Modelagem Matemática da Terapia com Células CAR-T para Câncer de Próstata

Resumen

O câncer de próstata (CaP) é o segundo tipo de câncer mais frequente entre indivíduos portadores da glândula prostática, representando cerca de 15% dos casos diagnosticados globalmente [3]. No Brasil, o Instituto Nacional do Câncer (INCA) estima cerca de 71 mil novos casos anuais entre 2023 e 2025 [2]. Dentre as modalidades terapêuticas, a terapia com células CAR-T tem se destacado no tratamento de tumores hematológicos. Essa abordagem modifica geneticamente células T do paciente, permitindo o reconhecimento e eliminação de células tumorais [6]. No entanto, seu uso em tumores sólidos ainda enfrenta desafios. Estudos pré-clínicos indicam que a administração intratumoral de células CAR-T, isolada ou combinada com quimioterapia, pode ser promissora para o CaP [1, 4, 5]. Nesse contexto, a modelagem matemática surge como uma ferramenta essencial para compreender a dinâmica do tratamento, explorar cenários terapêuticos e otimizar estratégias clínicas. O objetivo deste trabalho é desenvolver modelos matemáticos capazes de descrever, simular e prever a resposta de tumores de próstata a terapias envolvendo células CAR-T, considerando tanto o tratamento focal (injeção intratumoral) quanto o tratamento sistêmico (com quimioterapia de pré-condicionamento). Para isso, foram utilizados dados experimentais disponíveis em Alzubi et al. (2020) [1], referentes a tumores de próstata implantados em camundongos. Os dados experimentais foram extraídos do artigo utilizando a ferramenta WebPlotDigitizer e incluíam informações sobre o volume tumoral no grupo controle e sob as diferentes condições de tratamento. As simulações computacionais foram realizadas em Python utilizando o método RK45 da biblioteca SciPy, e a estimação dos parâmetros seguiu o método dos mínimos quadrados com o algoritmo L-BFGS-B. Inicialmente, foram testados os modelos de crescimento exponencial, logístico e Gompertz para descrever os dados do grupo controle, utilizando métricas como o Critério de Informação Bayesiana (BIC, do inglês, Bayesian Information Criterion) e o Critério de Informação de Akaike (AIC, do inglês, Akaike Information Criterion) para seleção do modelo, além de outras métricas para avaliar a qualidade do ajuste. A Figura 1 apresenta os resultados do ajuste aos dados de controle. O modelo de crescimento logístico apresentou o menor AIC e BIC entre os ajustes, sendo escolhido então para modelar o crescimento tumoral. Em seguida, desenvolvemos modelos preditivos para descrever o crescimento tumoral sob os tratamentos focal com células CAR-T e sistêmico, que combina quimioterapia e células CAR-T. Para o tratamento focal, foram testadas três respostas funcionais, enquanto o tratamento combinado envolveu nove diferentes combinações dessas respostas. A comparação entre os modelos identificou aqueles mais adequados para descrever os dados experimentais, conforme as métricas de performance. Os resultados corroboram os publicado por Alzubi et al. (2020) [1], sugerindo que a administração focal de células CAR-T, isolada ou combinada com quimioterapia, pode potencializar o tratamento do CaP. Os modelos matemáticos propostos oferecem uma base valiosa para compreender os efeitos dessas terapias e otimizar estratégias clínicas. [...]