在接受新辅助治疗后,机器学习和转移性乳腺癌的机制建模
Sebastien Benzekry1, Michalis Mastri2, Chiara Nicolò3
1Computational Pharmacology and Clinical Oncology (COMPO), Inria Sophia Antipolis-Méditerranée, Cancer Research Center of Marseille, Inserm UMR1068, CNRS UMR7258, Aix Marseille University UM105, Marseille, France.
PLoS computational biology
|May 3, 2024
概括
在乳腺癌模型中,新辅助体受体氨酸激酶抑制剂 (RTKI) 治疗会缩小瘤,但无法预防术后转移. 临床前建模和机器学习没有发现可靠的生物标志物来预测治疗反应或转移性进展.
科学领域:
- 在瘤学瘤学.
- 数学生物学 数学生物学
- 翻译研究是翻译研究.
背景情况:
- 乳腺癌的新辅助治疗旨在在手术前减少瘤大小,并评估治疗反应.
- 临床前模型很少模拟完整的新辅助剂-手术-监测序列.
- 了解术后疾病进展对于优化乳腺癌治疗至关重要.
研究的目的:
- 开发和验证乳腺癌中新辅助治疗反应的预测数学模型.
- 为了评估苏尼蒂尼布的疗效,一个受体氨酸激酶抑制剂 (RTKI),在自发转移的临床前模型.
- 识别潜在的生物标志物来预测个体患者的动力学和治疗结果.
主要方法:
- 使用了一种小鼠模型,在初级瘤切除后发生自发转移.
- 开发了一种新的数学动力学-药理动力学模型,通过128只小鼠的纵向数据进行验证.
- 应用非线性混合效应建模和机器学习 (SVM,随机森林,ANN) 来分析瘤大小,转移负担和生物标记数据.
主要成果:
- 计算模拟表明,新辅助RTKI治疗抑制了原发性瘤生长,但对术后 (微型) 转移性疾病的疗效有限.
- 机器学习分析未能确定确定的生物标志物 (循环瘤细胞,MDSC,CD31,Ki67) 来预测个体动力学或转移性进展.
- 量化了转移动态和生存时间的显著动物间变异性.
结论:
- 新辅助RTKI治疗可能不足以防止乳腺癌手术后的转移性传播.
- 临床前数学建模对于早期识别潜在的临床试验失败非常有价值.
- 缺乏预测性生物标志物凸显了术后乳腺癌管理的复杂性和需要改进治疗策略的需要.
