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

Título: Paisagens de Trajetória para o Design de Estratégias Terapêuticas em Modelos Baseados em Agentes do Microambiente Tumoral

1. Problema e Motivação

O desenvolvimento de estratégias terapêuticas adaptativas para o câncer enfrenta desafios significativos devido à complexidade do Microambiente Tumoral (TME) e à limitação dos dados clínicos disponíveis:

• Observabilidade Limitada: Técnicas de imagem de tecido multiplex (MTI) fornecem dados espaciais ricos, mas são temporalmente subamostrados (apenas "instantâneos" esparsos), impedindo a inferência direta da dinâmica espaço-temporal subjacente e o momento ideal de intervenção.
• Limitações dos Modelos Atuais:
  • Modelos baseados em Equações Diferenciais Ordinárias (ODE) assumem mistura perfeita, falhando em capturar a heterogeneidade espacial crítica (exclusão de células T, segregação de compartimentos).
  • Modelos Baseados em Agentes (ABMs) capturam a dinâmica espacial e estocástica, mas possuem espaços de estado de alta dimensão e parâmetros incertos, tornando o projeto de controle direto computacionalmente inviável e difícil de calibrar com dados clínicos parciais.
• Objetivo: Criar um framework que conecte simulações mecanísticas (ABM) a observações clínicas parciais para projetar políticas de tratamento otimizadas sem exigir medições longitudinais contínuas do paciente.

2. Metodologia Proposta

Os autores propõem um framework reduzido e orientado por simulação que transforma a dinâmica contínua e estocástica do TME em um modelo de decisão de Markov tratável. O processo segue quatro etapas principais:

A. Construção de Ensemble de Simulações (ABM)

• Utiliza-se um modelo ABM (implementado no PhysiCell) que simula interações célula-célula e célula-matriz.
• Em vez de buscar um único conjunto de parâmetros "ótimo", gera-se um ensemble de simulações perturbando sistematicamente 21 parâmetros biológicos plausíveis (usando Latin Hypercube Sampling).
• Isso cria um conjunto de trajetórias que cobrem regimes dinâmicos biologicamente plausíveis do TME.

B. Extração de Estatísticas Espaciais e Embedding Temporal

• Para comparar simulações com dados clínicos, a configuração de agentes é mapeada em vetores de estatísticas espaciais resumidas (proporções de tipos celulares, métricas de mistura/segregação).
• Para capturar a dinâmica temporal a partir de "instantâneos", aplica-se embedding de atraso temporal (inspirado no Teorema de Takens). Vetores de observação são empilhados em janelas temporais simétricas, reconstruindo a estrutura dinâmica latente a partir de dados parciais.

C. Construção da Paisagem de Trajetória e Modelos de Estado de Markov (MSM)

• Os vetores embutidos são clusterizados para identificar estados metaestáveis (attractores) do TME.
• Constrói-se um Modelo de Estado de Markov (MSM) que estima as probabilidades de transição entre esses estados discretos.
• Identificação de Parâmetros Dominantes: Utiliza-se testes estatísticos (Kruskal–Wallis) para identificar quais parâmetros do ABM governam a seleção do atrator final.
• Modelos Condicionados: O MSM é condicionado aos grupos de atratores finais (ex: dominância de células T efetoras vs. exaustão vs. exclusão), permitindo a criação de matrizes de transição específicas para cada regime de escape imunológico.

D. Formulação do Processo de Decisão de Markov (MDP)

• O problema de tratamento é formulado como um MDP de horizonte finito.
• Estado: Os estados discretos do MSM.
• Ação: Binária (0: Sem droga; 1: Administração de "Drug A", que reduz a taxa de exaustão das células T).
• Objetivo: Maximizar a probabilidade de absorção no estado desejado (S1: Dominância de células T efetoras) através de uma política de controle dependente do estado.

3. Resultados Principais

A. Paisagem de Trajetória e Estados do TME

• A análise revelou 6 estados metaestáveis distintos. Três são atratores terminais:
  1. S1: Dominância de células T efetoras (controle imunológico).
  2. S4: Dominância de células T exaustas.
  3. S6: Exclusão de células T do tumor.
• Os estados S2, S3 e S5 atuam como waypoints transitórios.

B. Validação Clínica e Mapeamento

• O modelo foi validado usando dados de imagem de feixe de íons multiplexado (MIBI) de pacientes com câncer de mama triplo-negativo.
• Ao mapear amostras clínicas estáticas para a paisagem aprendida, observou-se que a maioria das regiões de interesse (ROIs) caiu nos estados S1 ou S6.
• Correlação com Sobrevivência: Pacientes com alta proporção de ROIs no estado S1 apresentaram sobrevivência significativamente melhor, enquanto aqueles com alta proporção em S6 tiveram pior prognóstico. O estado S4 (exaustão) não foi detectado nesta coorte clínica específica, mas foi validado nas simulações.

C. Identificação de Parâmetros Críticos

• Apenas dois parâmetros de 21 testados governaram a seleção do atrator final:
  1. Taxa de exaustão de células T ($r_{exh}$): Determina se o escape imunológico ocorre.
  2. Autoadesão do tumor ($r_{adh}$): Determina o modo de escape (exaustão vs. exclusão).
• A alta adesão leva a aglomerados tumorais coesos e exaustão (S4); baixa adesão leva a configurações difusas e exclusão (S6).

D. Análise de Intervenção e Otimização de MDP

• Janela Terapêutica: A sensibilidade ao tempo de intervenção varia drasticamente entre os grupos. O grupo propenso a exclusão (S6) perde a janela terapêutica muito mais rápido (probabilidade de sucesso cai <25% em $k=36$) comparado ao grupo propenso a exaustão (S4, $k=189$).
• Desempenho da Política: A política ótima derivada do MDP (que administra a droga apenas quando aumenta a probabilidade de sucesso) superou significativamente estratégias fixas:
  • Aumentou a probabilidade de redirecionamento para o estado S1 em +14,7% (grupo S4) e +5,8% (grupo S6) em comparação com o tratamento imediato.
  • Sob a política ótima, 42 de 66 simulações S4 e 29 de 73 simulações S6 foram redirecionadas para o controle imunológico, enquanto o tratamento não aplicado resultou em zero redirecionamentos.

4. Contribuições e Significância

• Ponte entre Simulação e Clínica: O trabalho oferece um método robusto para conectar modelos mecanísticos complexos (ABM) com dados clínicos esparsos e estáticos, permitindo a inferência de estados dinâmicos latentes a partir de uma única biópsia.
• Redução de Ordem para Controle: Demonstra como transformar sistemas biológicos estocásticos de alta dimensão em modelos de Markov discretos tratáveis para o design de políticas de controle.
• Medicina de Precisão Temporal: Evidencia que o momento da intervenção é tão crítico quanto a escolha da droga. A identificação precoce do "regime de escape" (exclusão vs. exaustão) é vital, pois a janela de oportunidade para intervenções eficazes fecha-se em escalas de tempo muito diferentes.
• Estratégias Adaptativas: Mostra que políticas de tratamento dependentes do estado (que adaptam a administração da droga com base no estado atual do TME) são superiores a esquemas de tempo fixo ou alternado, maximizando a probabilidade de controle imunológico.

Em resumo, o artigo apresenta um framework computacional inovador que utiliza paisagens de trajetória e modelos de decisão de Markov para projetar terapias personalizadas e temporalmente otimizadas para o câncer, superando as limitações de observabilidade dos dados clínicos atuais.