The trade-off between parsimony and model complexity for understanding biomedical mechanisms from mathematical models

In der komplexen Landschaft der Krebsforschung stehen Wissenschaftler oft vor einer schwierigen Wahl: eine einfache Karte zu erstellen, die leicht lesbar ist, aber wichtige Geländeformationen auslässt, oder eine detaillierte, komplizierte Karte zu konstruieren, die jede Anhöhe und jedes Tal erfasst, aber so komplex wird, dass sie schwer zu verwenden ist. Diese Spannung liegt im Herzen der mathematischen Modellierung, einem Feld, in dem Forscher Gleichungen verwenden, um zu simulieren, wie Krankheiten wachsen und wie Behandlungen sie stoppen könnten. Das Ziel besteht nicht bloß darin, eine Linie zu zeichnen, die zu vergangenen Datenpunkten passt, sondern die verborgene biologische Maschinerie zu verstehen, die diese Punkte antreibt. Bei der Untersuchung von Eierstockkrebs, einer Krankheit, die oft spät diagnostiziert wird und resistent gegen Standard-Chemotherapien wird, ist das Verständnis dieser Mechanismen eine Frage von Leben und Tod. Forscher müssen entscheiden, wie viel biologische Detailtiefe sie in ihre Modelle aufnehmen. Zu wenig Detailtiefe, und das Modell kann nicht erklären, warum eine Behandlung bei einem Patienten wirkt, aber bei einem anderen versagt. Zu viel Detailtiefe, und das Modell wird zu einem verworrenen Netz aus Vermutungen, dem man nicht trauen kann. Die Herausforderung besteht darin, den „Sweet Spot“ zu finden, an dem das Modell einfach genug ist, um zuverlässig zu sein, aber komplex genug, um die wahren Geheimnisse der Krankheit zu enthüllen.

Ein Team von Forschern der Université de Montréal und des CHU Sainte-Justine Azrieli Research Centre begab sich auf die Suche nach einer Lösung für diese Herausforderung, indem sie zwei unterschiedliche Mausmodelle für hochgradig serösen Eierstockkrebs einsetzte. Ein Modell, bekannt als MP, repräsentiert Tumore, die über einen spezifischen DNA-Reparaturmechanismus verfügen, während das andere, MPB1, Tumore repräsentiert, denen diese Reparaturfähigkeit fehlt. Diese beiden Arten von Tumoren reagieren sehr unterschiedlich auf eine Behandlung, insbesondere auf das gängige Chemotherapie-Medikament Cisplatin und eine neuere Art der Therapie, die als Immun-Checkpoint-Blockade bekannt ist und dem körpereigenen Immunsystem hilft, gegen den Krebs zu kämpen. Die Forscher bauten eine Hierarchie mathematischer Modelle auf, beginnend mit der einfachstmöglichen Beschreibung des Tumorwachstums und fügten schrittweise Ebenen biologischer Komplexität hinzu. Sie begannen mit einem Basismodell, das lediglich beschrieb, wie ein Tumor expandiert, bis er eine Größenbeschränkung erreicht. Dann fügten sie eine Ebene hinzu, um zu beschreiben, wie das Chemotherapeutikum durch den Körper wandert und Zellen abtötet. Schließlich konstruierten sie die komplexeste Version, die die Interaktionen zwischen dem Tumor, dem Immunsystem und den Medikamenten beinhaltete und verfolgte, wie natürliche Killerzellen und T-Zellen in die Tumorumgebung ein- und auswandern.

Die Forscher fanden heraus, dass das einfachste Modell zwar gut darin war, die Gesamtgröße des Tumors im Zeitverlauf vorherzusagen, aber nicht erklären konnte, was die biologischen Gründe für die Unterschiede zwischen den beiden Maustypen waren. Als sie sich die Zahlen ansahen, die dieses einfache Modell generierte, waren die Ergebnisse verwirrend; das Modell deutete an, dass das Medikament bei der einen Maus die Wachstumsrate des Tumors veränderte und bei der anderen dessen maximale Größe, konnte aber nicht klar zwischen diesen beiden Effekten unterscheiden. Doch als sie zum komplexeren Modell wechselten, das die spezifische Mechanik des Medikaments beinhaltete, zeichnete sich ein klares Bild ab. Das komplexe Modell enthüllte, dass die MPB1-Tumore etwa achtmal empfindlicher auf die Abtötungskraft von Cisplatin reagierten als die MP-Tumore. Diese spezifische Erkenntnis, die das einfache Modell verschleierte, zeigte, dass der Unterschied im Behandlungserfolg nicht nur eine Frage der Wachstumsgeschwindigkeit war, sondern ein grundlegender Unterschied darin, wie das Medikament die Krebszellen angriff.

