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

Probleemstelling

De ontwikkeling van adaptieve therapeutische strategieën voor kanker wordt gehinderd door de beperkte observatie van het tumor-micro-omgeving (TME). Hoewel multiplex weefselafbeelding (MTI) hoge-dimensionaliteit en ruimtelijke resolutie biedt, zijn klinische datasets vaak temporaal onderbemonsterd (weinig longitudinale metingen) en beperkt tot statische momentopnamen. Dit maakt het direct afleiden van onderliggende spatiotemporale dynamieken en het bepalen van het optimale moment voor interventie onmogelijk.

Traditionele modellen hebben ook tekortkomingen:

• ODE-modellen (Gewone Differentiaalvergelijkingen): Deze zijn analytisch hanteerbaar maar gaan uit van een "goed gemengde" populatie, waardoor ze ruimtelijke heterogeniteit (zoals T-cel-exclusie of lokale uitputting) missen die cruciaal zijn voor therapierespons.
• Agent-Based Models (ABM's): Deze modelleren stochastische, ruimtelijk opgeloste interacties tussen cellen en matrix nauwkeurig. Echter, hun hoge-dimensionaliteit, onzekerheid in parameterisering en het gebrek aan longitudinale klinische data maken het direct ontwerpen van controlestrategieën (control design) zeer uitdagend. Het vinden van één optimale parameterreeks is vaak onderbepaald.

Methodologie

De auteurs presenteren een verminderde-orde, simulatie-gedreven raamwerk dat ABM's combineert met Markov-modellen om therapeutische beleidsvorming mogelijk te maken zonder volledige longitudinale patiëntdata. De aanpak bestaat uit de volgende stappen:

1. Simulatie-ensemble constructie:

   • Er wordt een basis-ABM gebruikt (geïmplementeerd in PhysiCell) dat zeven celtypen en hun signaalinteracties simuleert.
   • Via Latin Hypercube Sampling worden 50 sets van 21 biologisch plausibele parameters (bijv. celmigratie, adhesie, secretie) gegenereerd.
   • Dit resulteert in een ensemble van simulatietrajecto's die diverse dynamische regimes van TME-evolutie dekken.

2. Ruimtelijke Statistieken en Tijdsvertraging (Time-Delay Embedding):

   • Uit elke simulatie worden op elk tijdstip ruimtelijke samenvattingsstatistieken (bijv. celtypeverhoudingen, menging, nabijheidsinteracties) gehaald om een observatievector $u_k$ te vormen.
   • Om de tijdscontinuïteit te vangen, wordt Takens' stelling toegepast: er wordt een tijdsvenster van $w$ opeenvolgende observaties gestapeld tot een geëmbedeerde vector $W_k$. Dit reconstructeert de latente dynamiek uit de gedeeltelijke waarnemingen.

3. Toestandsdiscretisatie en Trajecto-landschap:

   • De geëmbedeerde vectoren worden geclusterd (via UMAP en hiërarchisch clustering) om een discrete set van metastabiele toestanden (attractoren) te definiëren. Deze toestanden vertegenwoordigen karakteristieke dynamische regimes (bijv. immuuncontrole vs. immuunontsnapping).
   • Dit creëert een "trajecto-landschap" waaruit de evolutie van het TME kan worden begrepen.

4. Parameteridentificatie:

   • Met de Kruskal-Wallis test worden parameters geïdentificeerd die significant de keuze van de eindtoestand (attractor) bepalen.
   • Dit leidt tot het opdelen van het landschap in groepen met specifieke dynamische uitkomsten.

5. Markov State Model (MSM) en MDP:

   • Er wordt een Markov State Model geleerd dat de overgangswaarschijnlijkheden tussen de metastabiele toestanden beschrijft.
   • De MSM wordt gespecificeerd op basis van de geïdentificeerde dominante parameters (groepsgeconditioneerd).
   • Een Finite-Horizon Markov Decision Process (MDP) wordt geformuleerd om therapeutische interventies (aan- of afwezigheid van een drug) te optimaliseren. Het doel is om de absorptie in de gewenste toestand (effector T-cel dominantie) te maximaliseren.

