Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

Optimising cancer therapy scheduling through personalised mechanistic models and reinforcement learning

Descrizione del progetto

Approccio adattivo al dosaggio dei farmaci antitumorali

Il trattamento del cancro segue spesso una strategia standardizzata, spingendo i farmaci al limite fino a quando la resistenza o la tossicità non costringono a un cambiamento. Di solito, però, i tumori si evolvono in fretta. Il progetto B-REDiTx, sostenuto dal programma di azioni Marie Skłodowska-Curie, esplora un approccio più intelligente. Nello specifico, combinerà modelli matematici con dati relativi ai pazienti, quali il volume del tumore e i biomarcatori ematici. L’obiettivo del progetto è personalizzare i tempi e i dosaggi del trattamento per ritardare lo sviluppo di resistenze. Il progetto testerà queste strategie adattive in uno studio sul cancro ovarico, utilizzando l’inferenza bayesiana e l’apprendimento rinforzato profondo per guidare le decisioni in condizioni di incertezza. In definitiva, B-REDiTx mira a trasformare la terapia oncologica in un processo dinamico al fine di migliorare gli esiti e la qualità della vita dei pazienti.

Obiettivo

Cancers are complex, continuously evolving diseases unique to each individual patient. Yet, most drugs are administered according to fixed, “one-size-fits-all” strategies that always aim to deliver the maximum tolerated dose until it fails due to toxicity or resistance. “Adaptive Cancer Therapy” (AT) is a novel approach which seeks to delay drug resistance by personalising when and how much drug is given, based on the tumour’s response dynamics. After initial success in prostate cancer, there are now important questions about which patients would benefit from AT, and how should we optimally adapt therapy? In this 2-year fellowship, I will develop a computational framework to: i) understand and track resistance evolution from a patient’s tumour burden data (volume, blood biomarkers, ctDNA), and ii) translate this knowledge into personalised dosing strategies to slow resistance evolution and improve quality-of-life. To predict whether a patient will benefit from AT we need a firm, quantitative understanding of the dynamics of resistance evolution. Under supervision of Prof Trevor Graham at the ICR, I will develop a software package (B-REDi) which integrates a family of mathematical models and Bayesian inference to learn about the evolutionary route to resistance in a patient. Subsequently, I will deploy this package to investigate how AT is altering resistance evolution in a clinical trial in ovarian cancer (ACTOv). Finally, I will use deep reinforcement learning to explore how our calibrated models can guide treatment decisions even under uncertainty about resistance mechanisms. In the future, I plan to establish my own lab to develop computational tools to mitigate resistance and toxicity through schedule personalisation. This project will serve me as a steppingstone towards this goal, and it will contribute novel tools and insights towards a future in which mathematical models are used akin to weather forecasts to inform clinical decision-making.

Campo scientifico (EuroSciVoc)

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) HORIZON-MSCA-2024-PF-01

Vedi tutti i progetti finanziati nell’ambito del bando

Coordinatore

INSTITUTE OF CANCER RESEARCH: THE ROYAL CANCER HOSPITAL LBG
Contributo netto dell'UE
€ 260 347,92
Indirizzo
OLD BROMPTON ROAD 123
SW7 3RP London
Regno Unito
Regione
London Inner London — West Kensington & Chelsea and Hammersmith & Fulham
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
Nessun dato