Game Theoretic Modeling of Cancer Healthy Cell Competition: A Population Dependent Nash Equilibrium Framework

En el mundo microscópico del cuerpo humano, los tejidos no son paisajes estáticos, sino campos de batalla activos donde las células evalúan constantemente a sus vecinas. Las células sanas poseen una capacidad innata para reconocer y eliminar a sus contrapartes más débiles o dañadas, un proceso biológico conocido como competencia celular. Este mecanismo actúa como un sistema de defensa natural, particularmente en la piel y el revestimiento de los órganos, donde ayuda a prevenir la formación de tumores al expulsar a las células que han comenzado a cambiar. Durante décadas, los científicos han intentado comprender cómo se desarrolla esta lucha utilizando modelos matemáticos. La mayoría de estos modelos trataban la interacción como un juego fijo, asumiendo que las reglas del enfrentamiento y la fuerza de la defensa de las células sanas nunca cambiaban, independientemente de cuántas células cancerosas estuvieran presentes. Sin embargo, los sistemas biológicos reales son fluidos; el entorno cambia, las poblaciones crecen y decrecen, y la presión sobre una célula cambia dependiendo de su entorno. Esta visión estática ha tenido dificultades para explicar por qué los tumores crecen a diferentes velocidades en distintas personas o por qué los tratamientos funcionan para algunos pacientes pero fallan para otros.

Un nuevo estudio de Alireza Ebadi y Maryam Hashemi propone una forma diferente de ver este conflicto, alejándose de las reglas fijas hacia un marco dinámico que cambia a medida que se desarrolla la batalla. En lugar de asumir que la fuerza de defensa de las células sanas es constante, los investigadores construyeron una simulación computacional donde la capacidad de las células sanas para luchar depende directamente de la proporción de células sanas frente a las cancerosas en cualquier momento dado. Ellos llaman a esto un equilibrio dependiente de la población, lo que significa que las "reglas" del juego se actualizan a sí mismas basándose en quién está ganando o perdiendo en ese momento específico. Para probar esta idea, el equipo creó un modelo digital de tejido, una cuadrícula que representa un parche de piel o el revestimiento de un órgano, y la pobló con células sanas y células cancerosas. Observaron cómo estas células virtuales interactuaban con el tiempo, permitiendo que las células sanas aprendieran y adaptaran sus estrategias de defensa basándose en el cambio de número de sus enemigos, de forma muy similar a una población que ajusta su comportamiento en respuesta a una amenaza cambiante.

Los investigadores realizaron miles de simulaciones para ver cómo diferentes factores influían en el resultado. Introdujeron diversos fármacos y elementos dietéticos en el modelo para ver si podían inclinar la balanza nuevamente a favor del tejido sano. En las simulaciones, las células sanas no eran pasivas; empujaban activamente contra las células cancerosas, y su éxito dependía de cuántas de ellas quedaban para luchar. El estudio encontró que, cuando el modelo se dejaba solo, sin intervención, las células cancerosas eventualmente tomaban el control, empujando a las células sanas hacia atrás y expandiendo su territorio. Este resultado reflejó la progresión natural de los tumores en ausencia de tratamiento, confirmando que el modelo se comportaba de una manera realista. Sin embargo, cuando los investigadores introdujeron sustancias específicas, el resultado cambió drásticamente. Probaron siete fármacos diferentes, incluyendo la aspirina y un compuesto llamado VC1-8, junto con cinco factores dietéticos como la ingesta alta de azúcar y el tabaquismo.

