Stokastisk modellering av glioblastom

Abstract

Glioblastom (GBM) är en av de mest aggressiva och dödliga formerna av hjärncancer, med mycket varierande och invasiva tillväxtmönster som innebär stora utmaningar för prognos och behandling. Denna kandidatuppsats presenterar en stokastisk, agentbaserad modell för att simulera dynamiken hos glioblastomtumörer, med fokus på de biologiska mekanismerna go or growöch ”cell-cell repulsion”. I modellen antar varje tumörcell slumpmässigt en av tre fenotyper: ”idle”, ”go” eller ”grow”. En specialutvecklad sökalgoritm kallad P*, som inkluderar stokasticitet och en kostnadsfunktion, styr cellernas migration och delning mot mindre tätbefolkade områden i ett tredimensionellt rutnät. För att validera modellen användes in vitro-data från Uppsala universitet, bestående av time-lapse-bilder av glioblastomsfäroider odlade i 3D-kollagenmatriser. Bildanalys användes för att extrahera centrala mätvärden som kärnradie, invasiv radie och fraktaldimension, vilka därefter jämfördes med motsvarande simulerade tumörer. Parameterestimering gjordes med hjälp av parametersvep för att kalibrera modellen. Resultaten visar att modellen kan reproducera observerad tillväxtdynamik för vissa tumörer, och de härledda parametrarna uppvisar korrelationer med kliniska data såsom patientöverlevnad och tumörsubtyp. Arbetet framhäver potentialen hos stokastisk modellering som ett kompletterande verktyg inom cancerforskningen.