Published July 1, 2022
| Version v1
Publication
Modeling the efficacy of different anti-angiogenic drugs on treatment of solid tumors using 3D computational modeling and machine learning
Creators
- 1. Tehran University of Medical Sciences
- 2. K.N.Toosi University of Technology
- 3. University of Waterloo
- 4. Toronto Metropolitan University
- 5. University of British Columbia
- 6. University of Public Service
- 7. Óbuda University
- 8. Slovak University of Technology in Bratislava
- 9. Lancaster University
- 10. University of Southampton
- 11. Institute of Geographic Sciences and Natural Resources Research
- 12. Chinese Academy of Sciences
- 13. The Ohio State University
Description
Accurate simulation of tumor growth during chemotherapy has significant potential to alleviate the risk of unknown side effects and optimize clinical trials. In this study, a 3D simulation model encompassing angiogenesis and tumor growth was developed to identify the vascular endothelial growth factor (VEGF) concentration and visualize the formation of a microvascular network. Accordingly, three anti-angiogenic drugs (Bevacizumab, Ranibizumab, and Brolucizumab) at different concentrations were evaluated in terms of their efficacy. Moreover, comprehensive mechanisms of tumor cell proliferation and endothelial cell angiogenesis are proposed to provide accurate predictions for optimizing drug treatments. The evaluation of simulation output data can extract additional features such as tumor volume, tumor cell number, and the length of new vessels using machine learning (ML) techniques. These were investigated to examine the different stages of tumor growth and the efficacy of different drugs. The results indicate that brolucizuman has the best efficacy by decreasing the length of sprouting new vessels by up to 16%. The optimal concentration was obtained at 10 mol m-3 with an effectiveness percentage of 42% at 20 days post-treatment. Furthermore, by performing comparative analysis, the best ML method (matching the performance of the reference simulations) was identified as reinforcement learning with a 3.3% mean absolute error (MAE) and an average accuracy of 94.3%.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
المحاكاة الدقيقة لنمو الورم أثناء العلاج الكيميائي لديها إمكانات كبيرة للتخفيف من خطر الآثار الجانبية غير المعروفة وتحسين التجارب السريرية. في هذه الدراسة، تم تطوير نموذج محاكاة ثلاثي الأبعاد يشمل تكوين الأوعية الدموية ونمو الورم لتحديد تركيز عامل النمو البطاني الوعائي وتصور تكوين شبكة الأوعية الدموية الدقيقة. وفقًا لذلك، تم تقييم ثلاثة أدوية مضادة لتولد الأوعية الدموية (بيفاسيزوماب ورانيبيزوماب وبرولوسيزوماب) بتركيزات مختلفة من حيث فعاليتها. علاوة على ذلك، تم اقتراح آليات شاملة لتكاثر الخلايا السرطانية وتكوين الأوعية الدموية للخلايا البطانية لتوفير تنبؤات دقيقة لتحسين العلاجات الدوائية. يمكن لتقييم بيانات مخرجات المحاكاة استخراج ميزات إضافية مثل حجم الورم ورقم خلية الورم وطول الأوعية الجديدة باستخدام تقنيات التعلم الآلي (ML). تم التحقيق في هذه لفحص المراحل المختلفة لنمو الورم وفعالية الأدوية المختلفة. تشير النتائج إلى أن برولوسيزومان لديه أفضل فعالية عن طريق تقليل طول تنبت الأوعية الجديدة بنسبة تصل إلى 16 ٪. تم الحصول على التركيز الأمثل عند 10 مول م 3 مع نسبة فعالية 42 ٪ في 20 يومًا بعد العلاج. علاوة على ذلك، من خلال إجراء التحليل المقارن، تم تحديد أفضل طريقة لتعلم الآلة (مطابقة أداء المحاكاة المرجعية) على أنها تعلم معزز بمتوسط خطأ مطلق 3.3 ٪ (MAE) وبمتوسط دقة 94.3 ٪.Translated Description (French)
