想象一下，你有严重的健康问题。然后想象一下，当你访问一个医生团队时，他们可以建立一个相同的虚拟“双胞胎”状态，并模拟数百万种治疗方法，直到他们开发出有效的治疗方法。

未来癌症的个性化，精确治疗应该是什么样的?我们知道人们是不同的，他们的肿瘤是不同的，他们对不同的治疗反应不同。未来的医疗团队可能能够创建一个人及其肿瘤的“虚拟双胞胎”。然后，通过利用超级计算机，医生领导的团队可以模拟肿瘤细胞的行为，以测试数百万(或数十亿)可能的治疗组合。最终，最好的组合可能提供个性化，有效的治疗计划的线索。

听起来像是一厢情愿?实现这一愿景的第一步是由多机构研究合作开展的，其中包括美国能源部阿贡国家实验室的计算科学家Jonathan Ozik和Nicholson Collier。

该研究团队包括印第安纳大学和佛蒙特大学医学中心的合作者，将高性能计算的力量带入了改善癌症免疫治疗的棘手挑战。该团队在Argonne和芝加哥大学挖掘了两台超级计算机，发现高性能计算能够为抗击癌症提供线索，正如分子系统设计与工程杂志6月7日发表的一篇文章所述。

“通过这种新方法，研究人员可以以更科学的方式使用基于代理的建模。”- Argonne和芝加哥大学的计算科学家Nicholson Collier

站在癌症

癌症免疫疗法是一种很有前途的治疗方法，它可以调节您的免疫系统以减少或消除癌细胞。然而，这种疗法只能帮助10%到20%的患者 - 部分原因是癌细胞和免疫细胞混合的方式很复杂且知之甚少。经证实的规则很少。

为了开始发现免疫疗法的规则，该团队转向了一套三个工具：

基于代理的建模，在这种情况下预测个体“代理人” - 癌症和免疫细胞的行为

Argonne屡获殊荣的工作流技术，充分利用超级计算机

一个指导框架，用于探索模型并动态指导和跟踪结果

三人组合在一起运作。该框架由Ozik，Collier，Argonne同事和佛蒙特大学医学中心的外科医生兼教授Gary An开发，称为Swift(EMEWS)极限模型探索。它监督基于代理的模型和工作流系统，即Argonne和芝加哥大学开发的Swift / T并行脚本语言。

这种工具组合有什么独特之处?“我们正在帮助各种计算科学领域的更多人对他们的模型进行大规模的实验，”Ozik说，他和Collier一样，在芝加哥大学联合任命。“建立一个模型很有趣。但是如果没有超级计算机，很难真正理解模型行为的全部潜力。”

工作更聪明，而不是更难

该团队试图找到模拟场景，其中：

没有其他癌细胞生长

90%的癌细胞死亡

99%的癌细胞死亡

他们发现在19%的模拟中没有癌细胞生长，10%的癌细胞中有9%死于6%的模拟，100%的癌细胞中有99个死于约2%的模拟。

该团队开始使用基于代理的模型，该模型由印第安纳大学的Paul Macklin设计的PhysiCell框架构建，用于探索癌症和其他疾病。他们分配了每种癌症和免疫细胞特征 - 例如出生率和死亡率 - 来控制他们的行为，然后让他们放松。

“我们使用基于代理的建模来解决许多问题，”Ozik说。“但这些模型通常是计算密集型的，会产生大量的随机噪音。”

探索PhysiCell模型中的每个可能场景都是不切实际的。“你无法覆盖整个模型的可能行为空间，”科利尔说。所以团队需要更聪明地工作，而不是更努力。

该团队依靠两种方法 - 遗传算法和主动学习(机器学习的形式)来指导PhysiCell模型并找到最能控制或杀死模拟癌细胞的参数。

遗传算法通过模拟模型(例如100次)并测量结果来寻找理想参数。然后，模型每次使用性能更好的参数值一次又一次地重复该过程。“这个过程可以让你快速找到最好的参数组，而无需运行每一个组合，”科利尔说。

主动学习是不同的。它也反复模拟模型，但是，就像它一样，它试图发现参数值的区域，在那里进一步探索是最有利的，以便全面了解哪些有效，哪些无效。换句话说，“你可以在哪里品尝以获得最佳效果，”Ozik说。

与此同时，Argonne的EMEWS就像一个指挥，在适当的时候发出遗传和主动学习算法的信号，并在其实验室计算资源中心以及芝加哥大学的Beagle超级计算机上协调Argonne Bebop集群上的大量模拟。

超越医学

研究小组正在应用类似的方法来应对不同癌症类型的挑战，包括结肠癌，乳腺癌和前列腺癌。

Argonne的EMEWS框架可以提供医学以外领域的见解。实际上，Ozik和Collier目前正在使用该系统来探索稀土金属及其供应链的复杂性。“通过这种新方法，研究人员可以以更科学的方式使用基于代理的建模，”科利尔说。

该团队还包括印第安纳大学的高级系统分析师兼程序员Randy Heiland。阿贡研究人员由美国国立卫生研究院资助。