Ensemble optimal control for managing drug resistance in cancer therapies

Titel: Ensemble Optimaal Bestuur voor het Beheer van Medicijnresistentie in Kankertherapieën

Auteurs: Alessandro Scagliotti, Federico Scagliotti, Laura Deborah Locati, en Federico Sottotetti.

---

1. Probleemstelling

De kern van dit onderzoek ligt in de uitdaging om kankertherapieën op lange termijn te beheren, waarbij volledige uitroeiing van de tumor niet haalbaar is. Traditionele klinische benaderingen, zoals het toedienen van de Maximaal Tolerated Dose (MTD), blijken suboptimaal. MTD elimineert snel de gevoelige tumorcellen, maar creëert een ecologische niche waarin resistentere cellen onbelemmerd kunnen groeien, wat leidt tot snellere recidieven en resistentie.

Het artikel adresseert twee specifieke complexiteiten:

1. Ecologische competitie: De strijd om hulpbronnen tussen gevoelige en resistente subpopulaties van tumorcellen moet worden benut om de groei van resistente cellen te remmen.
2. Parametrische onzekerheid: Patient-specifieke parameters (zoals proliferatiesnelheden en initiële fracties van resistente cellen) zijn vaak onbekend of variëren. Een enkele doseringsstrategie moet robuust zijn voor een ensemble van mogelijke patientenprofielen.

Het doel is om een gemeenschappelijke doseringspolitiek ($u(t)$) te vinden die de ziekteprogressie maximaliseert (vertraging) over een ensemble van mogelijke tumormodellen, in plaats van te focussen op één specifiek geval of het "worst-case scenario".

---

2. Methodologie

De auteurs combineren ensemble optimaal bestuur (ensemble optimal control) met Lotka-Volterra dynamische modellen voor tumorgroei.

A. Wiskundig Model

• Dynamiek: Het gebruikte model beschrijft de interactie tussen gevoelige ($S$) en resistente ($R$) celsubpopulaties via een stelsel van gewone differentiaalvergelijkingen (ODE's). De groei wordt beperkt door een draagkracht ($K$) en beïnvloed door de medicijndosis ($D(t)$).
• Aanname: Het model is affijn in de besturingsvariabele (de dosis), wat cruciaal is voor de theoretische analyse.
• Ensemble Formulering: In plaats van één systeem, wordt een familie van systemen beschouwd, gekenmerkt door een parameter $\theta$ (bijv. proliferatiesnelheid van resistente cellen, initiële fractie resistente cellen) die varieert binnen een compacte verzameling $\Theta$.
• Onzekerheid: De parameters worden beschouwd als stochastische variabelen met een kansverdeling $\mu$. De controle $u(t)$ moet voor alle $\theta \in \Theta$ gelden.

B. Optimalisatieprobleem

Het doel is het minimaliseren van een kostenfunctionaal $J(u)$ die de tumorbelasting over de tijd en over het ensemble van parameters kwantificeert:
$$J(u) = \int_{\Theta} \int_{0}^{T} \ell(N^\theta_u(t)) \, dt \, d\mu(\theta)$$
Waarbij:

• $N^\theta_u(t)$ de totale tumorgrootte is voor parameter $\theta$.
• $\ell$ een straffingsfunctie is voor de tumorgrootte.
• Twee soorten straffingsfuncties worden getest:
  1. Lineair: $\ell_1(n) = n - n_0$ (symmetrisch, straft groei en krimp evenredig).
  2. Hyperbolisch: $\ell_2(n) = \sqrt{1+(n-n_0)^2} - 1 + (n-n_0)$ (asymmetrisch, straft groei zwaarder dan krimp wordt beloond).

C. Numerieke Oplossing

• Theoretische Basis: De auteurs bewijzen het bestaan van optimalisatoren en gebruiken $\Gamma$-convergentie om de stabiliteit van de oplossing te garanderen bij discretisatie van de kansverdeling $\mu$.
• Gradientenmethode: Een geprojecteerd gradient-algoritme wordt ontwikkeld om de kostenfunctionaal te minimaliseren onder de constraints $0 \leq u(t) \leq D_{max}$. De gradient wordt expliciet berekend via de adjoint-vergelijkingen (Pontryagin Maximum Principle).
• Discretisatie: Voor de simulaties wordt de continue kansverdeling benaderd door een discrete maat met 1225 steunpunten (combinaties van parameters voor prostaatkanker).