Une simulation précise de la croissance tumorale pendant la chimiothérapie a un potentiel important pour atténuer le risque d'effets secondaires inconnus et optimiser les essais cliniques. Dans cette étude, un modèle de simulation 3D englobant l'angiogenèse et la croissance tumorale a été développé pour identifier la concentration du facteur de croissance endothélial vasculaire (VEGF) et visualiser la formation d'un réseau microvasculaire. En conséquence, trois médicaments anti-angiogéniques (Bevacizumab, Ranibizumab et Brolucizumab) à différentes concentrations ont été évalués en termes d'efficacité. De plus, des mécanismes complets de prolifération des cellules tumorales et d'angiogenèse des cellules endothéliales sont proposés pour fournir des prédictions précises pour optimiser les traitements médicamenteux. L'évaluation des données de sortie de simulation peut extraire des caractéristiques supplémentaires telles que le volume tumoral, le nombre de cellules tumorales et la longueur des nouveaux vaisseaux à l'aide de techniques d'apprentissage automatique (ML). Ceux-ci ont été étudiés pour examiner les différents stades de croissance tumorale et l'efficacité de différents médicaments. Les résultats indiquent que le brolucizuman a la meilleure efficacité en diminuant la longueur de germination de nouveaux vaisseaux jusqu'à 16 %. La concentration optimale a été obtenue à 10 mol m-3 avec un pourcentage d'efficacité de 42% à 20 jours après le traitement. De plus, en effectuant une analyse comparative, la meilleure méthode de ML (correspondant à la performance des simulations de référence) a été identifiée comme l'apprentissage par renforcement avec une erreur absolue moyenne (MAE) de 3,3% et une précision moyenne de 94,3%.Translated Description (Spanish)
La simulación precisa del crecimiento tumoral durante la quimioterapia tiene un potencial significativo para aliviar el riesgo de efectos secundarios desconocidos y optimizar los ensayos clínicos. En este estudio, se desarrolló un modelo de simulación 3D que abarca la angiogénesis y el crecimiento tumoral para identificar la concentración del factor de crecimiento endotelial vascular (VEGF) y visualizar la formación de una red microvascular. En consecuencia, se evaluaron tres fármacos antiangiogénicos (Bevacizumab, Ranibizumab y Brolucizumab) a diferentes concentraciones en términos de su eficacia. Además, se proponen mecanismos integrales de proliferación de células tumorales y angiogénesis de células endoteliales para proporcionar predicciones precisas para optimizar los tratamientos farmacológicos. La evaluación de los datos de salida de la simulación puede extraer características adicionales como el volumen tumoral, el número de células tumorales y la longitud de los nuevos vasos utilizando técnicas de aprendizaje automático (ML). Estos se investigaron para examinar las diferentes etapas del crecimiento tumoral y la eficacia de diferentes fármacos. Los resultados indican que el brolucizuman tiene la mejor eficacia al disminuir la longitud de los nuevos vasos que brotan hasta en un 16%. La concentración óptima se obtuvo a 10 mol m-3 con un porcentaje de efectividad del 42% a los 20 días posteriores al tratamiento. Además, al realizar un análisis comparativo, se identificó el mejor método de ML (que coincide con el rendimiento de las simulaciones de referencia) como aprendizaje de refuerzo con un error absoluto medio (MAE) del 3,3% y una precisión promedio del 94,3%.Additional details
Additional titles
- Translated title (Arabic)
- نمذجة فعالية الأدوية المختلفة المضادة لتولد الأوعية الدموية في علاج الأورام الصلبة باستخدام النمذجة الحسابية ثلاثية الأبعاد والتعلم الآلي
- Translated title (French)
- Modélisation de l'efficacité de différents médicaments anti-angiogéniques sur le traitement des tumeurs solides à l'aide de la modélisation informatique 3D et de l'apprentissage automatique
