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

1. Il Problema

L'immunoterapia e le strategie di trattamento del cancro richiedono una comprensione profonda della dinamica del microambiente tumorale (TME). Tuttavia, l'ottimizzazione delle terapie si scontra con due limiti fondamentali:

• Dati clinici limitati: Le tecniche di imaging tissutale multiplo (MTI) forniscono dati spaziali ad alta dimensionalità, ma sono temporalmente sottocampionati (snapshot irregolari) e mancano di dati longitudinali completi. Questo impedisce l'inferenza diretta delle dinamiche spazio-temporali sottostanti e il timing ottimale dell'intervento.
• Complessità dei modelli: I modelli basati su agenti (ABM) offrono una simulazione meccanicistica e stocastica del TME, ma il loro spazio degli stati è ad alta dimensionalità e la loro parametrizzazione è incerta. Questo rende difficile il controllo diretto e la progettazione di strategie terapeutiche adattive.

L'obiettivo è colmare il divario tra le simulazioni meccanicistiche complesse e le osservazioni cliniche parziali per progettare strategie di trattamento adattive senza richiedere misurazioni longitudinali continue sui pazienti.

2. Metodologia

Gli autori propongono un framework ridotto e guidato dalla simulazione che trasforma le dinamiche complesse del TME in un modello di controllo gestibile. Il processo si articola in quattro fasi principali:

A. Costruzione dell'Ensemble di Simulazione

• Viene utilizzato un modello ABM (implementato in PhysiCell) che simula le interazioni tra 7 tipi cellulari (tumore, T cell naive, effettori, esauriti, macrofagi) e le loro vie di segnalazione.
• Invece di cercare un singolo set di parametri ottimali, viene generato un ensemble di simulazioni campionando lo spazio dei parametri (21 dimensioni) tramite un disegno Latin Hypercube. Vengono generate 150 traiettorie (3 per ogni combinazione di parametri) per coprire regimi dinamici biologicamente plausibili.

B. Riduzione della Dimensionalità e Mappatura dello Stato

• Statistiche Spaziali: Da ogni configurazione di agenti, vengono estratte statistiche spaziali fisse (proporzioni cellulari, metriche di mescolamento/segregazione) per creare un vettore di osservazione.
• Time-Delay Embedding: Per catturare la dinamica temporale da osservazioni parziali, viene applicato un embedding a ritardo (basato sul teorema di Takens). Si creano finestre temporali simmetriche di osservazioni consecutive.
• Clustering e Landscape: Le finestre temporali vengono proiettate su una varietà 2D (UMAP) e clusterizzate. Questo rivela un "paesaggio di traiettorie" con stati metastabili (attrattori) che rappresentano regimi dinamici distinti del TME.

C. Identificazione dei Parametri e Modelli Markoviani (MSM)

• Analisi di Sensibilità: Viene eseguita un'analisi statistica (test di Kruskal-Wallis) per identificare quali parametri guidano la selezione degli attrattori finali.
• Modelli Markoviani (MSM): Le traiettorie discrete vengono modellate come catene di Markov. Vengono costruiti matrici di transizione separate per diversi gruppi di attrattori (basati sui parametri dominanti) e una matrice condizionata al farmaco (che simula la riduzione del tasso di esaurimento delle T cell).

D. Formulazione del Processo Decisionale di Markov (MDP)

• Viene definito un MDP a orizzonte finito per ottimizzare il programma di trattamento.
• Stati: I cluster metastabili (S1-S6).
• Azioni: {0: Nessun farmaco, 1: Somministrazione del farmaco (Drug A)}.
• Obiettivo: Massimizzare la probabilità di assorbimento nello stato desiderato (S1: dominanza delle T cell effettrici) entro un orizzonte temporale definito.
• Politica Ottimale: Risolta tramite induzione inversa dell'equazione di Bellman per determinare quando somministrare il farmaco in base allo stato corrente.

3. Risultati Chiave

A. Struttura del Paesaggio delle Traiettorie

L'analisi rivela tre attrattori terminali principali:

1. S1: Dominanza delle T cell effettrici (stato di controllo immunitario).
2. S4: Dominanza delle T cell esaurite (esaurimento immunitario).
3. S6: Esclusione delle T cell dal tumore (immunità assente).
   Gli stati intermedi (S2, S3, S5) fungono da waypoint transienti.

