Trajectory Landscapes for Therapeutic Strategy Design in Agent-Based Tumor Microenvironment Models

Título: Paisajes de Trayectoria para el Diseño de Estrategias Terapéuticas en Modelos Basados en Agentes del Microambiente Tumoral

1. Planteamiento del Problema

El diseño de estrategias de tratamiento adaptativas en oncología se ve limitado por la naturaleza de los datos clínicos actuales. Aunque la imagenología de tejido multiplex (MTI) proporciona mediciones espaciales de alta dimensión del microambiente tumoral (TME), los conjuntos de datos clínicos suelen ser temporalmente submuestreados y carecen de seguimiento longitudinal. Esto impide inferir directamente la dinámica espacio-temporal subyacente y determinar el momento óptimo para la intervención.

Los modelos basados en agentes (ABM) ofrecen simuladores mecánicos estocásticos del TME, pero presentan dos desafíos principales:

1. Su espacio de estados de alta dimensión y la incertidumbre en la parametrización dificultan el diseño directo de control.
2. La calibración a datos clínicos es problemática debido a la observabilidad parcial, lo que hace que la identificación de un único conjunto óptimo de parámetros sea subdeterminada.

El objetivo es desarrollar un marco que conecte las simulaciones mecánicas con observaciones clínicas estáticas para diseñar políticas de tratamiento sin necesidad de mediciones longitudinales en pacientes.

2. Metodología

Los autores proponen un marco impulsado por simulaciones que reduce la complejidad del sistema mediante los siguientes pasos:

• Generación de Ensamble de Simulaciones:
  • Se utiliza un ABM (implementado en PhysiCell) que modela siete tipos celulares y sus interacciones de señalización.
  • Se realiza un muestreo de Latin Hypercube en un espacio de 21 parámetros (tasas de motilidad, adhesión, secreción de moléculas) para generar un ensamble de trayectorias simuladas que cubran regímenes dinámicos biológicamente plausibles.
• Reducción de Orden y Mapeo de Trayectorias:
  • Estadísticas Espaciales: Se extraen vectores de características fijas (proporciones celulares, métricas de mezcla/segregación) de cada configuración de agentes.
  • Incrustación Temporal (Delay Embedding): Siguiendo el teorema de Takens, se apilan ventanas temporales de las estadísticas espaciales para reconstruir la dinámica latente y capturar la continuidad temporal.
  • Clustering: Las trayectorias incrustadas se agrupan para identificar estados metaestables (atractores) que representan regímenes dinámicos característicos del TME.
• Modelado de Cadenas de Markov (MSM):
  • Se construye un Modelo de Estado de Markov (MSM) para aprender las probabilidades de transición entre estos estados discretos.
  • Se identifican los parámetros dominantes mediante pruebas estadísticas (Kruskal-Wallis) y se condicionan los modelos de transición según el grupo de atracción final (ej. dominancia de células T efectoras vs. exclusión inmune).
• Formulación de Proceso de Decisión de Markov (MDP):
  • Se formula un MDP de horizonte finito donde el estado es el régimen dinámico del TME y la acción es la administración de un fármaco (ej. reducción de la tasa de agotamiento de células T, $r_{exh}$).
  • El objetivo es maximizar la probabilidad de absorción en el estado deseado (control inmune, $S_1$) mediante la optimización de la programación del tratamiento.

3. Contribuciones Clave

• Marco de Paisaje de Trayectoria: Transformación de un ABM estocástico de alta dimensión en un modelo de Markov reducido y manejable, derivado de un ensamble de simulaciones.
• Validación Clínica con Datos Estáticos: Demostración de que los estados dinámicos inferidos pueden mapearse desde observaciones clínicas estáticas (MTI) y correlacionarse significativamente con la supervivencia del paciente.
• Identificación de Parámetros Críticos: Determinación de que solo dos parámetros gobiernan la selección del atractor a largo plazo: la tasa de agotamiento de células T ($r_{exh}$) y la adhesión tumoral ($r_{adh}$).
• Políticas de Control Dependientes del Estado: Desarrollo de políticas de tratamiento óptimas que varían según el estado del paciente y el régimen de escape, superando a las estrategias de horario fijo.

4. Resultados

• Estructura del Paisaje: La simulación revela seis estados metaestables. Tres son atractores terminales:
  • $S_1$: Dominancia de células T efectoras (control inmune).
  • $S_4$: Dominancia de células T agotadas.
  • $S_6$: Exclusión de células T del tumor.
• Validación Clínica: Al proyectar 360 regiones de interés (ROIs) de pacientes con cáncer de mama triple negativo en el paisaje aprendido:
  • Los pacientes con alta proporción de ROIs en $S_1$ mostraron una supervivencia significativamente mejor ($p=0.038$).
  • Los pacientes con alta proporción en $S_6$ mostraron una supervivencia significativamente peor ($p=0.029$).
  • El estado $S_4$ (agotamiento) no se detectó en esta cohorte clínica específica, pero fue válido en simulaciones.
• Análisis de Sensibilidad y Ventana Terapéutica:
  • El régimen de exclusión inmune ($S_6$) progresa hacia un atractor irreversible mucho más rápido que el de agotamiento ($S_4$). La probabilidad de éxito terapéutico cae por debajo del 25% en $k=36$ para $S_6$, frente a $k=189$ para $S_4$.
  • Esto indica que la identificación temprana del régimen de escape es crítica.
• Eficacia de la Política Óptima (MDP):
  • La política óptima basada en MDP logra una probabilidad de redirección al estado de control inmune ($S_1$) de 63.2% para el grupo propenso a $S_4$ y 40.1% para el grupo propenso a $S_6$.
  • Esto representa una mejora de +14.7% y +5.8% respectivamente, en comparación con el tratamiento inmediato fijo, y supera significativamente a las estrategias sin tratamiento o de ciclo fijo.

5. Significado e Impacto

Este trabajo establece un puente fundamental entre la modelización mecánica compleja y la toma de decisiones clínicas en oncología. Al demostrar que es posible inferir la dinámica subyacente del TME a partir de una sola instantánea espacial (MTI) y utilizarla para diseñar políticas de tratamiento adaptativas, el estudio ofrece una vía para superar la falta de datos longitudinales en pacientes.

La principal implicación clínica es que el momento de la intervención y la estrategia deben ser específicos del régimen dinámico del tumor. Los tratamientos no deben aplicarse bajo calendarios fijos, sino condicionados al estado actual del sistema (ej. agotamiento vs. exclusión), lo que maximiza la probabilidad de revertir la progresión tumoral hacia el control inmune. Además, la identificación de $r_{exh}$ y $r_{adh}$ como parámetros clave sugiere biomarcadores específicos para guiar estas decisiones.