Solupohjaisten simulaatiomallien käyttö intraduktaalisessa karsinoomassa

Abstract

DCIS eli intraduktaalinen karsinooma on itsessään vaaraton rintasyövän esiaste, joista noin 20–40 prosenttia kehittyy tappavaksi IDC:ksi eli invasiiviseksi syöväksi. DCIS:n hoidon suurena haasteena on kyvyttömyys ennustaa, mitkä tapauksista kehittyvät IDC:ksi ja mitkä eivät. Ennustamisen epävarmuuden vuoksi DCIS:ää hoidetaan usein yhtä aggressiivisesti kuin IDC:ää, mikä voi aiheuttaa osalle potilaista tarpeetonta fyysistä ja henkistä haittaa. Hoidon kehittämiseen tarvitaan uusia menetelmiä DCIS:n kehittymisen tutkimiseen ja ennustamiseen.

Solupohjaiset simulaatiomallit voisivat tarjota uusia ratkaisuja syöpätutkimukseen. Näiden mallien avulla voidaan kuvata yksittäisten solujen käyttäytymistä virtuaalisessa kudosympäristössä. Tämä ominaisuus tekee solupohjaisista simulaatiomalleista erityisen käyttökelpoisia syövän tutkimuksessa, sillä syöpien uskotaan aiheutuvan yksittäisten solujen käyttäytymisen muutoksista. Mallien toiminta perustuu sääntöihin, jotka pyrkivät jäljittelemään solujen todellista biologista käyttäytymistä, kuten liikkumista ja jakautumista.

Tässä kirjallisuustutkimuksessa vertaillaan ja arvioidaan kahden solupohjaisen simulaatiomallin, soluautomaatti- (CA) ja Cellular Potts -mallien (CPM), soveltuvuutta DCIS:n invaasion mallintamiseen. Vertailu perustuu mallien kykyyn tuottaa biologisesti realistista tietoa DCIS:stä sekä niiden laskennalliseen kuormittavuuteen. Analyysissä hyödynnetään tutkimuksia, joissa näitä malleja on käytetty syövän mallintamiseen.

Vertailu osoittaa, että CPM-mallit ovat biologisesti tarkempia DCIS:n invaasioon mallintamisessa kuin CA-mallit. CA-mallit ovat kuitenkin laskennallisilta vaatimuksiltaan kevyempiä, mikä tekee niistä sopivia suurten mittakaavojen yksinkertaisiin simulaatioihin tai hypoteesien alustavaan testaukseen. CPM-mallit puolestaan soveltuvat parhaiten tutkimuksiin, joissa biologinen tarkkuus on ensisijainen tavoite. Kumpikaan malleista ei tällä hetkellä sovellu DCIS:n kliiniseen ennustamiseen, mutta Cellular Potts -mallilla on potentiaalia kehittyä kliiniseen käyttöön tulevaisuudessa, mikäli laskentateho ja algoritmien tehokkuus kehittyvät.