Jonathan Ozik (photo) d'Argonne et Nicholson Collier recherchent des indices sur la façon d'améliorer l'immunothérapie du cancer en exploitant la puissance des superordinateurs d'Argonne et de l'Université de Chicago. Crédit :Laboratoire National d'Argonne
Que faut-il personnaliser, le traitement de précision du cancer ressemble-t-il à l'avenir? Nous savons que les gens sont différents, leurs tumeurs sont différentes, et ils réagissent différemment aux différentes thérapies. Les équipes médicales du futur pourraient être en mesure de créer un « jumeau virtuel » d'une personne et de sa tumeur. Puis, en tapant sur les supercalculateurs, Des équipes dirigées par des médecins pourraient simuler le comportement des cellules tumorales pour tester des millions (ou des milliards) de combinaisons de traitements possibles. Finalement, les meilleures combinaisons pourraient offrir des indices vers une personnalisation, plan de traitement efficace.
Cela ressemble à un vœu pieux ? Les premiers pas vers cette vision ont été entrepris par une collaboration de recherche multi-institutions qui comprend Jonathan Ozik et Nicholson Collier, informaticiens du Laboratoire national d'Argonne du département américain de l'Énergie.
L'équipe de recherche, qui comprend des collaborateurs de l'Université de l'Indiana et du Centre médical de l'Université du Vermont, a apporté la puissance du calcul haute performance au défi épineux de l'amélioration de l'immunothérapie du cancer. L'équipe a exploité des supercalculateurs jumeaux à Argonne et à l'Université de Chicago, constatant que le calcul haute performance peut fournir des indices dans la lutte contre le cancer, comme discuté dans un article du 7 juin publié dans Molecular Systems Design and Engineering.
« Avec cette nouvelle approche, les chercheurs peuvent utiliser la modélisation à base d'agents de manière plus robuste sur le plan scientifique. »—Nicholson Collier, informaticien à Argonne et à l'Université de Chicago.
Lutter contre le cancer
L'immunothérapie anticancéreuse est un traitement prometteur qui réaligne votre système immunitaire pour réduire ou éliminer les cellules cancéreuses. La thérapie, cependant, n'aide que 10 à 20 pour cent des patients, en partie parce que la manière dont les cellules cancéreuses et les cellules immunitaires se mélangent est complexe et mal comprise. Les règles éprouvées sont rares.
Pour commencer à découvrir les règles de l'immunothérapie, l'équipe s'est tournée vers un ensemble de trois outils :
Le trio opère dans une hiérarchie. Le cadre, développé par Ozik, Charbonnier, Collègues d'Argonne, et Gary An, chirurgien et professeur au University of Vermont Medical Center, s'appelle Extreme-scale Model Exploration with Swift (EMEWS). Il supervise le modèle basé sur les agents et le système de workflow, le langage de script parallèle Swift/T, développé à Argonne et à l'Université de Chicago.
En quoi cette combinaison d'outils est-elle unique ? "Nous aidons plus de personnes dans une variété de domaines de la science informatique à faire des expérimentations à grande échelle avec leurs modèles, " dit Ozik, qui, comme Collier, est titulaire d'un poste conjoint à l'Université de Chicago. "Construire un modèle est amusant. Mais sans supercalculateurs, il est difficile de vraiment comprendre tout le potentiel de la façon dont les modèles peuvent se comporter."
Travailler plus intelligemment, pas plus dur
L'équipe a cherché à trouver des scénarios simulés dans lesquels :
Ils ont constaté qu'aucune cellule cancéreuse ne s'est développée dans 19% des simulations, 9 cellules cancéreuses sur 10 sont mortes dans 6 % des simulations, et 99 cellules cancéreuses sur 100 sont mortes dans environ 2 % des simulations.
Jonathan Ozik s'interroge sur les résultats du travail de l'équipe sur l'identification, par simulation, les règles de l'immunothérapie anticancéreuse. Crédit :Laboratoire National d'Argonne
L'équipe a commencé avec un modèle basé sur des agents, construit avec le framework PhysiCell, conçu par Paul Macklin de l'Université de l'Indiana pour explorer le cancer et d'autres maladies. Ils ont attribué à chaque cancer et aux caractéristiques des cellules immunitaires :taux de natalité et de mortalité, par exemple, qui régissent leur comportement et les lâchent ensuite.
« Nous utilisons la modélisation à base d'agents pour résoudre de nombreux problèmes, ", a déclaré Ozik. "Mais ces modèles sont souvent gourmands en calculs et produisent beaucoup de bruit aléatoire."
Explorer tous les scénarios possibles dans le modèle PhysiCell aurait été peu pratique. "Vous ne pouvez pas couvrir tout l'espace de comportement possible du modèle, " a déclaré Collier. L'équipe devait donc travailler plus intelligemment, pas plus dur.
L'équipe s'est appuyée sur deux approches :les algorithmes génétiques et l'apprentissage actif, qui sont des formes d'apprentissage automatique - pour guider le modèle PhysiCell et trouver les paramètres qui contrôlent ou tuent le mieux les cellules cancéreuses simulées.
Les algorithmes génétiques recherchent ces paramètres idéaux en simulant le modèle, dire, 100 fois et mesurer les résultats. Le modèle répète ensuite le processus encore et encore en utilisant à chaque fois des valeurs de paramètres plus performantes. "Le processus vous permet de trouver rapidement le meilleur ensemble de paramètres, sans avoir à exécuter chaque combinaison, " dit Collier.
L'apprentissage actif est différent. Il simule également à plusieurs reprises le modèle, mais, comme il le fait, il essaie de découvrir des régions de valeurs de paramètres où il serait le plus avantageux d'explorer plus avant afin d'obtenir une image complète de ce qui fonctionne et de ce qui ne fonctionne pas. En d'autres termes, "où vous pouvez goûter pour obtenir le meilleur rapport qualité-prix, " a déclaré Ozik.
Pendant ce temps, L'EMEWS d'Argonne a agi comme un chef d'orchestre, signaler les algorithmes d'apprentissage génétique et actif au bon moment et coordonner le grand nombre de simulations sur le cluster Bebop d'Argonne dans son Laboratoire de Ressources Informatiques, ainsi que sur le supercalculateur Beagle de l'Université de Chicago.
Au-delà de la médecine
L'équipe de recherche applique des approches similaires aux défis rencontrés dans différents types de cancer, y compris le côlon, cancer du sein et de la prostate.
Le cadre EMEWS d'Argonne peut offrir des perspectives dans des domaines au-delà de la médecine. En effet, Ozik et Collier utilisent actuellement le système pour explorer les complexités des métaux des terres rares et de leurs chaînes d'approvisionnement. « Avec cette nouvelle approche, les chercheurs peuvent utiliser la modélisation à base d'agents de manière plus scientifiquement robuste, " dit Collier.
