CellSwarm: LLM-Driven Cell Agents Recapitulate Tumor Microenvironment Dynamics and Sense Indirect Genetic Perturbations

Deze paper introduceert CellSwarm, een raamwerk waarbij door grote taalmodellen aangedreven autonome cellen het tumormicro-omgevingssimulatievermogen van hand-geschreven regels evenaren en uitbreiden met mogelijkheden tot kankeroverstijgende generalisatie, klinisch onderbouwde behandelingsvoorspelling en het waarnemen van indirecte genetische verstoringen.

De kern

CELLSWARM: De "Superbrein" voor Kankercellen

Stel je voor dat een tumor niet zomaar een hoopje kwaadaardige cellen is, maar een levend, bruisend stadje. In dit stadje wonen verschillende soorten inwoners: de kwaadaardige "kanker-burgemeesters", de "politie" (immuuncellen die de tumor moeten aanvallen), en de "buurman" (andere cellen die soms helpen, soms dwarszitten).

Vroeger probeerden wetenschappers dit stadje te simuleren op de computer met een strenge handleiding. Ze schreven regels op zoals: "Als de politieagent ziet dat de kanker-burgemeester dichtbij is, dan valt hij aan." Het probleem? Als er iets nieuws gebeurde dat niet in de handleiding stond (bijvoorbeeld een nieuw medicijn of een vreemde mutatie), wist de computer niets meer te doen. Het was als een robot die alleen reageert op knoppen die je hebt aangegeven.

CELLSWARM is een revolutionaire nieuwe manier om naar dit stadje te kijken. In plaats van een stijve handleiding, geven ze elke cel in de simulatie een eigen "Superbrein": een kunstmatige intelligentie (een Large Language Model, of LLM) die is getraind op miljoenen medische boeken en artikelen.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Elke cel is een slim agentje

In de oude modellen was een cel als een poppetje dat alleen deed wat je hem vertelde. In CELLSWARM is elke cel een onafhankelijke agent met een eigen geheugen en een brein.

• Ze kunnen "denken": "Ik ben moe, er is weinig zuurstof, en de politie is aan het slapen. Misschien moet ik me verstoppen of juist vechten?"
• Ze hebben een geheugen: Ze onthouden wat er de afgelopen uren is gebeurd.
• Ze hebben 14 interne zenuwbanen: Dit zijn hun interne systemen die reageren op signalen (zoals honger, stress of een aanval).

2. Het "Stadje" in actie

De wetenschappers lieten dit digitale stadje groeien en keken wat er gebeurde.

• De test: Ze lieten het model een tumor nabootsen die lijkt op die bij borstkanker (TNBC).
• Het resultaat: Het digitale stadje zag er bijna exact hetzelfde uit als een echte tumor uit een patiënt. De verhouding tussen "politie" en "kanker" was perfect. Dit deed het model net zo goed als de oude, strenge handleidingen, maar dan zonder dat de wetenschappers elke regel handmatig hadden moeten uitzoeken.

3. De echte kracht: Zien wat anderen niet zien

Hier wordt het echt spannend. De oude modellen konden alleen reageren op dingen die ze al kenden. Het nieuwe model met het "Superbrein" kan slimme conclusies trekken.

Stel je voor dat je een cel een geheime opdracht geeft: "Doe alsof een belangrijk signaal (IFN-γ) weg is."

• De oude robot (Regels): Kijkt naar zijn lijstje. "Ik zie geen directe aanvalsbefehls. Ik doe gewoon mijn werk." Hij merkt niets op.
• Het Superbrein (LLM): Denkt na: "Oh, dit signaal is weg. Dat betekent dat de politie niet meer goed kan communiceren. Als de politie niet communiceert, wordt de kanker sterker."
• Het gevolg: Het model zag dat de tumor groeide omdat de "politie" verlamd was, terwijl de oude robot dacht dat alles normaal was. Dit is alsof een detective het verschil ziet tussen een stille straat en een gevaarlijke situatie, terwijl een camera alleen de gebouwen ziet.

4. Genezing voorspellen zonder proefpersonen

Het team testte ook medicijnen in hun digitale stadje.

• Ze gaven het model een medicijn (zoals een immunotherapie) en keken of de tumor kleiner werd.
• De voorspelling van het model kwam verrassend dicht bij de echte resultaten uit klinische studies bij mensen.
• Het model kon zelfs zien dat een medicijn beter werkt als je het vroeg geeft, en slechter als je wacht. Dit is als een digitale tijdreis om te zien welke behandeling werkt, voordat je het aan een echt mens geeft.

