Camacho Gómez, Daniel
Gómez Benito, María José (dir.) ; García Aznar, José Manuel (dir.)
Universidad de Zaragoza,
2024
Resumen: El cáncer es una de las enfermedades más prevalentes y desafiantes, afectando a millones de personas en todo el mundo y con una incidencia en aumento. Por tanto, es crucial avanzar en el entendimiento de los mecanismos subyacentes de su inicio y desarrollo, así como mejorar los métodos de monitorización y buscar tratamientos más efectivos.
Esta tesis presenta una aproximación computacional al cáncer, desgranando la enfermedad en sus algunos de sus componentes para obtener una comprensión integral de la misma. Así, se examinan varios aspectos del cáncer en diferentes escalas, desde el nivel celular hasta el nivel de órgano, para dilucidar los factores que influyen en el comportamiento celular, entender los mecanismos que alteran su comportamiento sano a uno tumoral y, finalmente, predecir el crecimiento de tumores. En este sentido, los modelos computacionales son una herramienta poderosa por su capacidad para abstraer fenómenos, explorar escenarios hipotéticos, analizar los factores involucrados, determinar causalidad y realizar predicciones.
Por ello, esta tesis emplea diversos enfoques de modelado computacional, que van desde modelos discretos con modelos basados en agentes hasta modelos continuos con ecuaciones diferenciales parciales. Además, investiga la integración de métodos de inteligencia artificial en estos modelos físicos, demostrando su capacidad combinada para reproducir fenómenos complejos y mejorar las predicciones. Siguiendo esta metodología, esta tesis examina inicialmente los patrones de movimiento de células del sistema inmunitario y células inmunitarias modificadas
utilizadas en tratamientos de inmunoterapia en el cáncer. El objetivo es evaluar su capacidad migratoria e identificar los factores que puedan disminuir la efectividad de dicho tratamiento. Posteriormente, el foco se traslada hacia la morfogénesis de estructuras císticas para comprender su formación y los factores que contribuyen a su transición de estructuras sanas a tumorales típicas del cáncer más común.
Así, se investiga el impacto de la matriz extracelular y la presión hidrostática del fluido en el proceso, seguido de la reproducción de ensayos experimentales con células pancreáticas. Finalmente, la tesis aborda el cáncer de próstata en pacientes reales incorporando información clínica. De este modo, se presenta una metodología para predecir su pronóstico, ofreciendo una herramienta clínica para una evaluación integral y avanzanda hacia métodos de monitoreo más precisos, rápidos y económicos, potencialmente reduciendo la necesidad de pruebas clínicas.
Por lo tanto, esta tesis tiene como objetivo proporcionar información sobre algunos aspectos del cáncer, mejorar los enfoques terapéuticos y ofrecer nuevas perspectivas sobre la integración de inteligencia artificial en el campo de la biología computacional.
Resumen (otro idioma): Cancer is one of the most prevalent and challenging diseases worldwide, affecting millions of people, and with a projected increase in future prevalence. Therefore, it is crucial to enhance our understanding of the mechanisms underlying its initiation and development, improve current monitoring methods, and pursue more effective treatments. This thesis presents a computational approximation to cancer, deconstructing the disease into its components to gain a comprehensive understanding. It examines various aspects of cancer across different scales, from the cellular level to the organ level to elucidate the factors influencing cell behavior, the mechanisms driving cells from healthy to tumoral states, and ultimately predict tumor growth. In this regard, computational models are powerful tools for their capacity to provide cost-effective means to abstract phenomena, explore hypothetical scenarios, analyze factors meticulously, determine causality, and predict potential outcomes. Thus, this thesis employs diverse computational modeling approaches, ranging from discrete models with agent-based models to continuum models with partial differential equations. Additionally, it investigates the integration of artificial intelligence methods into these physics-based models, demonstrating their combined capability to reproduce complex phenomena and enhance predictions with meaningful interpretations. Following this methodology, the thesis initially examines movement patterns of experiments of the immune system cells and engineered immune cells used in cancer immunotherapy. The goal is to assess their migratory capacity and identify factors that may diminish the effectiveness of immunotherapy in cancer. Subsequently, the focus shifts to the morphogenesis of cystic structures to understand their formation and the factors contributing to their transition from healthy to tumoral structures, which are found in the most common type of cancer. Here, the impact of the extracellular matrix and fluid hydrostatic pressure on the process is investigated, followed by quantitative reproduction of experimental assays involving pancreatic cells. Finally, the thesis addresses the prediction of prostate tumor growth in real patients incorporating clinical information. Thus, a methodology is presented to predict prostate cancer prognosis, offering a clinical tool for comprehensive evaluation and advancing toward more accurate, faster, and inexpensive monitoring methods, potentially reducing the need for clinical tests such as magnetic resonance scans. Therefore, this thesis aims to provide insights into some aspects of cancer, improve therapy approaches, and provide new perspectives on the integration of artificial intelligence into the field of computational biology.
