Continous-discrete approach of tumor growth: multiscale modeling and Bayesian inference using Gaussian Process Surrogates

• Ano de defesa: 2019
• Autor(a) principal: Rocha, Heber Lima da
• Orientador(a): Almeida, Regina Célia Cerqueira de, Lima, Ernesto Augusto Bueno da Fonseca
• Banca de defesa: Almeida, Regina Célia Cerqueira de, Loula, Abimael Fernando Dourado, Coutinho, Alvaro Luiz Gayoso de Azeredo, Orlande, Hélcio Rangel, Costa, Michel Iskin da Silveira
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Laboratório Nacional de Computação Científica
• Programa de Pós-Graduação: Programa de Pós-Graduação em Modelagem Computacional
• Departamento: Coordenação de Pós-Graduação e Aperfeiçoamento (COPGA)
• País: Brasil
• Palavras-chave em Português: Câncer; Processos gaussiano
• Área do conhecimento CNPq: CNPQ::CIENCIAS DA SAUDE::MEDICINA::CLINICA MEDICA::CANCEROLOGIA
• Link de acesso: https://tede.lncc.br/handle/tede/319

A confiabilidade de predições computacionais de complexos eventos físicos e biológicos é um dos aspectos mais relevantes na ciência computacional preditiva. Sem uma abordagem rigorosa para avaliar a confiabilidade de modelos sujeitos à diversos tipos de incertezas, os modelos computacionais são de pouca aplicabilidade na ciência médica, ou na ciência em geral. Desta forma, o sucesso e o uso clínico de modelos matemáticos e computacionais depende, em última instância, de como são tratadas questões chaves da ciência preditiva. Nesta pesquisa de tese de doutorado, estendemos o modelo híbrido, em duas escalas, do crescimento avascular tumoral desenvolvido anteriormente para incluir mecanismos de regulação intracelular e de angiogênese. O modelo foi implementado de forma bastante flexível, sendo possível tanto a inclusão de diferentes mecanismos nas diversas escalas quanto sua simplificação, visando focar em alguma dinâmica específica. Foi também desenvolvida uma versão tri-dimensional do modelo. Os parâmetros do modelo associados às três escalas (tecido, celular e sub-celular) foram estimados, em um primeiro momento, para representar dinâmicas típicas de carcinomas não-específicos. Usualmente, tais parâmetros não podem ser determinados diretamente e devem ser inferidos a partir de evidências/dados experimentais. Como uma etapa nesta direção, desenvolvemos uma plataforma para a integração de dados na escala celular do modelo multiescala, com o fim de calibrá-lo utilizando uma abordagem Bayesiana. Como o modelo é estocástico e de alto custo computacional, estudamos a aplicação de diversas técnicas de abordagem Bayesiana aproximada. Em particular, a metodologia de Aproximação da Computação Bayesiana aproximada (AABC), baseada no uso de um metamodelo construído a partir de um número limitado de simulações do modelo, mostrou-se computacionalmente eficiente. Para aprimorar a construção do metamodelo, desenvolvemos um modelo reduzido baseado em processos Gaussianos (GPR). A partir de amostras do espaço paramétrico via método hipercubo latino esparso, desenvolvemos uma estratégia adaptativa para a construção do metamodelo. A combinação de métodos ABC- GPR foi utilizada para a calibração do modelo na escala celular utilizando dados in vitro da confluência das células BT474 (células de câncer de mama humano). Esta metodologia apresentou eficiência computacional significativamente superior, apresentando potencial para ser usada na calibração do modelo completo multiescala. Por ser conceitualmente independente de modelo, tem potencial para ser usado na inferência de parâmetros de modelos computacionalmente caros utilizados nas diversas áreas da ciência e engenharias.