EVENTO
Continuous-Discrete Tumor Growth Approach: Multiscale Modeling and Bayesian Inference using Gaussian Process Surrogates
Tipo de evento: Defesa de Tese de Doutorado
A confiabilidade de predições computacionais de complexos eventos físicos e biológicos é um dos aspectos mais relevantes na ciência computacional preditiva. Sem uma abordagem rigorosa para avaliar a confiabilidade de modelos sujeitos à diversos tipos de incertezas, os modelos computacionais são de pouca aplicabilidade na ciência médica, ou na ciência em geral. Desta forma, o sucesso e o uso clínico de modelos matemáticos e computacionais depende, em última instância, de como são tratadas questões chaves da ciência preditiva. Nesta pesquisa de tese de doutorado, damos continuidade ao desenvolvimento do modelo híbrido, em duas escalas, do crescimento avascular tumoral desenvolvido durante a pesquisa de mestrado. Na pesquisa atual de doutorado, este modelo foi estendido, passando a incluir mecanismos de regulação intracelular e de angiogênese. O modelo foi implementado de forma bastante flexível, de modo que é possível tanto a inclusão de diferentes mecanismos nas diversas escalas quanto sua simplificação, visando focar em alguma dinâmica específica. Foi também desenvolvida uma versão tri-dimensional do modelo. Os parâmetros do modelo associados às três escalas (tecido, celular e sub-celular) foram estimados, em um primeiro momento, para representar dinâmicas típicas de carcinomas não-específicos. Usualmente, tais parâmetros não podem ser determinados diretamente e devem ser inferidos a partir de evidências/dados experimentais. Como uma etapa nesta direção, desenvolvemos uma plataforma para a integração de dados na escala celular do modelo multiescala, com o fim de calibrá-lo utilizando uma abordagem Bayesiana. Como o modelo é estocástico e de alto custo computacional, estudamos a aplicação de diversas técnicas de abordagem Bayesiana aproximada. Em particular, a metodologia de aproximação da abordagem Bayesiana aproximada (AABC), baseada no uso de um metamodelo construído a partir de um número limitado de simulações, mostrou-se computacionalmente eficiente. Para aprimorar a construção do metamodelo, desenvolvemos um modelo reduzido baseado em processos Gaussianos (GPR). A partir de amostras do espaço paramétrico via método hipercubo latino esparso, desenvolvemos uma estratégia adaptativa para a construção do metamodelo. O método AABC-GPR foi utilizado para a calibração do modelo na escala celular utilizando dados in vitro da confluência das células BT474 (células de câncer de mama humano). O método desenvolvido apresentou acurácia semelhante quando comparado tanto aos métodos ABC estudados quanto à métodos que utilizam função de verossimilhança e técnicas de Markov Chain Monte Carlo. Entretanto, apresentou eficiência computacional significativamente superior, sendo uma potencial estratégia a ser usada para a calibração do modelo completo multiescala. Por ser conceitualmente independente de modelo, tem potencial para ser usado na inferência de parâmetros de modelos computacionalmente caros utilizados nas diversas áreas da ciência e engenharias.
Data Início: 12/12/2019 Hora: 13:00 Data Fim: 12/12/2019 Hora: 16:00
Local: LNCC - Laboratório Nacional de Computação Ciêntifica - Auditorio A
Aluno: Heber Lima da Rocha - -
Orientador: Ernesto Augusto Bueno da Fonseca Lima - Oden Institute for Computational Engineering and Sciences - Regina Célia Cerqueira de Almeida - Laboratório Nacional de Computação Científica - LNCC
Participante Banca Examinadora: Abimael Fernando Dourado Loula - Laboratório Nacional de Computação Científica - LNCC Alvaro Luiz Gayoso de Azeredo Coutinho - Universidade Federal do Rio de Janeiro - COPPE/UFRJ Helcio Rangel Orlande - COPPE/UFRJ - UFRJ Michel Iskin da Silveira Costa - Laboratório Nacional de Computação Científica - LNCC Regina Célia Cerqueira de Almeida - Laboratório Nacional de Computação Científica - LNCC
Suplente Banca Examinadora: Lucia Catabriga - Universidade Federal do Espirito do Santo - UFES Marcio Rentes Borges - Laboratório Nacional de Computação Científica - LNCC
