabolismo de la glucosa y el lactato en el glioblastoma multiforme a través de redes neuronales...

Área de la Ciencia:

• Biología computacional
• Biología de sistemas
• Metabolismo del cáncer

Sus antecedentes:

• Las células cancerosas exhiben adaptaciones metabólicas únicas cruciales para el crecimiento y la supervivencia del tumor.
• El glioblastoma, un tumor cerebral, muestra una heterogeneidad metabólica significativa.
• Comprender estos cambios metabólicos es clave para desarrollar terapias dirigidas.

Objetivo del estudio:

• Desarrollar y validar un marco de modelado híbrido para investigar el metabolismo de la glucosa y el lactato en el glioblastoma.
• Utilizar las redes neuronales informadas por la física (PINNs) y las PINNs universales (UPINNs) para inferir los parámetros del modelo y descubrir la dinámica metabólica oculta.
• Aplicar el marco a distintas líneas celulares de glioblastoma y evaluar su robustez.

Principales métodos:

• Se empleó un enfoque de modelado híbrido que combina PINNs y UPINNs.
• Los PINN se utilizaron para inferir parámetros relacionados con la absorción de glucosa y el cambio fenotípico.
• UPINNs incorporó una variable latente para modelar procesos glicolíticos desconocidos y dinámicas ocultas.

Principales resultados:

• El modelo híbrido infería con precisión los parámetros del metabolismo de la glucosa en las células de glioblastoma utilizando datos sintéticos.
• Los UPINN capturaron con éxito comportamientos metabólicos específicos del tipo de célula en las líneas celulares LN18 y LN229.
• El marco demostró su robustez frente al ruido experimental y proporcionó información sobre los sistemas dinámicos parcialmente observados.

Conclusiones:

• El marco UPINN ofrece un método potente e interpretable para el descubrimiento basado en datos en sistemas biológicos complejos.
• Este enfoque avanza en la comprensión del metabolismo de las células cancerosas y tiene una amplia aplicabilidad a problemas basados en ecuaciones diferenciales.
• El estudio destaca el potencial de las herramientas computacionales avanzadas para estrategias personalizadas de tratamiento del cáncer.