Waarom is dit belangrijk?

Vroeger moest je voor elke nieuwe kankersoort of elk nieuw medicijn een hele nieuwe handleiding schrijven. Dat duurde jaren.
Met CELLSWARM hoef je alleen maar de "instructieboekjes" (de kennisbank) te verwisselen. Wil je nu darmkanker simuleren in plaats van borstkanker? Je wisselt het boekje uit, en het "Superbrein" past zich direct aan. Het begrijpt de logica van het nieuwe stadje zonder opnieuw te hoeven leren.

Kortom:
CELLSWARM is als het geven van een levend brein aan elke cel in een computermodel. In plaats van een robot die alleen knoppen indrukt, hebben we nu een digitale bioloog die kan redeneren, fouten maakt, leert, en ons helpt om te begrijpen waarom kanker zich soms zo lastig gedraagt en hoe we het kunnen verslaan. Het is een grote stap richting het maken van een digitale tweeling van een patiënt, zodat artsen in de toekomst kunnen testen: "Welke pil werkt het beste voor jouw specifieke tumor?" voordat ze de patiënt zelfs maar iets geven.

Technische samenvatting

Probleemstelling

Traditionele agent-gebaseerde modellen (ABM's) voor het simuleren van het tumor-micro-omgeving (TME) vertrouwen op handmatig geschreven regels (hand-coded rules) om celgedrag te definiëren. Deze aanpak heeft twee fundamentele beperkingen:

1. Gebrek aan generalisatie: De regels zijn strikt beperkt tot de logica die door de onderzoeker is geprogrammeerd. Ze kunnen niet buiten hun vooraf gedefinieerde context opereren of zich aanpassen aan nieuwe biologische scenario's zonder volledige hercodering.
2. Onvermogen tot indirecte causale redenering: Regelgebaseerde modellen kunnen vaak geen effecten voorspellen die voortvloeien uit complexe, indirecte signaalcascades (bijvoorbeeld genetische verstoringen die niet direct in de beslissingslogica van een cel zijn opgenomen).

Dit leidt tot modellen die moeilijk te schalen zijn naar verschillende kankertypen, beperkt zijn in het voorspellen van therapieresponsen en moeite hebben met het simuleren van emergent gedrag dat voortkomt uit complexe interacties.

Methodologie: Het CELLSWARM Framework

De auteurs introduceren CELLSWARM, een raamwerk dat de statische beslissingslogica van traditionele ABM's vervangt door autonome agenten aangedreven door Large Language Models (LLM's).

Architectuur van de Cel-Agent:
Elke gesimuleerde cel fungeert als een onafhankelijke agent met de volgende componenten:

• Persistente staat: Een vector die de celtoestand vastlegt (celcyclusfase, energiereserves, activatie- en uitputtingsniveaus).
• Signaleringsmodule: Een systeem van 14 canonieke signaalwegen (bijv. TCR, PD-1, mTOR, JAK-STAT) die continu worden bijgewerkt op basis van lokale signaalconcentraties en cel-celcontacten.
• Geheugenstroom: Een tijdsvenster van recente acties en belangrijke gebeurtenissen (zoals de eerste antigeencontact) om context voor toekomstige beslissingen te bieden.
• LLM als cognitieve kern: In plaats van een if-then regel, ontvangt de LLM een gestructureerde prompt met de lokale omgeving (diffusibele signalen zoals O2, glucose, cytokines), de interne staat van de cel, en relevante kennis uit databases. De LLM infereert vervolgens de meest waarschijnlijke actie (prolifereren, migreren, cytokines afscheiden, apoptose of rusten).

Kennisbases (Knowledge Bases - KB):
Het systeem gebruikt vier modulaire, menselijk leesbare YAML-bestanden om biologische kennis te injecteren zonder het model opnieuw te hoeven trainen:

1. Cancer Atlas: Specifieke parameters per kankertype (celproporties, groeisnelheden).
2. Drug Library: Mechanismen van geneesmiddelen en hun effecten op signaleringswegen.
3. Pathway KB: Definitie van signaalwegen en kruisverwijzingen.
4. Perturbation Atlas: Effecten van genetische knockouts (KO's).

Simulatieomgeving:
De simulatie verloopt op een 2D-rooster (500x500) met diffusie van signalen. Agenten doorlopen een cyclus van waarnemen, redeneren (via LLM) en handelen. Er zijn drie modi vergeleken:

• Agent: LLM-gedreven.
• Rules: Handmatig geprogrammeerde deterministische regels.
• Random: Willekeurige acties (null-baseline).