B. Validazione Clinica

• I dati clinici MTI (da pazienti con carcinoma mammario triplo negativo) sono stati mappati sul paesaggio appreso.
• La maggior parte delle regioni di interesse (ROI) cliniche è stata assegnata a S1 o S6. Lo stato S4, presente nelle simulazioni, non è stato rilevato in questa coorte specifica.
• Correlazione con la sopravvivenza: I pazienti con un'alta frazione di ROI nello stato S1 (>89%) mostrano una sopravvivenza globale significativamente migliore, mentre quelli con alta frazione in S6 (>22%) hanno una sopravvivenza peggiore. Questo conferma che gli stati dinamici inferiti hanno rilevanza clinica.

C. Identificazione dei Driver Biologici

Solo due parametri su 21 governano la selezione dell'attrattore finale:

1. Tasso di esaurimento delle T cell ($r_{exh}$): Determina se avviene l'evasione immunitaria. Valori bassi portano a S1, valori alti a S4 o S6.
2. Adesione tumorale ($r_{adh}$): Condizionato a un alto tasso di esaurimento, determina il tipo di evasione. Alta adesione porta a cluster tumorali compatti e allo stato S4 (esaurimento); bassa adesione porta a configurazioni diffuse e allo stato S6 (esclusione).

D. Analisi dell'Intervento e Politiche MDP

• Sensibilità Temporale: Il "finestra terapeutica" si chiude molto più rapidamente per il gruppo propenso a S6 (esclusione) rispetto a quello propenso a S4 (esaurimento). Per S6, la probabilità di successo scende sotto il 25% dopo solo 36 finestre temporali, contro 189 per S4.
• Performance della Politica: La politica MDP ottimale (stato-dipendente) supera significativamente le strategie fisse (nessun trattamento, cicli alternati, o dose immediata).
  • Per il gruppo S4-prone, la politica MDP aumenta la probabilità di raggiungere S1 dal 48,5% (trattamento immediato) al 63,2%.
  • Per il gruppo S6-prone, l'aumento è dal 34,3% al 40,1%.
  • La politica MDP somministra il farmaco solo quando lo stato corrente lo richiede, evitando trattamenti inutili quando il sistema sta già evolvendo verso S1.

4. Contributi Principali

1. Framework Ridotto-Ordine: Trasformazione di un ABM stocastico ad alta dimensionalità in un modello Markoviano discreto gestibile per il controllo, utilizzando l'embedding a ritardo per recuperare la dinamica da dati parziali.
2. Validazione Clinica: Dimostrazione che gli stati dinamici derivati dalla simulazione corrispondono a fenotipi tumorali reali e predicono l'esito clinico (sopravvivenza) senza bisogno di dati longitudinali del paziente.
3. Identificazione di Regimi di Evasione: Distinzione chiara tra due meccanismi di evasione immunitaria (esaurimento vs esclusione) guidati da parametri specifici, con implicazioni per la personalizzazione della terapia.
4. Ottimizzazione Adattiva: Evidenza che le politiche di trattamento basate sullo stato (MDP) sono superiori ai protocolli fissi, specialmente considerando la diversa cinetica di progressione dei diversi regimi tumorali.

5. Significato e Implicazioni

Questo lavoro rappresenta un passo avanti verso l'oncologia di precisione adattiva. Dimostra che è possibile:

• Utilizzare modelli computazionali per colmare il divario tra dati clinici statici e dinamiche biologiche continue.
• Identificare precocemente il "regime di evasione" di un paziente (esaurimento vs esclusione) per prevedere la finestra temporale critica per l'intervento.
• Progettare protocolli di immunoterapia che si adattano allo stato dinamico del tumore, massimizzando l'efficacia del trattamento e minimizzando la tossicità o il costo del farmaco non necessario.

In sintesi, il paper fornisce un ponte metodologico solido tra la modellazione biologica meccanicistica e la progettazione di strategie terapeutiche cliniche ottimizzate.