Oldal címe
SikertörténetekKemoterápiás kezelések in silico optimalizálása
Címlapos tartalom
Dömény Martin Ferenc mérnökinformatikus MSc. hallgató, az Óbudai Egyetemen az Élettani Szabályozások Kutatóközpont (Physcon) munkatársa. A kutatócsoport a kemoterápia hatékonyságának növelését tűzte ki célul. Ez egy interdiszciplináris kutatás, ahol orvosok, mérnökök és informatikusok dolgoznak közösen a hatékonyabb kezelés megalkotásáért. A kutatás ezen szakaszában terápia optimalizálást végeztünk genetikus algoritmussal, majd a generált terápiák segítségével meghatároztunk kritikus időintervallumokat, amikor a pácienseket különösen fontos felülvizsgálni, hogy megtudjuk, hogy a megfelelő kezelést kapják-e.
A „Kemoterápiás kezelések in silico optimalizálása” című projekt keretében egy olyan módszert fejlesztettünk ki, amely képes azonosítani azokat a kritikus időszakokat, amikor a daganatos betegek kezelését szorosabban kell felügyelni. A projekt célja az volt, hogy a kemoterápiás kezelések során optimalizáljuk a terápiás protokollokat, csökkentve a kórházban töltött időt és a gyógyszeres kezelés toxicitását, miközben maximalizáljuk a kezelés hatékonyságát. A kutatás során feltételezzük, hogy a rendelkezésünkre áll egy mesterséges hasnyálmirigyhez hasonló eszköz, amely segítségével a páciens akár a kórházon kívül is adagolhatja magának az előre meghatározott kezelést. Amennyiben ez rendelkezésre áll, fontos felülvizsgálni a pácienseket, hogy detektálni tudjuk, hogy a terápia továbbra is megfelelően hat-e a kezelés előrehaladtával.
A kutatás során egy genetikus algoritmus segítségével generáltunk optimális terápiákat. Ahhoz hogy az optimalizálás megvalósítható legyen, szükség van egy matematikai modellre, amely tartalmazza a páciensek egyedi paramétereit. Ehhez egy négy állapotváltozós differenciálegyenlet-rendszert használtunk, amely leírja tumor dinamikáját, a gyógyszer farmakokinetikáját és farmakodinamikáját, valamint a daganat szövetek közötti eloszlását. A modellhez szükséges páciens paramétereket egérkísérletekből származó mérések alapján, modellillesztéssel kapjuk. A modell segítségével in silico szimulációkat végeztünk, amelyek alapján meghatározhatóvá váltak azok az időpontok, amikor a betegek paramétereinek változása miatt a terápiát módosítani kell.
A kutatás eredményeképpen a kórházban töltött időt az eredeti kezelés harmadára sikerült csökkenteni, miközben fenntartottuk a terápiás hatékonyságot. A módszerek további fejlesztése lehetővé teheti a jövőben, hogy a betegek kezelése még inkább személyre szabottá váljon, csökkentve a mellékhatásokat és maximalizálva a gyógyulási esélyeket.
A projekt sikerességéhez jelentős mértékben hozzájárultak a HUN-REN Cloud által biztosított erőforrások, amely lehetővé tette a nagy erőforrásigényű szimulációk hatékony és gyors elvégzését. A genetikus algoritmus egy virtuális populáció egyedeit tekinti a lehetséges megoldásoknak, és ezeket a természetben megfigyelhető evolúció mintájára módosítja több generáción keresztül. Az esetünkben az egyedek az egyes kezelések, amelyeket a virtuális pácienseinken adagolunk. A költségfüggvény (fitness függvény) kiértékelésekor a differenciálegyenlet-rendszert rengetegszer ki kellett értékelni minden kezelésre, amely időigényes folyamat. Az optimalizációt és a kiértékelést Matlab szoftverrel végeztük.