Belangrijkste Bijdragen

• Van Mechanistisch naar Controleerbaar: De transformatie van een complexe, stochastische ABM naar een hanteerbaar, discreet Markov-model dat geschikt is voor optimalisatie.
• Data-Drivene Validatie: Het succesvol mappen van klinische MTI-snapshotdata (van Triple Negative Breast Cancer patiënten) op het gesimuleerde landschap, wat aantoont dat de gesimuleerde toestanden klinisch relevant zijn.
• Identificatie van Kritieke Parameters: Het aantonen dat slechts twee parameters (T-cel uitputtingsrate $r_{exh}$ en tumor zelf-adhesie $r_{adh}$) de lange-termijn uitkomst (immuunontsnappingstype) bepalen.
• State-Dependent Interventie: Het ontwikkelen van een beleid dat afhankelijk is van de huidige toestand van het systeem, in plaats van een vast tijdschema.

Resultaten

• Landschapsstructuur: De simulaties vertonen drie hoofdattractoren:
  1. S1: Dominantie van effector T-cellen (immuuncontrole).
  2. S4: Dominantie van uitgeputte T-cellen.
  3. S6: Exclusie van T-cellen uit de tumor.
     De overige toestanden zijn transitie-stadia.
• Klinische Validatie: Toepassing op een cohort van 38 patiënten (360 ROIs) toonde aan dat de meeste klinische samples in S1 of S6 vielen. Patiënten met een hoge fractie S1-ROIs hadden een significant betere overleving ($p=0.038$), terwijl een hoge fractie S6-ROIs correleerde met slechtere overleving ($p=0.029$).
• Parameter Sensitiviteit: De analyse bevestigde dat $r_{exh}$ bepaalt of ontsnapping optreedt, en $r_{adh}$ bepaalt of dit via uitputting (S4) of exclusie (S6) verloopt. Een 2-NN classifier in deze 2D-parameter ruimte bereikte 99,3% nauwkeurigheid.
• Interventie Effectiviteit:
  • De optimale MDP-beleid (die de drug alleen toedient wanneer dit de kans op S1 vergroot) presteerde significant beter dan vaste strategieën (zoals direct starten of wisselende schema's).
  • Voor de S4-gevoelige groep steeg de kans op immuuncontrole van 8,3% (geen behandeling) naar 63,2% met het MDP-beleid.
  • Voor de S6-gevoelige groep steeg dit van 1,7% naar 40,1%.
  • Tijdsgevoeligheid: De S6-gevoelige groep verliest veel sneller de kans op succesvolle interventie (onder de 25% kans na slechts 36 tijdseenheden) vergeleken met de S4-groep (na 189 tijdseenheden). Dit benadrukt dat vroege identificatie van het ontsnappingsmechanisme cruciaal is.

Betekenis en Conclusie

Dit werk biedt een brug tussen mechanistische biologische simulaties en klinische besluitvorming. Het raamwerk maakt het mogelijk om therapeutische strategieën te ontwerpen voor deels waargenomen biologische systemen zonder dat er longitudinale patiëntmetingen nodig zijn.

De kernboodschap is dat adaptieve, toestand-afhankelijke therapieën (gebaseerd op een MDP) superieur zijn aan vaste schema's, vooral omdat ze rekening houden met de specifieke dynamische route (uitputting vs. exclusie) die een tumor volgt. De snelle degradatie van de therapeutische venster in het "exclusie"-regime (S6) onderstreept de noodzaak van vroege diagnose en snelle, gepersonaliseerde interventie. De methode toont aan dat het reduceren van complexiteit via trajecto-landschappen en Markov-modellen een krachtig hulpmiddel is voor het optimaliseren van immunotherapie.