استفاده از مدل‌سازی ریاضی و اصول تکاملی در تصمیم‌گیری‌های درمانی مهم است
به قلم: تیم تحقیقاتی مرکز سرطان H. Lee Moffitt
ترجمه: محبوبه محمدزکی، کارشناس مدیریت پژوهشی سازمان نظام پزشکی
نظارت و راهنمایی: دکتر حسن رودگری
محققان مرکز سرطان Moffitt استفاده مستمر از دوز حداکثری و رویکردهای درمانی تطبیقی را از راهکارهای موثر برای درمان تومورهای مختلف می دانند
محققان با استفاده از مدل های ریاضی بر اساس مبانی تکاملی نشان دادند که درمان‌های دارویی تطبیقی براساس پاسخ‌های تومور به درمان‌های قبلی با رویکردهای استفاده از حداکثر دوز قابل تحمل برای شرایط خاص تومور موثرتر از سایر روشها می باشند.
بیماران مبتلا به سرطان معمولا با حداکثر دوز که قادر به تحمل آن هستند و باعث ایجاد بسیاری از عوارض جانبی سمی نمی شوند، درمان می شوند. با این حال، بسیاری از بیماران به این درمان ها مقاوم می شوند و این موجب عود سرطان می‌شود. محققان در مرکز سرطان Moffitt با استفاده از مدل های ریاضی بر اساس مبانی تکاملی نشان دادند که درمان‌های دارویی تطبیقی براساس پاسخ‌های تومور به درمان‌های قبلی از رویکردهای حداکثر تحمل دوز برای شرایط خاص تومور موثرترند.
درمان‌های استاندارد سرطان و بیشتر آزمایش های بالینی بر این اساس استوار است که پزشکان باید بیماران را با بالاترین دوز ممکن دارو درمان کنند تا بیشتر سلول‌های سرطانی را در کوتاه ترین زمان از بین بروند. اما اغلب سلول های توموری با فعال سازی مکانیزم هایی که به زنده ماندن آنها کمک میکنند، راهی برای نجات و رشد مجدد پیدا میکنند.
جیل گالائر نویسنده مقاله و دانش پژوه عملی در بخش انکولوژی ریاضیات یکپارچه در مرکز Moffitt توضیح می‌دهد: نقص تکاملی در این استراتژی حداکثر دوز قابل تحمل بر این فرض قائل است که جمعیت سلول‌های مقاوم قبل از شروع درمان وجود ندارد. در حال حاضر مشخص است که سلول های سرطانی می توانند حتی به درمانی که تا به حال هرگز ندیده‌اند، حساس باشند.
به گفته تیمMoffitt، این را می توان از طریق اصل تکاملی آزادی رقابتی توضیح داد. یک مثال از این می‌تواند در استفاده از سموم شیمیایی برای باغ‌ها و محصولات کشاورزی یافت شود. هنگامی که بیشترین میزان استفاده از دوزهای آفتکش استفاده می‌شود، جمعیت حشرات تحت فشار بالا قرار می گیرند و حشراتی که به حشره کش حساس هستند، کشته می شوند. با این حال، برخی از حشرات به دلیل مقاومت قادر به زنده ماندن هستند و با ناپدید شدن رقبای خود، این حشرات قادر به تکثیر و ایجاد یک جمعیت مقاوم می‌شوند. این واضح است که سلول های توموری مقاوم در برابر درمان می توانند به همان شیوه عمل کنند.
یک رویکرد جایگزین برای استفاده از حداکثر دوز تحمل شده برای درمان سرطان، استفاده از رویکرد انطباقی است که بر اساس پاسخ تومور به تزریق داروی قبلی است. محققان Moffitt می‌خواستند تعیین کنند که چه سناریوی درمانی، چه رویکرد حداکثر تحمل مداوم، و چه یک رویکرد انطباقی، برای تومورهای خاص مناسب است. آنها تجزیه و تحلیل خود را با استفاده از مدل سازی ریاضی بر پایه اصول تکاملی و آزمایشات کشت سلولی انجام دادند. آنها رویکردهای حداکثر دوز در برابر استراتژی‌های انطباق با استفاده از ترکیبات مختلف، توانستند جمعیت‌های حساس و مقاوم سلولی را شبیه‌سازی کرده و همچنین توانایی سلول‌ها برای مهاجرت و الگوهای متفاوت ارثی برای تکثیر را نیز در نظر بگیرند.
محققان دریافتند که به طور کلی، هیچ روش درمان واحد که برای همه تومورها مناسب است، وجود ندارد و توانایی تومور برای پاسخ به یک درمان خاص بستگی به ترکیب تومور دارد. به عنوان مثال، آنها نشان دادند که تومورهایی که از سلول‌های مشابه یکدیگر تشکیل شده اند و حساس به درمان‌های دارویی هستند، تمایل بیشتری به رویکرد مستمر و حداکثر دوز دارند. در یک محیط بالینی، این رویکرد ممکن است برای تومورهایی مانند سرطان بیضه و لنفوم‌های خاصی که بیشتر همگن هستند بهتر کارکنند. با این حال، تومورهایی که از مخلوطی از سلول‌های حساس و مقاوم ساخته شده‌اند پاسخ بهتری به یک روش درمان انطباقی می‌دهند. نمونه‌های بالینی از این نوع تومورها شامل ملانوم، سرطان‌های ریه و پستان می‌باشند.
محققان امیدوارند که این کارشان بتواند دیگران را متقاعد کند که بیماران ممکن است با استفاده از داروهای موجود به شیوه‌ای دقیق‌تر به درمان‌های ضد سرطانی پاسخ دهند.
الکساندر آر ای اندرسون، رئیس گروه انکولوژی ریاضیات یکپارچه در مرکز Moffitt می‌گوید: کار ما به وضوح نشان دهنده اهمیت استفاده از پاسخ درمان به عنوان یک عامل اصلی تصمیم‌گیری درمانی است، درمقابل استراتژی‌های ثابت. ما قویا معتقدیم که آینده پزشکی باید نه تنها در توسعه داروهای جدید بلکه در استفاده تکاملی هوشمندانه از داروهای موجود متمرکز شود.
برای مطالعه بیشتر در این خصوص به لینک زیر مراجعه فرمایید:
https://www.sciencedaily.com/releases/2018/04/180430131809.htm
