通过综合成像和数学建模框架,了解患者衍生的瘤器官生长
Einar Bjarki Gunnarsson1,2, Seungil Kim3, Brandon Choi3,4
1Applied Mathematics Division, Science Institute, University of Iceland, Reykjavík, Iceland.
PLoS computational biology
|August 2, 2024
概括
患者衍生瘤器官 (PDTO) 揭示了患者内部和患者之间显著的生长差异. 了解这种异质性是开发个性化癌症治疗和预测耐药性的关键.
科学领域:
- 在瘤学瘤学.
- 生物技术是生物技术.
- 计算生物学 计算生物学
背景情况:
- 患者衍生瘤器官 (PDTO) 是研究癌症和药物反应的有价值模型.
- PDTOs保留了患者的瘤特征,使得个性化治疗策略的开发成为可能.
- 对PDTO生长动态的定量理解对于临床预测至关重要.
研究的目的:
- 开发和应用一个创新的工作流程来分析PDTO的增长动态.
- 整合高通量成像,深度学习和数学建模用于有机体分析.
- 为了研究结肠癌有机体生长的患者内异质性.
主要方法:
- 开发了一种工作流程,将深度学习成像与数学建模相结合.
- 将灵活的生长规律和可变休眠时间纳入模型中.
- 将工作流应用于结肠癌PDTO,以分析生长动态.
主要成果:
- 有机体的生长被Gompertz模型准确地描述.
- 在PDTO增长率中观察到显著的患者内异质性,遵循逻辑正常分布.
- 异质性水平,生长速度和休眠时间在患者之间差异很大.
结论:
- PDTO的增长动态在患者内部和患者之间表现出显著的异质性.
- 这种异质性影响了预测治疗反应和耐药性时间的潜力.
- 这些发现促进了对PDTO增长特征的理解,用于未来的建模工作.
