Predicciones de supervivencia celular a través de machine learning
Loading...
Date
2025
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
La radioterapia con protones e iones pesados es un tratamiento eficaz contra el cáncer, por esto comprender su impacto a nivel biológico es esencial para optimizar su efectividad. Predecir los efectos biológicos de la radiación, que dependen de las condiciones de irradiación y la complejidad del daño al ADN, sigue siendo un desafío importante, especialmente en distribuciones de dosis como las usadas con partículas pesadas.En este trabajo se desarrollaron modelos de aprendizaje automático para hacer predicciones de supervivencia celular in-vitro. El trabajo principal fue enfocado en modelos para predicciones con partículas pesadas, también se entrenaron modelos similares para experimentos con fotones. A la vez, se combinaron simulaciones Monte Carlo con los modelos para hacer predicciones de supervivencia en profundidad, a partir de una distribución de dosis simulada de protones.Los modelos fueron entrenados usando una base de datos que recopila experimentos in-vitro de la literatura, en particular se usaron datos de 923 experimentos que abarcan 130 líneas celulares y 26 iones distintos. Se usó un número limitado de variables, que considera el tipo de célula y parámetros físicos como la dosis, energía y tipo de ion.Los modelos entrenados alcanzaron un coeficiente de determinación superior a 0.8 en el conjunto de prueba y en el conjunto de validación externa. Asimismo, al combinar los modelos con simulaciones Monte Carlo, fue posible replicar la disminución en la supervivencia celular en una configuración compleja.Este trabajo demuestra que es factible combinar modelos de aprendizaje automático con Monte Carlo, y dada la pequeña cantidad de variables utilizadas, es fácil de implementar en entornos experimentales, proporcionando una alternativa a otros modelos existentes.
La radioterapia con protones e iones pesados es un tratamiento eficaz contra el cáncer, por esto comprender su impacto a nivel biológico es esencial para optimizar su efectividad. Predecir los efectos biológicos de la radiación, que dependen de las condiciones de irradiación y la complejidad del daño al ADN, sigue siendo un desafío importante, especialmente en distribuciones de dosis como las usadas con partículas pesadas. En este trabajo se desarrollaron modelos de aprendizaje automático para hacer predicciones de supervivencia celular in-vitro. El trabajo principal fue enfocado en modelos para predicciones con partículas pesadas, también se entrenaron modelos similares para experimentos con fotones. A la vez, se combinaron simulaciones Monte Carlo con los modelos para hacer predicciones de supervivencia en profundidad, a partir de una distribución de dosis simulada de protones. Los modelos fueron entrenados usando una base de datos que recopila experimentos invitro de la literatura, en particular se usaron datos de 923 experimentos que abarcan 130 líneas celulares y 26 iones distintos. Se usó un número limitado de variables, que considera el tipo de célula y parámetros físicos como la dosis, energía y tipo de ion. Los modelos entrenados alcanzaron un coeficiente de determinación R2 superior a 0.8 en el conjunto de prueba y en el conjunto de validación externa. Asimismo, al combinar los modelos con simulaciones Monte Carlo, fue posible replicar la disminuci´on en la supervivencia celular en una configuraci´on compleja. Este trabajo demuestra que es factible combinar modelos de aprendizaje autom´atico con Monte Carlo, y dada la pequeña cantidad de variables utilizadas, es fácil de implementar en entornos experimentales, proporcionando una alternativa a otros modelos existentes.
La radioterapia con protones e iones pesados es un tratamiento eficaz contra el cáncer, por esto comprender su impacto a nivel biológico es esencial para optimizar su efectividad. Predecir los efectos biológicos de la radiación, que dependen de las condiciones de irradiación y la complejidad del daño al ADN, sigue siendo un desafío importante, especialmente en distribuciones de dosis como las usadas con partículas pesadas. En este trabajo se desarrollaron modelos de aprendizaje automático para hacer predicciones de supervivencia celular in-vitro. El trabajo principal fue enfocado en modelos para predicciones con partículas pesadas, también se entrenaron modelos similares para experimentos con fotones. A la vez, se combinaron simulaciones Monte Carlo con los modelos para hacer predicciones de supervivencia en profundidad, a partir de una distribución de dosis simulada de protones. Los modelos fueron entrenados usando una base de datos que recopila experimentos invitro de la literatura, en particular se usaron datos de 923 experimentos que abarcan 130 líneas celulares y 26 iones distintos. Se usó un número limitado de variables, que considera el tipo de célula y parámetros físicos como la dosis, energía y tipo de ion. Los modelos entrenados alcanzaron un coeficiente de determinación R2 superior a 0.8 en el conjunto de prueba y en el conjunto de validación externa. Asimismo, al combinar los modelos con simulaciones Monte Carlo, fue posible replicar la disminuci´on en la supervivencia celular en una configuraci´on compleja. Este trabajo demuestra que es factible combinar modelos de aprendizaje autom´atico con Monte Carlo, y dada la pequeña cantidad de variables utilizadas, es fácil de implementar en entornos experimentales, proporcionando una alternativa a otros modelos existentes.
Description
Tesis (Magíster en Física Médica)--Pontificia Universidad Católica de Chile, 2025