Optimisation sur un modèle de comportement pour la thérapie en oncologie

Optimization on a model of a therapeutic behavior for cancer

• Auteur / Autrice : Hoda Sbeity
• Direction : Suat Topsu, Imad Mougharbel
• Type : Thèse de doctorat
• Discipline(s) : Mécanique des solides
• Date : Soutenance en 2013
• Etablissement(s) : Versailles-St Quentin en Yvelines en cotutelle avec Université Libanaise
• Ecole(s) doctorale(s) : École doctorale des Sciences et de Technologie (Beyrouth)

Mots clés

Mots clés contrôlés

Protocole

Normes

Médecine -- Appareils et matériel

Algorithmes génétiques

Chimiothérapie

Modèles théoriques

Cancer

Résumé

Chez les êtres humains, les tumeurs solides, sont causées par une séquence d'anomalies génétiques qui surviennent dans les cellules normales et précancéreuses. La compréhension de ces séquences est importante pour améliorer les traitements du cancer, qui peuvent être par chimiothérapie, radiothérapie ou par chirurgie. Au cours des 15 dernières années, les biologistes et les généticiens moléculaires ont découvert certains des mécanismes les plus fondamentaux par lesquels les cellules souches normales dans certains tissus se transforment en tumeurs cancéreuses. Cette connaissance biologique sert de base pour différents modèles cancérogenèses. Ces théories biologiques peuvent ensuite être transformées en modèles mathématiques, soutenues par des méthodes d'analyse des données statistiques. Les modèles mathématiques permettent de tester quantitativement les nouvelles découvertes biologiques par rapport aux données humaines, en aidant les chercheurs à développer des stratégies efficaces de diagnostic, de contrôle, curatifs et préventifs contre le cancer. Ces modèles appartiennent à des catégories différentes, y compris les modèles déterministe, spatiaux-temporelles, compartimentaux et stochastiques. Dans cette thèse, on a résumé les modèles mathématiques utilisés i) dans les modèles déterministes, pour décrire l'évolution des cellules cancéreuses, et ii) pour l'administration de médicaments en chimiothérapie. Toutefois, la chimiothérapie est un mode de traitement complexe qui nécessite un équilibre entre l'efficacité et les effets secondaires toxiques indésirables causés par les médicaments anticancéreux. En réalité, les observations biologiques changent aléatoirement sous l'influence de plusieurs facteurs. Pour cette raison, on a essayé d'introduire des probabilités, qui sont utilisés dans les modèles stochastiques. Parmi les différents modèles stochastiques qui décrivent les processus biologiques, tels que le cancer, on a: le modèle de Moran, le modèle de Wright-Fisher (WF), le modèle de Galton-Watson (GW), le processus de la chaîne de Markov, et le modèle de Moolgavkar, Venzon et Knudson (MVK). L'un des objectifs de cette thèse est de développer ces modèles stochastiques pour suivre l'évolution du cancer et pour simuler le traitement chimiothérapeutique approprié qui cause la disparition des cellules cancéreuses. Il existe plusieurs méthodes d'optimisations, dans cette thèse l'algorithme génétique (AG) est adopté, pour trouver le juste équilibre entre le nombre minimum de cellules cancéreuses et le dosage minimal. Donc, un autre objectif de cette thèse est d'étudier comment la méthode d'optimisation AG peut être utilisée pour suivre l'évolution du cancer avec des traitements chimiothérapeutiques optimales qui provoquent la mort des cellules cancéreuses avec moins d'effets secondaires. On a résumé toutes ces idées en proposant une nouvelle stratégie pour optimiser le traitement de la chimiothérapie en se basant sur des protocoles réels et bien vérifiés. La stratégie de travail est définie comme suit, i) La première étape est de définir le cancer à traiter avec ces paramètres, ii) La deuxième étape est de choisir un protocole du traitement définit par le cancérologue, iii) La troisième étape est de choisir un modèle déterministe/stochastique qui peut décrire la trajectoire des cellules cancéreuses avec/sans traitement, et iv) La dernière étape est l'application de la méthode d'optimisation sur le modèle du cancer.

Solid tumors in humans are believed to be caused by a sequence of genetic abnormalities that arise in both normal and premalignant cells. Understanding these sequences is important for improving cancer treatments, which can differ from chemotherapy to radiotherapy and surgery. In the past 15 years, molecular biologists and geneticists have uncovered some of the most basic mechanisms by which normal stem cells in certain tissues develop into cancerous tumors. This biological knowledge serves as a basis for various models of carcinogenesis. These biological theories can then be transformed into mathematical models, supported by relevant methods of statistical data analysis. Mathematical models will allow the novel biological findings to be quantitatively tested against human data, helping researchers develop efficient diagnostic, controlling, curative and preventive strategies for cancer. These models belong to different categories, including deterministic, state space, compartment and stochastic models. In this thesis, for the deterministic models, we summarize the mathematical models used to describe the evolution of cancer cells, as well as those used for drug delivery in chemotherapy. However, chemotherapy is a complex treatment mode that requires balancing the benefits of treating tumors with the adverse toxic side effects caused by the anti-cancer drugs. In reality, observations in biological cases are often presented in a fuzzy way. For this reason, we attempt to introduce probabilities, which are used in stochastic models. Among the various stochastic models that are able to describe biological processes, such as cancer, we have the following: the Moran Model, Wright-Fisher (WF) Model, Galton–Watson branching process (GWBP), Markov chain Processes, and Model of Moolgavkar, Venzon, and Knudson (MVK). With these models in mind, one of the goals of this thesis is to develop models to follow the evolution of this disease and simulate suitable chemotherapy treatments that cause the death of cancer. Some methods of computational optimization, genetic algorithms (GA) in particular, have proven useful in helping to strike the right balance. Another purpose of this thesis is to study how the GA optimization method can be used to follow the evolution of cancer and facilitate finding optimal chemotherapeutic treatments that cause the death of cancer cells with fewer side effects. All these ideas are summarize by generated our own strategy to optimize the treatment of chemotherapy using real protocols. Our strategy is defined as follows, i) The first step is to define the genre of cancer treated with his parameters, ii) The second step is to choose a real treatment protocol defined by the cancerologist, iii) The third step is to choose a deterministic / stochastic model that can describe the trajectory of cancer cells with / without treatment and iv) The last step is the application of the optimization method.