Oncología matemática

La oncología matemática es el uso de modelos matemáticos y simulaciones por computadora aplicados al estudio del cáncer ( oncología ). ^{[ 1 ] [ 2 ] [ 3 ]}

Teorell realizó esfuerzos preliminares para modelar en un trabajo publicado en 1937 ^{[ 4 ]} debido al problema del tiempo que un fármaco inyectado permanece en el cuerpo, que era desconocido. ^{[ 5 ]} El modelado mediante datos epidemiológicos se originó en 1954. ^{[ 6 ]}

Tipos de modelado: ^{[ 6 ]}

• datos epidemiológicos ^{[ 6 ]}
• mecanicista: crecimiento tumoral conceptualizado a partir de la conceptualización de la materia tumoral como un tipo de mecanismo ^{[ 6 ]}
• evolución de la población de células cancerosas ^{[ 6 ]}

Los modelos utilizan ecuaciones diferenciales ordinarias ^{[ 7 ]} y ecuaciones diferenciales parciales ^{[ 8 ]} para representar el crecimiento tumoral, la angiogénesis ^{[ 9 ]} , el desarrollo de metástasis ^{[ 10 ]} y las respuestas al tratamiento.

La simulación del comportamiento del cáncer reduce potencialmente la necesidad de ensayos experimentales de fase temprana. ^{[ 11 ] [ 12 ]}

Los investigadores desarrollan modelos que describen la dinámica tumoral y los efectos del tratamiento, para remediar posibles respuestas no óptimas al tratamiento y así apoyar el desarrollo de protocolos de tratamiento más eficaces. ^{[ 13 ]}

La teoría de control ^{[ 14 ]} y la optimización se aplican a la planificación del tratamiento en terapias oncológicas, particularmente en radioterapia y quimioterapia. Al optimizar los esquemas de dosificación y la sincronización, la oncología matemática busca maximizar la eficacia terapéutica y minimizar los efectos adversos. ^{[ 15 ]}

Los cánceres están compuestos por poblaciones celulares heterogéneas que surgen de una sola célula de origen y se diversifican a través de la acumulación de mutaciones somáticas, lo que los hace sujetos a la evolución darwiniana . ^{[ 16 ]} Esta evolución clonal conduce a la heterogeneidad intratumoral , en la que distintos subclones coexisten dentro del mismo tumor, como lo demuestran los estudios de secuenciación multirregional que revelan patrones evolutivos ramificados donde la mayoría de las mutaciones no se comparten en todas las regiones del tumor. ^{[ 17 ]} Sin embargo, el éxito de estos clones mutantes depende no solo de sus rasgos genéticos sino también de su capacidad para alterar la homeostasis tisular , lo que significa que una visión evolutiva del cáncer debe complementarse con una perspectiva ecológica para comprender cómo las células cancerosas invaden y remodelan su microambiente. ^{[ 18 ]} Más allá de la competencia, la teoría de juegos se ha aplicado para modelar las interacciones cooperativas entre subpoblaciones de células tumorales, mostrando que los clones pueden adquirir colectivamente los sellos distintivos del cáncer a través de relaciones mutualistas. ^{[ 19 ] [ 20 ] [ 21 ] [ 22 ] [ 23 ] [ 24 ] [ 25 ] [ 26 ] [ 27 ]} Los marcos ecológicos tratan a los tumores como ecosistemas en los que la progresión del cáncer refleja una alteración del equilibrio entre las poblaciones celulares que interactúan y el microambiente tumoral . ^{[ 28 ]} Estas dinámicas ecológicas y evolutivas pueden explotarse terapéuticamente, ya que las vulnerabilidades a nivel poblacional de los tumores ofrecen nuevas estrategias para llevar a la extinción a las subpoblaciones cancerosas. ^{[ 29 ]}

Los métodos estadísticos pueden ser importantes para comprender la progresión del cáncer, analizar los resultados del tratamiento e identificar tendencias significativas en grandes conjuntos de datos. ^{[ 1 ]} Los avances en inteligencia artificial (IA) ^{[ 30 ]} y aprendizaje automático ^{[ 31 ]} han impactado aún más el campo. Los algoritmos de IA ^{[ 32 ]} pueden procesar mayores cantidades de datos de pacientes e identificar patrones que pueden predecir respuestas individuales al tratamiento, personalizando las estrategias terapéuticas. ^{[ 33 ]}

La IA permite a los investigadores predecir el comportamiento de células individuales con mayor precisión mediante la integración de diversos tipos de datos de pacientes. Los modelos basados ​​en IA también pueden identificar ecuaciones matemáticas que reflejen con mayor exactitud la dinámica del crecimiento tumoral, lo que ayuda a los investigadores a descubrir relaciones entre diversos factores biológicos con mayor rapidez. ^{[ 34 ] [ 35 ]}