Modelowanie wpływu promieniowania jonizującego na zdrowie
Krzysztof Wojciech Fornalski 1 , Ludwik Dobrzyński 2 , Joanna Reszczyńska 2 , Yehoshua Socol 3 , Paweł Wysocki 4
1 - PGE EJ 1 Sp. z o.o.
2 – Narodowe Centrum Badań Jądrowych 3 – Falcon Analytics
4 – Politechnika Warszawska
Agenda
Wstęp
Model stochastyczny
Przykładowe rozwiązania
Wyniki
Model deterministyczny
Przykładowe rozwiązania i wyniki
Plany na przyszłość
Agenda
Wstęp
Model stochastyczny
Przykładowe rozwiązania
Wyniki
Model deterministyczny
Przykładowe rozwiązania i wyniki
Plany na przyszłość
Wstęp
Problem rzeczywistego wpływu niskich dawek i mocy dawek promieniowania jonizującego na zdrowie jest tematem badań od wielu lat Z przyczyn statystycznych badania
epidemiologiczne nie są w stanie dać wiarygodnych wyników
-> potrzeba alternatywnych metod
Pomysł na stworzenie biofizycznych modeli
symulujących zachowanie się komórek w polu promieniowania jonizującego
Uzasadnienie
Organizm człowieka, a także pojedyncza
komórka, jest fizycznym układem złożonym Oznacza to, iż jego odpowiedź na różnego
rodzaju czynniki jest na tyle skomplikowana, że znalezienie precyzyjnej formuły opisującej
zachowanie takiego układu jest nadzwyczaj trudne
Jednak istnieje szereg metod statystycznych, które można zastosować do analizy odpowiedzi takiego układu złożonego
Agenda
Wstęp
Model stochastyczny
Przykładowe rozwiązania
Wyniki
Model deterministyczny
Przykładowe rozwiązania i wyniki
Plany na przyszłość
Podstawowe problemy
Modelowanie grupy napromienionych komórek - fizyczny układ złożony
Uwzględnienie wszystkich znanych efektów biofizycznych
efekt widza (sąsiada)
odpowiedź adaptacyjna
Stworzenie użytecznego oprogramowania
Metody
Symulacja Monte Carlo z drzewem prawdopodobieństw (ok. 40 gałęzi) Każda gałąź reprezentuje biofizykę
komórki (rozkłady prawdopodobieństw, tzw. PDF)
Zmienne rozkładów PDF: wiek, dawka, liczba uszkodzeń, status komórki, inne rozkłady PDF
Zalety
Praktyczne narzędzie umożliwiające
„zabawę” danymi
Każdy rozkład p-twa (PDF) może być łatwo modyfikowany w zależności od potrzeb
Możliwość dodania/usunięcia gałęzi
Niepotrzebne są rozwiązania analityczne W pełni stochastyczne podejście
Agenda
Wstęp
Model stochastyczny
Przykładowe rozwiązania
Wyniki
Model deterministyczny
Przykładowe rozwiązania i wyniki
Plany na przyszłość
Przykładowe rozkłady PDF użyte w modelu
Zależność quasi-liniowa zamiast liniowej (analogia do przekroju czynnego)
P(𝜉)=1 − 𝑒−𝑐𝑜𝑛𝑠𝑡 ∙𝜉
Zastosowanie funkcji sigmoidalnej (np. równanie Avramiego)
P(𝜉)=1 − 𝑒−𝑎𝜉𝑛
Interesujący przykład:
odpowiedź adaptacyjna
W literaturze zazwyczaj odpowiedź adaptacyjną uzależnia się jedynie od dawki lub czasu:
p(D) = 𝛼1𝐷𝜈𝑒−𝛼2𝐷
p(t) = 𝛼4𝑡𝛿𝑒−𝛼3𝑡
Jednakże istnieje możliwość, aby zapisać ją jako funkcję zależną od dawki oraz od czasu:
p(D,t) = 𝑐𝐷𝜈𝑡𝛿𝑒−𝛼2𝐷−𝛼3𝑡
P(D, t)=𝑐 𝑡=0𝑇 𝐷 2(𝑡) 𝑇 − 𝑡 2 𝑒−𝛼2𝐷 (𝑡)−𝛼3 𝑇−𝑡 𝑑𝑡
0 0,005 0,01 0,015
0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5
dawka na jeden krok [mGy]
p-two odpowiedzi adaptacyjnej
Rozkład PDF dla odpowiedzi
adaptacyjnej
Rozkład PDF dla odpowiedzi
adaptacyjnej
Agenda
Wstęp
Model stochastyczny
Przykładowe rozwiązania
Wyniki
Model deterministyczny
Przykładowe rozwiązania i wyniki
Plany na przyszłość
Wyniki symulacji: odpowiedź
adaptacyjna i efekt „priming dose”
Wyniki symulacji: ewolucja
czasowa zdrowych komórek
Wyniki symulacji: częstość
mutacji po napromienieniu
Wyniki symulacji: powstawanie
komórek nowotworowych
Funkcja sigmoidalna
Często używana w teorii zarodkowania i wzrostu, w teorii katastrof oraz teoriach SOC (self-
organized criticality)
Wspólną ideą jest tu skumulowany wpływ
czynnika stresogennego (np. promieniowania) na układ złożony, co może skutkować odpowiedzią nieliniową, szybkozmienną w czasie, po
przekroczeniu pewnej krytycznej wartości
Odpowiedź układu złożonego na promieniowanie?