---

3. Belangrijkste Resultaten

De studie wordt gevalideerd aan de hand van prostaatkanker behandeld met androgeen-deprivatietherapie (ADT). De prestaties worden gemeten aan de hand van de Time-To-Progression (TTP) (tijd tot de tumor 20% groter is dan de startgrootte).

Vergelijking met Benchmark-strategieën

1. MTD (Maximale Dosis): Leidt tot snelle uitroeiing van gevoelige cellen en snelle overname door resistente cellen. Resulteert in de kortste TTP.
2. Adaptive Therapy (AT) / "On-Off": Een strategie waarbij behandeling wordt gestopt zodra de tumor onder een drempelwaarde zakt, en hervat bij groei. Dit presteert beter dan MTD door gevoelige cellen te laten herstellen, maar is niet optimaal.

Resultaten van Ensemble Optimaal Bestuur

• Lineaire Kosten ($\ell_1$): De geoptimaliseerde strategie levert een beleid op dat vrijwel identiek is aan MTD (continue hoge dosis). Dit bevestigt dat een lineaire straffing de ecologische competitie niet effectief benut voor lange termijn beheer.
• Hyperbolische Kosten ($\ell_2$): Dit leidt tot een fundamenteel ander beleid:
  • Vertraging van therapie: De strategie begint met een periode van geen behandeling ("Off"), waardoor de gevoelige cellen kunnen groeien en de totale tumorgrootte toeneemt.
  • Doel: Het vergroten van de gevoelige populatie versterkt de competitie om hulpbronnen met de resistente cellen.
  • Resultaat: Deze strategie vertoont een aanzienlijke verbetering in de gemiddelde TTP (tot wel 7 weken langer dan MTD bij bepaalde startgrootte) en presteert beter dan standaard AT.
  • Nadeel: De optimale strategie laat de tumor in de beginfase groeien tot boven de progressiedrempel (20% groei), wat klinisch problematisch kan zijn voor patiënten met een hoge tumorlast.

Minimax vs. Gemiddeld

De auteurs vergelijken de "gemiddelde" optimalisatie met een "minimax" aanpak (focus op het slechtst mogelijke geval). De minimax-aanpak resulteert in conservatievere strategieën die meer lijken op MTD en minder winst opleveren voor de meerderheid van de patiënten.

---

4. Signatuur en Innovatie: "Off-On" Adaptive Therapy

Geïnspireerd door de numerieke bevindingen van de hyperbolische kostenfunctie, stellen de auteurs een nieuwe klinisch toepasbare variant voor: "Off-On" Adaptive Therapy.

• Concept:
  1. Off (Observatie): Begin met geen behandeling totdat de tumor groeit tot een specifieke drempel (bijv. 120% van de startgrootte). Dit stimuleert de gevoelige populatie.
  2. On (Behandeling): Start de therapie pas als deze drempel wordt overschreden, en stop wanneer de tumor onder 50% van de startgrootte zakt.
• Resultaat: Deze strategie combineert het voordeel van de "active surveillance" (vertraging van therapie) met een veilige bovengrens voor tumorgroei.
• Prestatie: In simulaties presteert "Off-On" AT over het algemeen beter dan de traditionele "On-Off" AT, met een langere gemiddelde TTP en een betere balans tussen tumorcontrole en het behoud van gevoelige cellen.

---

5. Conclusie en Betekenis

• Theoretische Bijdrage: Het artikel biedt een robuust wiskundig kader voor ensemble optimaal bestuur in niet-lineaire, affiene systemen met onzekerheid, inclusief bewijzen voor bestaan, stabiliteit en gradient-berekening.
• Klinische Implicatie: Het onderzoek onderstreept dat het maximaliseren van de tumorgrootte (door gevoelige cellen te laten groeien) in de vroege fase van therapie een effectieve strategie kan zijn om resistentie uit te stellen. Dit ondersteunt het concept van "Active Surveillance" bij prostaatkanker.
• Praktische Toepassing: De voorgestelde "Off-On" strategie biedt een concrete, klinisch interpreteerbare regel die de voordelen van geavanceerde optimalisatie benut zonder de risico's van een volledig ongecontroleerde tumorgroei.
• Beperkingen: De huidige modellen gaan uit van een twee-populatie model zonder secundaire resistentie-ontwikkeling tijdens de therapie. Toekomstig werk moet complexere biologische mechanismen en ruimtelijke heterogeniteit integreren.

Samenvattend toont dit papier aan dat het gebruik van ensemble optimalisatie met een zorgvuldig gekozen kostenfunctionaal kan leiden tot innovatieve, niet-intuïtieve behandelstrategieën die de evolutie van kanker beter beheersen dan traditionele methoden.