[Paper] 从稀疏生物数据中学习膀胱癌联合疗法的模型参数动态

Source: arXiv - 2512.15706v1

概述

本文解决了癌症建模中的一个常见难题：当仅有少量肿瘤大小测量数据时，如何捕捉肿瘤细胞、免疫细胞和药物之间不断变化的相互作用。通过将物理信息神经网络（PINNs）与机制性膀胱癌模型相结合，作者展示了一种即使在稀疏临床数据下也能推断隐藏的亚群动态和时变交互参数的方法。

关键贡献

• 动态参数学习: 引入一个框架，用于推断随时间变化的相互作用系数（例如肿瘤‑免疫杀伤率），而不是假设它们是静态的。
• 稀疏数据能力: 表明 PINN 能够仅凭少量肿瘤体积时间点，可靠地重建未观测到的癌细胞亚群轨迹。
• 生物学一致的预测: 验证学习得到的动力学与已知的膀胱癌及组合疗法下免疫反应的生物学行为相一致。
• 可推广的方法论: 提供了一个模板，可将该方法扩展到其他癌症或干预改变系统动力学的生物系统。

方法论

1. 基线机械模型： 作者从一组描述三种细胞群体——肿瘤细胞、免疫细胞和药物敏感亚群——相互作用的常微分方程（ODE）开始。
2. 物理信息神经网络（PINN）：
   • 神经网络被训练以输出状态变量（群体规模）随时间的连续函数。
   • 将 ODE 作为软约束嵌入损失函数，迫使网络的预测遵循底层生物学规律。
   • 关键是，ODE 中的相互作用系数被参数化为 随时间变化的函数（同样由神经网络表示），使其能够随治疗进程而演变。
3. 稀疏数据训练： 只提供少量测量的肿瘤体积点。PINN 利用物理约束填补空白，有效地“插值”隐藏的亚群轨迹。
4. 验证： 将学习到的动力学与模拟的真实数据进行比较，并检查其生物学合理性（例如，药物给药后免疫激活峰值）。

结果与发现

• 准确重建: 即使只有 3–5 次肿瘤体积测量，PINN 也能在 10‑15 % 的误差范围内恢复隐藏的亚群曲线。
• 演变的相互作用率: 推断出的免疫细胞对肿瘤细胞的杀伤率在首次给药后急剧上升，符合预期的免疫原性细胞死亡，随后逐渐下降——展示了模型捕捉治疗诱导转变的能力。
• 对噪声的鲁棒性: 添加真实的测量噪声仅会轻微降低性能，表明物理正则化能够稳定学习。
• 与生物学的一致性: 学习得到的参数的时间模式与组合疗法中药物的已知药效动力学相吻合。

实际意义

• 个性化治疗计划: 临床医生可以将患者有限的影像数据输入到增强了 PINN 的模型中，以预测在拟议方案下肿瘤‑免疫动态的演变，从而实现更有依据的给药计划。
• 加速药物研发: 研究人员可以在无需大量纵向实验的情况下模拟组合疗法的结果，从而减少动物实验和临床试验的成本。
• 实时决策支持: 由于 PINN 推理在训练完成后速度很快，它可以集成到肿瘤学仪表盘中，随着新测量数据的到来实时更新预测。
• 跨领域适用性: 同一框架可用于传染病建模、组织工程或任何干预导致系统参数随时间漂移的情境。

限制与未来工作

• 模型保真度 vs. 数据稀缺性： 该方法仍然依赖于相对准确的底层 ODE 结构；若生物学模型设定错误，可能导致误导性的参数轨迹。
• 向高维系统的可扩展性： 将该方法扩展到包含数十种相互作用物种的模型可能需要更复杂的正则化或降维技术。
• 临床验证： 当前研究使用的是模拟数据；需要通过真实患者测量的前瞻性试验来确认其在临床环境中的实用性。
• 学习函数的可解释性： 虽然时变参数在生物学上是合理的，但如何提取机制性洞见（例如将参数突增与特定分子通路关联）仍是一个未解的挑战。

总体而言，本文在机制性肿瘤学模型与现代深度学习工具之间搭建了有力的桥梁，为癌症治疗中更智能、数据高效的预测打开了大门。

作者

• Kayode Olumoyin
• Lamees El Naqa
• Katarzyna Rejniak

论文信息

• arXiv ID: 2512.15706v1
• 类别: cs.LG, q-bio.CB
• 出版日期: 2025年12月17日
• PDF: 下载 PDF