Иммунотерапия, которая активирует иммунную систему для поиска и уничтожения раковых клеток, значительно улучшила результаты лечения многих пациентов с солидными опухолями. Однако все еще существует подгруппа пациентов, которые не видят пользы от этого типа терапии. В настоящее время не существует иммунных биомаркеров, объясняющих, как у пациентов с одинаковым заболеванием и характеристиками пациентов могут быть разные исходы. В новой статье, опубликованной в Journal for ImmunoTherapy of Cancer , исследователи онкологического центра Moffitt демонстрируют, как можно использовать математическое моделирование для анализа влияния различных методов лечения рака на динамику опухоли и иммунных клеток, а также для прогнозирования результатов терапии и персонализации лечения рака.
Известно, что взаимодействие популяций раковых клеток с окружающей иммунной средой влияет на развитие и прогрессирование рака и реакцию пациентов на иммунотерапию. Одни пациенты хорошо реагируют на иммунотерапию, другие – нет. Однако неясно, что отличает этих пациентов.
«Подобно тому, как рак на ранней стадии лечится иначе, чем рак на поздней стадии, опухоли с разной степенью иммунного участия могут нуждаться в совершенно разных терапевтических подходах», — сказала Ребекка Беккер, первый автор статьи и доктор биологических наук рака. студент Моффита.
Исследователи Moffitt хотели улучшить свое понимание взаимодействия опухоли и иммунных клеток, чтобы помочь прогнозировать результаты для пациентов и определить лучшие терапевтические варианты. Зная, что эта динамика чрезвычайно сложна и трудна для изучения в лабораторных условиях, команда использовала альтернативный подход для концептуализации этих взаимодействий с помощью математического моделирования. Они разработали модель, которая имитирует взаимодействие между всеми возможными комбинациями количества опухолевых клеток и популяций иммунных клеток с течением времени. Они включали параметры скорости роста и элиминации опухолевых клеток, рекрутирования и истощения иммунных клеток. Результатом их модели было либо ускользание от иммунного ответа, при котором опухолевые клетки вырастали до своего максимального потенциала, либо контроль опухоли за счет противоопухолевой активности иммунных клеток.клетки .
Затем исследователи использовали свою модель для имитации и прогнозирования результатов различных видов терапии, включая цитотоксическую химиотерапию и клеточную иммунотерапию, которые влияют на размер опухолевых клеток или популяций иммунных клеток, а также ингибиторы иммунных контрольных точек, которые влияют на природу взаимодействия между популяциями опухолевых и иммунных клеток. Они также рассмотрели потенциальные результаты комбинированной терапии.
Эти модели помогают понять, как можно комбинировать методы лечения для достижения оптимальных результатов для пациентов за счет контроля иммунных клеток над популяциями опухолевых клеток. Исследователи надеются, что в будущем математическое моделирование можно будет использовать в клинике, чтобы прогнозировать реакцию пациентов на терапию и направлять лечение.
«Математическая абстракция онкологии обеспечивает новый и многообещающий способ концептуализации влияния различных методов лечения рака на опухоль пациента и местную иммунную среду и дает нам возможность переосмыслить игру чисел иммунотерапии», — сказал Хайко Эндерлинг, доктор философии, исследование. автор и ассоциированный член отделения интегрированной математической онкологии в Моффитте.
