Digital twins for cancer progression based on multiscale structured models and mechanistic learning

Projektbeschreibung

Den Verlauf von Krebserkrankungen modellieren

Eine Vorhersage der Entwicklung von Krebserkrankungen ist von entscheidender Bedeutung für die optimale individuelle Versorgung aller Patientinnen und Patienten. Biomechanistische Modelle simulieren das Tumorwachstum durch die Kombination von Zellbiologie, Mechanik und Biophysik. Klinische Entscheidungen werden jedoch auf der Grundlage der für die Letalität verantwortlichen Tumorprogression getroffen. Das ERC-finanzierte Projekt DIGIPRO wird eine neue Klasse von Multiskalenmodellen entwickeln, um die unbekannten biophysikalischen Mechanismen aufzudecken, die mit dem Wachstum und Fortschreiten von Prostatakrebs in Verbindung stehen. Die Forschenden werden strukturierte Modelle mit integrierten räumlichen, zeitlichen und biologischen Dimensionen entwickeln, und so eine frühzeitige Erkennung eines mikroskopischen Fortschreitens ermöglichen. Durch die Erstellung digitaler Zwillinge für den Krebsverlauf soll die Überwachung von Krebserkrankungen revolutioniert und der Behandlungserfolg für die Patientenschaft verbessert werden.

Ziel

The personalization of oncology needs predictive methods to anticipate major pathological events and optimize clinical care for each patient. To address this critical demand, computational oncology has produced biomechanistic models for patient-specific cancer forecasting. Although these models are based on cancer growth (increase in extension), the main driver of potentially lethal disease and, hence, the basis for clinical decisions is cancer progression (increase in malignancy). However, despite known correlations between cancer progression and growth, the biophysical mechanisms that explain how cancer progression emerges and alters cancer growth remain unknown. DIGIPRO will address this crucial gap in knowledge. I will build a new class of biomechanistic models to describe the multiscale dynamics of cancer progression, enable its early detection at microscopic stage by using macroscopic clinical data, and construct clinically-practical digital twins to optimally adapt cancer monitoring for early detection of progression. To achieve this ambitious goal, I will focus on newly-diagnosed prostate cancer and (i) build novel micro and macroscale models jointly describing cancer growth and progression using a structured formulation over space, time, and malignancy dimensions; (ii) pioneer a multiscale structured model equipped with a mechanistic learning operator that uses macroscale model-based biomarkers of progression to reconstruct the microscale cancer malignancy profile; and (iii) combine adaptive and immersed isogeometric methods, reduced order models, and multi-objective risk-based optimization to construct practical digital twins of cancer progression and explore optimization of cancer monitoring. Thus, DIGIPRO will push the frontiers of cancer modeling, biology, and care, while also opening new horizons in mechanistic modeling of multiscale progressive phenomena in medicine (e.g. Alzheimer’s disease, atherosclerosis) and engineering (e.g. fracture, damage).