000117481 001__ 117481
000117481 005__ 20220708120634.0
000117481 037__ $$aTESIS-2022-119
000117481 041__ $$aeng
000117481 1001_ $$aAyensa Jiménez, Jacobo
000117481 24500 $$aStudy of the effect of the tumour microenvironment on cell response using a combined simulation and machine learning approach. Application to the evolution of Glioblastoma
000117481 260__ $$aZaragoza$$bUniversidad de Zaragoza, Prensas de la Universidad$$c2022
000117481 300__ $$a552
000117481 4900_ $$aTesis de la Universidad de Zaragoza$$v2022-56$$x2254-7606
000117481 500__ $$aPresentado: 24 03 2022
000117481 502__ $$aTesis-Univ. Zaragoza, , 2022$$bZaragoza, Universidad de Zaragoza$$c2022
000117481 506__ $$aby-nc$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc/3.0/es
000117481 520__ $$aEl cáncer es la segunda causa de muerte en el mundo. En particular, el Glioblastoma es el cáncer cerebral más común y también el más letal. Los paradigmas centrados únicamente en las células tumorales y en la genética han dado paso en la actualidad a un escenario diferente, en el que se integran diferentes poblaciones celulares, señales físicas y una gran variedad de estímulos externos. Los modelos matemáticos para evaluar la progresión del cáncer han demostrado ser, combinados con datos experimentales, una herramienta de gran valor para una mejor comprensión y pronóstico, así como para facilitar el diseño de terapias o permitir pruebas de fármacos in silico. Sin embargo, a pesar de su capacidad predictiva, estos modelos no consiguen desentrañar complejos procesos biológicos, a menudo ocultos debido a las grandes no linealidades, y los importantes acoplamientos existentes entre los diferentes fenómenos implicados.<br />Recientemente, está surgiendo un nuevo paradigma en la Ingeniería y Ciencias Basadas en Simulación, que apunta a la incorporación de la Ciencia de Datos y la Inteligencia Artificial al modelado matemático convencional de sistemas físicos. De hecho, en las últimas décadas, se ha demostrado que estas herramientas poseen un enorme poder predictivo, aunque existe cierto escepticismo debido a su naturaleza de ``caja negra''. Esta falta de capacidad explicativa puede ser suplida por siglos de investigación que han resultado en grandes conocimientos sobre nuestro entorno que no pueden caer en el olvido. Los procesos tumorales no son una excepción.<br />En esta tesis, se propone una nueva aproximación al análisis de la evolución tumoral, combinando el uso intensivo de datos y herramientas de Aprendizaje Automático con la capacidad explicativa de los modelos físico-matemáticos sobre la progresión del cáncer, algo que es hoy posible gracias a los grandes avances en las técnicas de monitorización de cultivos celulares. Este enfoque se enmarca en lo que actualmente se conoce como Ciencia de Datos Informada por la Física.<br />En primer lugar, adapto algunos de estos métodos a ámbitos con datos de baja calidad (datos incompletos o con ruido). A continuación, desarrollo un marco computacional en el que se reproduce la evolución del Glioblastoma en dispositivos microfluídicos en distintas configuraciones experimentales y, lo que es más importante, se revela la transición metabólica entre los comportamientos migratorio y proliferativo que tienen lugar durante la progresión del Glbiolastoma. Esto se consigue mediante el uso de una familia especial de redes neuronales artificiales, capaces de representar datos y relaciones no medibles dentro de un contexto físico consistente. Estas redes neuronales aprenden más rápido, requieren menos datos y tienen mayor capacidad de filtrado que las convencionales. Además, superan a los enfoques paramétricos estándar tanto en capacidad predictiva como explicativa cuando se utilizan para analizar la progresión del Glioblastoma.<br />En combinación con los modelos matemáticos y las simulaciones computacionales, un flujo de trabajo integrando datos de paciente específico y monitorización de cultivos celulares puede ayudar a sentar las bases de la medicina personalizada, y nos permite atisbar un futuro más alentador en la lucha contra el Glioblastoma.<br />
000117481 520__ $$a<br />
000117481 521__ $$97102$$aPrograma de Doctorado en Ingeniería Mecánica
000117481 6531_ $$aingenieria y tecnologia mecanicas
000117481 6531_ $$abiomatematicas
000117481 6531_ $$ainteligencia artificial
000117481 6531_ $$asimulacion
000117481 700__ $$aDoblaré Castellano, Manuel$$edir.
000117481 700__ $$aDoweidar Mohyeldin, Mohamed$$edir.
000117481 7102_ $$aUniversidad de Zaragoza$$b
000117481 830__ $$9514
000117481 8560_ $$fcdeurop@unizar.es
000117481 8564_ $$s110774937$$uhttps://zaguan.unizar.es/record/117481/files/TESIS-2022-119.pdf$$zTexto completo (eng)
000117481 909CO $$ooai:zaguan.unizar.es:117481$$pdriver
000117481 909co $$ptesis
000117481 9102_ $$a$$b
000117481 980__ $$aTESIS