Esta tesis presenta una aproximación computacional al cáncer, desgranando la enfermedad en sus algunos de sus componentes para obtener una comprensión integral de la misma. Así, se examinan varios aspectos del cáncer en diferentes escalas, desde el nivel celular hasta el nivel de órgano, para dilucidar los factores que influyen en el comportamiento celular, entender los mecanismos que alteran su comportamiento sano a uno tumoral y, finalmente, predecir el crecimiento de tumores. En este sentido, los modelos computacionales son una herramienta poderosa por su capacidad para abstraer fenómenos, explorar escenarios hipotéticos, analizar los factores involucrados, determinar causalidad y realizar predicciones.
Por ello, esta tesis emplea diversos enfoques de modelado computacional, que van desde modelos discretos con modelos basados en agentes hasta modelos continuos con ecuaciones diferenciales parciales. Además, investiga la integración de métodos de inteligencia artificial en estos modelos físicos, demostrando su capacidad combinada para reproducir fenómenos complejos y mejorar las predicciones. Siguiendo esta metodología, esta tesis examina inicialmente los patrones de movimiento de células del sistema inmunitario y células inmunitarias modificadas
utilizadas en tratamientos de inmunoterapia en el cáncer. El objetivo es evaluar su capacidad migratoria e identificar los factores que puedan disminuir la efectividad de dicho tratamiento. Posteriormente, el foco se traslada hacia la morfogénesis de estructuras císticas para comprender su formación y los factores que contribuyen a su transición de estructuras sanas a tumorales típicas del cáncer más común.
Así, se investiga el impacto de la matriz extracelular y la presión hidrostática del fluido en el proceso, seguido de la reproducción de ensayos experimentales con células pancreáticas. Finalmente, la tesis aborda el cáncer de próstata en pacientes reales incorporando información clínica. De este modo, se presenta una metodología para predecir su pronóstico, ofreciendo una herramienta clínica para una evaluación integral y avanzanda hacia métodos de monitoreo más precisos, rápidos y económicos, potencialmente reduciendo la necesidad de pruebas clínicas.
Por lo tanto, esta tesis tiene como objetivo proporcionar información sobre algunos aspectos del cáncer, mejorar los enfoques terapéuticos y ofrecer nuevas perspectivas sobre la integración de inteligencia artificial en el campo de la biología computacional.
Resumen (otro idioma): Cancer is one of the most prevalent and challenging diseases worldwide, affecting millions of people, and with a projected increase in future prevalence. Therefore, it is crucial to enhance our understanding of the mechanisms underlying its initiation and development, improve current monitoring methods, and pursue more effective treatments. This thesis presents a computational approximation to cancer, deconstructing the disease into its components to gain a comprehensive understanding. It examines various aspects of cancer across different scales, from the cellular level to the organ level to elucidate the factors influencing cell behavior, the mechanisms driving cells from healthy to tumoral states, and ultimately predict tumor growth. In this regard, computational models are powerful tools for their capacity to provide cost-effective means to abstract phenomena, explore hypothetical scenarios, analyze factors meticulously, determine causality, and predict potential outcomes. Thus, this thesis employs diverse computational modeling approaches, ranging from discrete models with agent-based models to continuum models with partial differential equations. Additionally, it investigates the integration of artificial intelligence methods into these physics-based models, demonstrating their combined capability to reproduce complex phenomena and enhance predictions with meaningful interpretations. Following this methodology, the thesis initially examines movement patterns of experiments of the immune system cells and engineered immune cells used in cancer immunotherapy. The goal is to assess their migratory capacity and identify factors that may diminish the effectiveness of immunotherapy in cancer. Subsequently, the focus shifts to the morphogenesis of cystic structures to understand their formation and the factors contributing to their transition from healthy to tumoral structures, which are found in the most common type of cancer. Here, the impact of the extracellular matrix and fluid hydrostatic pressure on the process is investigated, followed by quantitative reproduction of experimental assays involving pancreatic cells. Finally, the thesis addresses the prediction of prostate tumor growth in real patients incorporating clinical information. Thus, a methodology is presented to predict prostate cancer prognosis, offering a clinical tool for comprehensive evaluation and advancing toward more accurate, faster, and inexpensive monitoring methods, potentially reducing the need for clinical tests such as magnetic resonance scans. Therefore, this thesis aims to provide insights into some aspects of cancer, improve therapy approaches, and provide new perspectives on the integration of artificial intelligence into the field of computational biology.
Pal. clave: mecánica de medios continuos ; biomecánica
Titulación: Programa de Doctorado en Ingeniería Mecánica
Plan(es): Plan 514
Área de conocimiento: Ingeniería y Arquitectura
Nota: Presentado: 19 09 2024
Nota: Tesis-Univ. Zaragoza, , 2024
Aportación del TFG/M a la Sostenibilidad: Garantizar una vida saludable y promover el bienestar para todos y todas en todas las edades. Fomentar el crecimiento económico sostenido, inclusivo y sostenible, el empleo pleno y productivo, y el trabajo decente para todos. Desarrollar infraestructuras resilientes, promover la industrialización inclusiva y sostenible, y fomentar la innovación.
Enlace permanente:
Visitas y descargas
Registro creado el 2024-12-11, última modificación el 2025-09-20
