Modell der mechanischen Signatur des Glioblastoms
Das Glioblastom ist der häufigste und bösartigste Gliomsubtyp und verursacht ausgesprochen schlechte Prognosen. Hinsichtlich seiner biologischen Eigenschaften und makroskopischen Wachstumsphänotypen ist er stark heterogen und reicht von knötchenförmigen Tumoren mit klar definierten Grenzen bis zu Tumoren mit variierender Infiltration des gesunden Gewebes. Wachstumsbedingt kommt es beim Glioblastom oft zur Kompression des umliegenden Gewebes, was mechanischen Stress induziert, den Hirndruck erhöht und neurologische Funktionen beeinträchtigt. Dies verändert auch die Mikroumgebung des Tumors und macht ihn hochaggressiv.
Wachstum des Glioblastoms als Modell
Schwerpunkt des Projekts GlimS ist der Einfluss biomechanischer Kräfte, die durch die Progression erzeugt werden. Für genauere Untersuchungen wurde ein Framework entwickelt, mit dem die Tumoreigenschaften aus einem einzelnen Datensatz eines präoperativen MRT-Scans abgeleitet werden können. Unterstützt wurde die Forschungsarbeit an der Universität Bern, Schweiz, durch die Marie Skłodowska-Curie-Maßnahmen (MSC) in Zusammenarbeit mit dem Beckman Research Institute in den Vereinigten Staaten. „Um aus standardmäßigen klinischen MRT-Bildern die makroskopischen Wachstumseigenschaften von Glioblastomen abzuleiten, arbeitete ich mit inverser Modellierung“, erklärt MSC-Forscher Daniel Abler. Seine Arbeitshypothese lautete, dass das infiltrative Wachstum eines Glioblastoms mathematisch als Reaktionsdiffusion beschrieben werden kann und die lokale Zunahme an Tumorzellen das Volumen des Tumors vergrößert, was der eigentliche Auslöser für den mechanischen Stress im Gewebe ist. Die Wachstumseigenschaften zu messen, erwies sich als schwierig, da anatomische Daten des gesunden Gewebes im Gehirn der Betroffenen vor der Tumorinvasion in der Regel nicht vorliegen. Zum Zeitpunkt der Diagnose kann der durch den medicine Masseneffekt bedingte mechanische Druck bereits Hirnstrukturen verändert haben. Abler rekonstruierte daher die Entwicklung des Tumors im Gehirn aus Aufnahmen, die zum Zeitpunkt der Diagnose gemacht wurden.
Test des GlimS-Modellrahmens
Die Forschungsgruppe wandte den neuen Ansatz der inversen Modellierung auf präoperative Bilder diagnostizierter Glioblastome an, um patientenspezifische Parameter des Tumorwachstums zu erhalten. Simulationen der Tumorform, Tumorzellverteilung und Gewebedeformation wurden anschließend mit der präoperativen MRT-Beurteilung verglichen. Laut Abler „konnten mit dem inversen Modellansatz verschiedene Tumorregionen unterschieden, die ungefähren Tumorgrenzen berechnet und die tumorinduzierte Deformation von gesundem Gewebe qualitativ reproduziert werden.“ Vor allem aber liefert der Ansatz von GlimS weitere hilfreiche Informationen, die ein MRT nicht leisten kann: indem das Tumorwachstum simuliert wird, sind auch ortsaufgelöste Schätzungen von Tumorzelldichte und tumorinduziertem mechanischem Stress möglich. Die GlimS-Simulation erlaubt damit eine detaillierte, nicht-invasive Quantifizierung makroskopischer biomechanischer Kräfte während des Tumorwachstums. Dies wiederum erweitert das Grundlagenwissen zu den klinischen Folgen tumorinduzierter Kräfte und liefert neue Erkenntnisse zum Einfluss einzelner Wachstumsphänotypen des Glioblastoms auf den klinischen Behandlungserfolg. Demnächst will das Projekt GlimS die aus dem Modell abgeleiteten Wachstumseigenschaften mit klinischen Daten korrelieren, um anhand dieser mechanischen Parameter Biomarker für Glioblastome zu finden. Angesichts der äußerst schlechten Prognose dieser Tumoren könnten Biomarker die Patientenstratifizierung und fundiertere Behandlungsentscheidungen vereinfachen.
Schlüsselbegriffe
GlimS, GBM, MRT, inverse Modellierung, Glioblastoma multiforme, Tumorwachstum, Hirntumor, biomechanische Kräfte, mechanischer Stress, prognostische Biomarker
