InSilico-K digital twin platform for optimizing neoadjuvant regimens and surgical de-escalation in lung cancer

Resumo Técnico: Plataforma de Gêmeo Digital InSilico-K para Otimização Neoadjuvante de Câncer de Pulmão

Definição do Problema
O manejo do câncer de pulmão de células não pequenas (CPCNP) em estágio inicial, com mutação EGFR, enfrenta um descompasso crítico entre o potencial terapêutico molecular e a entrega física ao tecido. Embora estratégias de bloqueio duplo utilizando amivantamabe (um anticorpo biespecífico de 148 kDa) e lazertinibe apresentem eficácia em contextos avançados, sua aplicação na janela neoadjuvante para tumores ressecáveis é dificultada por barreiras de transporte biofísicas. Especificamente, a elevada pressão de fluido intersticial (PFI) tumoralialta restringe a convecção e a difusão de terapêuticos de alto peso molecular, como o amivantamabe, impedindo que penetrem no núcleo do tumor sólido, enquanto moléculas menores (ex: lazertinibe, 510 Da) difundem-se livremente.

Os gêmeos digitais clínicos atuais funcionam majoritariamente como ferramentas estáticas de estratificação de risco, em vez de estruturas dinâmicas capazes de simular a entrega de fármacos no microambiente. Além disso, a oncologia torácica tradicional baseia-se em ressecções teciduais radicais (lobectomia/dissecção de linfonodo) fundamentadas em dogmas históricos, apesar de evidências recentes sugerirem que a remoção extensa de tecido não oferece benefício de sobrevida para doença clinicamente N0. Há uma necessidade não atendida de um motor preditivo capaz de simular como medicações concomitantes podem descomprimir barreções mecânicas teciduais para otimizar a penetração de anticorpos, viabilizando assim a "descalonamento cirúrgico" ou "Cirurgia Adjuvante" — um paradigma onde a cirurgia é reposicionada como um adjuvante localizado para limpar a doença residual após a erradicação molecular sistêmica.

Metodologia
Os autores desenvolveram o InSilico-K, um pipeline computacional multiescala e dinâmico projetado para mapear parâmetros macroclínicos não invasivos para uma probabilidade contínua de resposta patológica completa (RPC). O sistema opera em um backend de alto desempenho utilizando operações de tensores PyTorch, executando cálculos de matriz a intervalos de 100 milissegundos.

A arquitetura consiste em três camadas de execução sincronizadas:

1. Camada de Linha de Base (Macroambiente): Calcula a pressão de fluido intersticial tumoral alvo (Baseline_IFP) usando uma função biofísica empírica derivada da equação de Starling. Ela integra o volume tumoral derivado de TC, a pressão arterial média (PAM) sistêmica e os níveis de albumina sérica.
2. Camada de Modulação Dinâmica: Simula o impacto do bloqueio do receptor de angiotensina (especificamente o telmisartana) na PFI. Esta camada modela a descompressão dinâmica da PFI como um decaimento exponencial de primeira ordem, traduzindo variações de pressão em mudanças no coeficiente de difusão tecidual efetivo para terapêuticos de alto peso molecular (amivantamabe).
3. Camada Terminal (Cinética de Microescala): Resolve a cinética de ocupação de receptores no sítio alvo. Combina perfis de ligação estrutural (gerados via AlphaFold 3) com a difusão tecidual efetiva calculada para estimar a ocupação cumulativa de receptores.

O output final, InSilico-pCR, é uma distribuição de probabilidade contínua derivada da integração da Área Sob a Curva (AUC) do Score de Ocupação de Receptor Efetivo ao longo de uma janela neoadjuvante de 28 dias. O modelo utiliza equações determinísticas para ligar biométricos do hospedeiro à ocupação molecular de microescala, evitando a dependência de observação estatística retrospectiva em favor de simulação biofísica baseada em primeiros princípios.

Resultados Principais
O estudo apresenta uma análise de sensibilidade paramétrica e uma simulação comparativa de duas trajetórias clínicas ao longo de um período de 28 dias:

• Cenário A (Cuidados Padrão): Sem modulação de PFI, a PFI tumoral permanece cronicamente elevada (22,4–25,1 mmHg). Isso cria uma barreira mecânica severa, restringindo o amivantamabe à periferia do tumor. A simulação gera uma probabilidade cumulativa de InSilico-pCR de 34,2%.
• Cenário B (Intervenção Guiada pelo InSilico-K): Com a coadministração de 40 mg diários de telmisartana, o modelo simula um decaimento exponencial acentuado na PFI, caindo para 7,8 mmHg no Dia 7. Esta descompressão vascular desbloqueia o gargalo biofísico, resultando em uma aceleração de transporte de 4,2 vezes para o anticorpo macromolecular. A probabilidade cumulativa de InSilico-pCR sobe para 86,0% até o Dia 28.

A simulação demonstra que o regime de bloqueio duplo pode explorar plenamente sua afinidade de ligação estrutural quando o impedimento físico é removido, alinhando os resultados virtuais com marcos clínicos históricos observados em coortes de bloqueio duplo avançado.

Significância e Alegações
O artigo posiciona o InSilico-K como uma fundação computacional rigorosa para futuros ensaios translacionais, propondo especificamente um estudo de "janela de oportunidade" (Fase 0). A principal significância da plataforma reside em sua capacidade de:

1. Preencher a Lacuna Translacional: Conecta métricas biofísicas do macroambiente diretamente à ocupação molecular de microescala, indo além de escores de risco estáticos para a simulação biofísica dinâmica.
2. Redefinir Paradigmas Cirúrgicos: Ao verificar computacionalmente a viabilidade da erradicação molecular sistêmica, a plataforma apoia a mudança conceitual para a "Cirurgia Adjuvante", onde a ressecção física é minimizada para limpar apenas a doença macroscópica residual.
3. Fornecer um Framework Determinístico: Diferente de ensaios empíricos incumbered por heterogeneidade e ruído, o InSilico-K oferece uma abordagem de primeiros princípios para prever e superar gargalos moleculares antes do recrutamento de pacientes.

Os autores declaram explicitamente que a iteração atual é um "exercício de shadow-boxing computacional" e não um instrumento clínico validado. Eles reconhecem limitações, incluindo a suposição de difusão isotrópica (ignorando a heterogeneidade espacial in vivo) e a conformidade idealizada do paciente. Consequentemente, o artigo aponta para trabalhos futuros que incluam a integração de ressonância magnética de perfusão pré-operatória para mapear o fluxo vascular 3D e validar as previsões contra gradientes reais de concentração de fármacos intratumorais via LC-MS/MS em ensaios prospectivos. O objetivo final é estabelecer uma base transparente e de código aberto para a oncologia computacional que permita a exploração segura de conceitos terapêuticos no espaço virtual.