Belangrijkste Bijdragen

1. Vervanging van regels door redenering: Het bewijs dat LLM's kunnen fungeren als een "cognitieve kern" voor biologische agenten, waardoor ze contextafhankelijk kunnen beslissen in plaats van statisch te reageren.
2. Zero-shot generalisatie: Het vermogen om het model direct toe te passen op verschillende kankertypen (van "hot" tot "cold" tumoren) door simpelweg de Cancer Atlas kennisbasis te wisselen, zonder code-aanpassingen of hertraining.
3. Detectie van indirecte verstoringen: Het aantonen dat LLM-agenten in staat zijn om effecten te "voelen" van genetische mutaties die buiten de directe beslissingsdrempels van traditionele regels vallen, dankzij het integreren van volledige signaalwegcontext.

Resultaten

1. Fidelity in Triple-Negative Breast Cancer (TNBC):

• De LLM-agenten (met DeepSeek als back-end) reproduceerden de samenstelling van het TME in TNBC met een nauwkeurigheid die vergelijkbaar was met handmatige regels (Jensen-Shannon divergentie: 0,144 vs. 0,146), en aanzienlijk beter dan willekeurige modellen (0,263).
• De simulaties behielden realistische verhoudingen tussen immuuncellen en tumorcellen, evenals ecologische diversiteit.

2. Cross-Cancer Generalisatie:

• Door alleen de kennisbasis te wisselen, slaagde CELLSWARM erin om zes verschillende kankertypen (o.a. CRC-MSI-H, Melanoom, Ovariumkanker) te simuleren met immunologische profielen die overeenkwamen met de bekende biologie (bijv. hoge CD8+/Treg-ratio's bij "hot" tumoren).
• Regelgebaseerde modellen faalden hierin en produceerden uniforme, niet-specifieke resultaten voor alle kankertypen.

3. Therapierespons en Genetische Verstoringen:

• Behandeling: De simulatie voorspelde responsen op immunotherapie (anti-PD-1, anti-CTLA-4) die overeenkwamen met klinische data (bijv. 17,6% simulatie vs. 21% klinisch voor anti-PD-1).
• Genetische Knockouts (KO's): Dit was het onderscheidende resultaat.
  • Bij directe KO's (PD-1, CTLA-4) reageerden zowel Agent als Rules sterk.
  • Bij indirecte KO's (bijv. IFN-γ KO) faalde het regelgebaseerde model volledig (verandering <0,3%), omdat IFN-γ niet in de directe aanvalsregel zat. De LLM-agent detecteerde echter een significante tumoruitbreiding (+15,7%) omdat het de onderbreking van de JAK-STAT1 cascade en de daaruit voortvloeiende immuunonderdrukking redeneerde.
  • Er werd een sterke correlatie gevonden tussen genetische KO's en farmacologische behandelingen (phenocopy), wat de mechanistische geldigheid bevestigt.

4. Robuustheid en Kosten:

• Verschillende LLM-modellen werden getest. "Tier 1" modellen (zoals DeepSeek en GLM-4-Flash) boden de beste balans tussen nauwkeurigheid en kosten.
• De resultaten waren reproduceerbaar over meerdere runs, ondanks de stochastische aard van LLM's.

Betekenis en Conclusie

CELLSWARM markeert een paradigmaverschuiving in de computationele biologie. Het demonstreert dat LLM's niet alleen tekst kunnen genereren, maar ook als een mechanistisch redeneermotor kunnen fungeren binnen dynamische biologische systemen.

• Over de grenzen van regels: Het systeem kan complexe, niet-lineaire biologische interacties simuleren die te ingewikkeld zijn om handmatig te coderen.
• Persoonlijke geneeskunde: De modulaire architectuur (wisselen van kennisbasis) opent de weg naar "digitale tweelingen" van individuele patiënten, waarbij het model kan worden gekalibreerd op basis van patient-specifieke transcriptoomdata.
• Beperkingen: De auteurs erkennen dat de kwaliteit van de simulatie afhankelijk is van de kwaliteit van de kennisbasis (bijv. een fout in de Drug Library leidde tot een overschatting van de TGF-β respons) en dat huidige beperkingen bestaan in de afwezigheid van mechanische krachten (3D-structuur) en specifieke modules voor humorale immuniteit (B-cellen).

Samenvattend biedt CELLSWARM een nieuw, schaalbaar raamwerk om de tumor-micro-omgeving te begrijpen, therapieën te testen en indirecte genetische effecten te bestuderen, met een flexibiliteit die traditionele regelgebaseerde modellen niet kunnen bieden.