- Translated title (Spanish)
- Modelado de la eficacia de diferentes fármacos antiangiogénicos en el tratamiento de tumores sólidos mediante modelado computacional 3D y aprendizaje automático
Identifiers
- Other
- https://openalex.org/W4224277513
- DOI
- 10.1016/j.compbiomed.2022.105511
References
- https://openalex.org/W1488104929
- https://openalex.org/W1658618454
- https://openalex.org/W1847847467
- https://openalex.org/W1879995557
- https://openalex.org/W1880988703
- https://openalex.org/W1992560794
- https://openalex.org/W2024461202
- https://openalex.org/W2027192050
- https://openalex.org/W2028156849
- https://openalex.org/W2041337540
- https://openalex.org/W2050261141
- https://openalex.org/W2055019700
- https://openalex.org/W2066724170
- https://openalex.org/W2067082332
- https://openalex.org/W2087544421
- https://openalex.org/W2090144600
- https://openalex.org/W2116888785
- https://openalex.org/W2119234283
- https://openalex.org/W2125857415
- https://openalex.org/W2154601099
- https://openalex.org/W2168973302
- https://openalex.org/W2170450767
- https://openalex.org/W2213782059
- https://openalex.org/W2266022344
- https://openalex.org/W2292795565
- https://openalex.org/W2517085803
- https://openalex.org/W2573890585
- https://openalex.org/W2606296795
- https://openalex.org/W2606408532
- https://openalex.org/W2730935994
- https://openalex.org/W2771517407
- https://openalex.org/W2790139232
- https://openalex.org/W2794226668
- https://openalex.org/W2890606903
- https://openalex.org/W2905299149
- https://openalex.org/W2910639586
- https://openalex.org/W2943806423
- https://openalex.org/W2950700374
- https://openalex.org/W2966435149
- https://openalex.org/W2970107881
- https://openalex.org/W2973431632
- https://openalex.org/W2977912634
- https://openalex.org/W2984658408
- https://openalex.org/W2991524019
- https://openalex.org/W2993710149
- https://openalex.org/W2997891042
- https://openalex.org/W2999129244
- https://openalex.org/W2999438498
- https://openalex.org/W3003600398
- https://openalex.org/W3003697872
- https://openalex.org/W3005388031
- https://openalex.org/W3005701292
- https://openalex.org/W3007289630
- https://openalex.org/W3012269368
- https://openalex.org/W3014558148
- https://openalex.org/W3015654211
- https://openalex.org/W3016654398
- https://openalex.org/W3021843318
- https://openalex.org/W3026528877
- https://openalex.org/W3037811313
- https://openalex.org/W3038155884
- https://openalex.org/W3042811516
- https://openalex.org/W3043941778
- https://openalex.org/W3045915945
- https://openalex.org/W3046739387
- https://openalex.org/W3047396801
- https://openalex.org/W3048887660
- https://openalex.org/W3049310976
- https://openalex.org/W3094221378
- https://openalex.org/W3094536368
- https://openalex.org/W3096648358
- https://openalex.org/W3107639211
- https://openalex.org/W3108785343
- https://openalex.org/W3111479877
- https://openalex.org/W3112089384
- https://openalex.org/W3112535140
- https://openalex.org/W3113483010
- https://openalex.org/W3114171797
- https://openalex.org/W3114893929
- https://openalex.org/W3118794207
- https://openalex.org/W3119278118
- https://openalex.org/W3119782958
- https://openalex.org/W3136047406
- https://openalex.org/W3141053945
- https://openalex.org/W3143675754
- https://openalex.org/W3146685014
- https://openalex.org/W3152550784
- https://openalex.org/W3153621446
- https://openalex.org/W3174955442
- https://openalex.org/W3176013527
- https://openalex.org/W3176207436
- https://openalex.org/W3178052844
- https://openalex.org/W3184412451
- https://openalex.org/W3199517312
- https://openalex.org/W3201455335
- https://openalex.org/W4211247530
- https://openalex.org/W605591916