Powstawanie komórek nowotworowych po
uwzględnieniu silnej odpowiedzi adaptacyjnej
Wyniki symulacji: zabijanie komórek
nowotworowych przy wysokich mocach dawek
Plany na przyszłość
Stworzenie profesjonalnego i przyjaznego dla użytkownika programu, który umożliwi też modyfikowanie modelu
Rozkłady prawdopodobieństw i ich parametry będą bardziej bazować na aktualnych danych
eksperymentalnych
Rozwój modelu w kierunku bardziej szczegółowych efektów, w tym zależności 3D
Najnowsza wersja modelu:
Fornalski K.W. 'Mechanistic model of the cells
irradiation using the stochastic biophysical input'.
International Journal of Low Radiation, vol. 9, no.
5/6, 2014, pp. 370-395
Agenda
Wstęp
Model stochastyczny
Przykładowe rozwiązania
Wyniki
Model deterministyczny
Przykładowe rozwiązania i wyniki
Plany na przyszłość
Deterministyczny model powstawania i ewolucji komórek nowotworowych
Cel: próba znalezienia uproszczonego analitycznego rozwiązania odpowiedzi komórek (jako układu złożonego) na promieniowanie
Dwa etapy i wyzwania:
Funkcja prawdopodobieństwa dla transformacji nowotworowej pojedynczej komórki
Dynamika już powstałych komórek
nowotworowych (ewolucja w zależności od czasu, dawki i mocy dawki)
Podejście deterministyczne – przykładowe wyniki
Zależna od dawki i czasu funkcja p-twa transformacji nowotworowej
𝑝 𝐷, 𝑡 = 𝑃𝐶𝑇 ∝ 1 − 𝑒− 𝑅𝑖=1𝛽𝑖𝐷𝑖 1 + 𝑏𝑒−𝜆 𝑡 − 𝑐𝐷2𝑡2𝑒−𝛼2𝐷−𝛼3𝑡
Przyjmując za czas stałą wartość otrzymujemy wykres:
Podejście deterministyczne – przykładowe wyniki #2
Zależna od dawki i czasu ewolucja
istniejących komórek nowotworowych
𝑃𝑁 𝐷, 𝑡 ∝ 𝑁0 1 − 𝑒− 𝜃𝑖𝐷𝑛𝑖+1 + 𝑁00𝑒− 𝜃𝑖𝐷𝑛𝑖+1 1 − 𝑒−𝑎 t 𝑛
DOSE
Referencja
L. Dobrzyński, K.W. Fornalski, Y. Socol,
"Modeling of irradiated cells'
transformation: the dose and time- dependent effects"
Status: wysłana do czasopisma
Agenda
Wstęp
Model stochastyczny
Przykładowe rozwiązania
Wyniki
Model deterministyczny
Przykładowe rozwiązania i wyniki
Plany na przyszłość
Plany na przyszłość
Rozwój obu modeli, jednak w pełnej zależności od siebie
Stworzenie praktycznego
oprogramowania, które ułatwi dalsze prace nad modelami
Implementacja szczegółowych procesów biofizycznych
Kolejne modele?
Kolejny model: symulacja rozwoju całej populacji
Równania Lotki-Volterry
𝑑𝑃𝐶
𝑑𝑡 = 𝑎𝐶 + 𝑏𝐶 𝐷 − 𝑘𝐶𝑃𝐻 𝑃𝐶 𝑑𝑃𝐻
𝑑𝑡 = 𝑎𝐻 − 𝑏𝐻 𝐷 + 𝑐𝐻𝐷2 + 𝑘𝐻𝑃𝐶 𝑃𝐻
Równanie balansu Pierwsze wyniki
dość obiecujące
DZIĘKUJĘ ZA UWAGĘ
krzysztof.fornalski@gkpge.pl