Die Geschichte wurde noch aufschlussreicher, als die Forscher das Immunsystem in die Gleichung einbezogen. In der einfachsten Sichtweise ist das Immunsystem nur ein weiterer Faktor, der das Tumorwachstum verlangsamt. Doch indem sie die spezifischen Interaktionen zwischen Immunzellen und dem Tumor modellierten, entdeckten die Forscher, dass die beiden Maustypen ihre Immunabwehr auf sehr unterschiedliche Weise unterdrücken. Es wurde festgestellt, dass die MP-Tumore wesentlich effektiver darin waren, die Immunzellen zu deaktivieren, die versuchen, sie anzugreifen – sie schwächten im Wesentlichen die natürliche Verteidigung des Körpers ab. Im Gegensatz dazu waren die MPB1-Tumore weniger erfolgreich bei dieser Unterdrückung. Als die Forscher eine Simulation der Anwendung der Immun-Checkpoint-Blockade-Therapie durchführten, sagte das komplexe Modell voraus, dass diese Therapie bei den MPB1-Tumoren viel besser wirken würde. Dies geschah, indem die Rate, mit der der Tumor die Immunzellen deaktiviert, gezielt gesenkt wurde – ein Mechanismus, den das einfache Modell nicht erkennen konnte. Das Modell zeigte, dass die Therapie bei den MPB1-Tumoren das Immunsystem erfolgreich wiederbelebte, was zu einem signifikanten Rückgang der Fähigkeit des Tumors führte, sich vor dem Angriff zu verstecken.

Der vielleicht beeindruckendste Befund ergab sich, als die Forscher die Chemotherapie und die Immuntherapie in ihren Simulationen kombinierten. Das komplexe Modell sagte voraus, dass die überlegene Reaktion, die bei den MPB1-Mäusen beobachtet wurde, auf einen kraftvollen „Zwei-Schlag-Effekt“ zurückzuführen war: Der Tumor war nicht nur empfindlicher gegenüber der direkten Abtötungskraft des Medikaments, sondern das Medikament löste auch eine starke Rekrutierung von Immunzellen an der Tumorstelle aus. Bei den MP-Mäusen war diese Immunrekrutierung praktisch nicht existent. Das Modell legte nahe, dass die MPB1-Tumore sowohl von der direkten Abtötung der Zellen durch das Medikament als auch davon profitierten, dass das Medikament dem Immunsystem half, den Rest zu finden und zu zerstören. Dieser duale Mechanismus erklärte, warum die Kombinationstherapie in einer Gruppe so effektiv war, in der anderen jedoch nicht. Die Forscher merkten an, dass das einfachste Modell zwar oft eine bessere statistische Anpassung an die Rohdaten lieferte, aber keinerlei Einblicke in diese zugrunde liegenden Ursachen bot. Die komplexeren Modelle, obwohl sie schwieriger zu erstellen waren und mehr Daten zur Unterstützung erforderten, lieferten die biologische Klarheit, die nötig war, um zu verstehen, warum die Behandlungen wirkten.

Die Studie kommt zu dem Schluss, dass es irreführend sein kann, sich allein auf statistische Maße zu verlassen, um das „beste“ Modell auszuwählen, wenn das Ziel darin besteht, Biologie zu verstehen. Ein Modell, das perfekt zu den Daten passt, kann dennoch biologisch falsch sein, wenn es Schlüsselmechanismen ignoriert. Die Forscher demonstrierten, dass sie durch eine sorgfältige Abwägung zwischen Einfachheit und der notwendigen biologischen Detailtiefe spezifische Gründe für den Erfolg oder Misserfolg einer Behandlung aufdecken konnten. Sie fanden heraus, dass die HR-defizienten MPB1-Tumore, die einen spezifischen Typ menschlichen Eierstockkrebs imitieren, besser reagieren, weil sie von Natur aus anfälliger für das Medikament sind und weniger in der Lage sind, das Immunsystem abzuschalten. Dieses Verständnis, das aus einem Modell resultierte, welches Immunzellen und Medikamenteneffekte explizit verfolgte, bietet einen klareren Fahrplan für die zukünftige Forschung als eine einfache Kurvenanpassung es je könnte. Die Arbeit unterstreicht, dass im Bestreben, Krebs zu verstehen, manchmal die nützlichste Karte diejenige ist, die am meisten Detail zeigt – vorausgesetzt, sie basiert auf einem Fundament aus zuverlässigen Daten.