Los resultados mostraron una jerarquía clara de efectividad. Entre los fármacos, el VC1-8 y la aspirina fueron los más exitosos en ayudar a las células sanas a mantener su posición. En las simulaciones donde estos fármacos estaban presentes, las células sanas mantenían una población mayor y las células cancerosas se mantenían bajo control, incapaces de expandirse de forma tan agresiva. El modelo sugirió que estos fármacos funcionaban potenciando la fuerza de defensa de las células sanas, haciéndolas más efectivas para eliminar a sus vecinas cancerosas. Por el contrario, los factores dietéticos tuvieron el efecto opuesto. La alta ingesta de azúcar y el tabaquismo fueron los impulsores más potentes del crecimiento del cáncer en la simulación, causando que las células cancerosas se expandieran rápidamente y empujaran a las células sanas al borde de la extinción. El estudio también exploró qué sucedía cuando se combinaban fármacos y dietas perjudiciales. Las simulaciones revelaron que una dieta saludable y fármacos efectivos podían anularse parcialmente entre sí, mientras que una mala dieta podía socavar los beneficios de la medicación. Esto sugiere que el entorno en el que existen las células es tan crítico como el tratamiento mismo.

Uno de los aspectos más significantes de este trabajo es cómo maneja el concepto de aprendizaje. Los investigadores no solo programaron las células para seguir un guion establecido; permitieron que el sistema actualizara su comprensión de la situación a medida que la simulación progresaba. Utilizaron un método llamado aprendizaje bayesiano, que es una forma de actualizar creencias basadas en nueva evidencia, para rastrear cómo evolucionaban las estrategias de defensa de las células. A medida que la simulación avanzaba, la estimación interna del modelo sobre la fuerza de defensa se alineaba gradualmente con los números reales de la población, mostrando que el sistema estaba, de hecho, aprendiendo del entorno en lugar de simplemente seguir una regla preescrita. Este enfoque dinámico permitió a los investigadores ver que el equilibrio entre las células sanas y las cancerosas no es un punto fijo, sino un objetivo móvil que cambia con cada interacción. El estudio confirmó que, bajo una amplia gama de condiciones, este nuevo marco se mantuvo estable, lo que significa que la competencia entre los dos tipos de células pudo persistir durante mucho tiempo sin que un bando eliminara inmediatamente al otro, un escenario que coincide con la progresión lenta y compleja de los tumores reales.

Los investigadores fueron cuidadosos en señalar que estos hallazgos provienen de simulaciones computacionales, no de experimentos directos en pacientes humanos o animales. Los números que utilizaron para determinar cómo diferentes fármacos y alimentos afectan a las células fueron estimados a partir de la literatura científica existente, no medidos en su propio laboratorio. Esto significa que, si bien la clasificación de qué fármacos funcionan mejor y qué alimentos son peores es probablemente precisa basándose en los datos que utilizaron, los números exactos podrían necesitar ajustes una vez que se disponga de mediciones del mundo real. El modelo también simplificó la compleja estructura tridimensional del tejido humano en una cuadrícula plana de dos dimensiones, lo cual es un paso necesario para este tipo de cálculo pero puede no capturar cada detalle de cómo los tumores invaden el cuerpo. A pesar de estas limitaciones, el estudio ofrece una herramienta poderosa para pensar sobre el cáncer. Al tratar al tumor y al tejido sano como un sistema dinámico donde las reglas cambian según la población, los investigadores han proporcionado una forma de probar cómo diferentes combinaciones de tratamientos y elecciones de estilo de vida podrían trabajar juntas.

Este enfoque sugiere que la terapia personalizada contra el cáncer podría beneficiarse de observar el panorama completo, incluyendo la dieta del paciente y la mezcla específica de fármacos que recibe. Si un paciente está tomando un fármaco potente pero también consume una dieta que promueve fuertemente el crecimiento del cáncer, el fármaco podría ser menos efectivo de lo esperado. El modelo predice que controlar estos factores ambientales es esencial para que el tratamiento funcione. El estudio no pretende haber resuelto el cáncer ni haber descubierto una nueva cura, pero sí ofrece una forma más clara y flexible de entender la lucha entre las células sanas y las cancerosas. Va más allá de la idea de una batalla estática con ganadores y perdedores fijos, mostrando en su lugar que el resultado depende de una negociación continua y cambiante entre las dos poblaciones. Para los científicos y médicos, esto significa que los tratamientos futuros podrían necesitar ser adaptados no solo a la composición genética del tumor, sino también al entorno dinámico en el que vive el tumor, ajustando las estrategias a medida que la población de células cambia con el tiempo.