使用稀疏识别和潜伏变量来发现和解释CAR T细胞杀死的数据驱动模型.
Alexander B Brummer1,2, Agata Xella3, Ryan Woodall1
1Division of Mathematical Oncology, Department of Computational and Quantitative Medicine, Beckman Research Institute, City of Hope National Medical Center, Duarte, CA, United States.
Frontiers in immunology
|May 31, 2023
概括
这项研究应用了SINDy算法来发现癌症治疗中细胞与细胞相互作用的动态. 这种数据驱动的方法增强了对仿真抗原受体T细胞动态的理解,以提高治疗疗效.
科学领域:
- 计算生物学 计算生物学
- 癌症研究 癌症研究
- 免疫治疗是一种免疫疗法.
背景情况:
- 量化数学模型对于理解基于细胞的癌症治疗疗效至关重要.
- 验证和解释这些模型需要精确的数学公式和实验数据分析.
研究的目的:
- 应用稀疏识别非线性动力学 (SINDy) 算法,在实验数据中发现细胞与细胞相互作用的动力学.
- 用潜变量分析和SINDy.推断CAR T细胞和癌细胞群体相互作用的关键方面.
- 在CAR T细胞功能和种群动态方面对发现的模型术语进行生物学解释.
主要方法:
- 将SINDy算法应用于化学抗原受体 (CAR) T细胞和来自患者的质母细胞瘤细胞的体外实验数据.
- 将潜变量分析与SINDy集成在一起,以推断相互作用动态.
- 与CAR T细胞反应,结合和密度依赖生长相关的模型术语的生物学解释.
主要成果:
- 这是SINDy对真正的生物系统的首次应用,用于发现细胞-细胞相互作用动态.
- 推断CAR-T细胞和癌细胞群体之间的关键相互作用动态.
- 模型术语的生物学解释性,揭示了CAR T细胞功能反应和种群动态的洞察力.
结论:
- 数据驱动的SINDy方法提供了与传统模型第一方法相比,对CAR T细胞动态的独特见解.
- 通过增强理解,SINDy有可能改善CAR T细胞治疗的实施和疗效.
- 这项工作证明了SINDy在推进基于细胞的癌症疗法的实用性.
