دانلود ترجمه مقاله بهینه سازی درمان سرطان با استفاده از نظریه بازی

1. مقدمه 2. روش ها 3. بحث و بررسی 4. نتیجه گیری

چکیده اهمیت: درحالی که درمان سرطان منتشر شده در ابتدا اغلب موفقیت آمیز است، اما سلول های بدخیم، با استفاده از استراتژی های وفقی متنوع رمزگذاری شده در ژنوم انسانی، تقریباً همیشه در خود مقاومت بوجود می آورند و در نتیجه باعث عدم موفقیت در درمان می شود. بنابراین، دینامیک مقاومت داروینی، موانع رعب برانگیزی برای همه نوع درمان سرطان می باشند اما بندرت در طراحی کارآزمایی بالینی تلفیق شده اند یا در ابتکارعمل های اونکولوژی دقت بالا، شامل شده اند. مشاهدات: درمان سرطان را به صورت یک رقابت نظریه بازی بین درمان پزشک و استراتژی های مقاومت سلول های سرطانی، مورد بررسی قرار می دهیم. این بازی دو عدم تقارن بحرانی دارد:(1) تنها پزشک می تواند به صورت عقلانی بازی کند. سلول های سرطانی، مانند همه ارگانیزم های رو به تکامل، تنها می توانند با شرایط فعلی سازگار شوند؛ نه می توانند سازگاری برای درمان هایی که پزشک هنوز بکار نگرفته است، را پیش بینی کنند نه می توانند این سازگاری را تکامل داشته باشند. (2) یک دینامیک متمایز رهبر-پیرو (یا «استکلبرگ») دارد؛ انکولوژیست «رهبر» ابتدا بازی می کند و سپس سلول های سرطانی «پیرو» پاسخ می دهند و به درمان سازگار می شوند. پرتکل های درمانی فعلی برای سرطان متاستاز معمولاً از هر دوی عدم تقارن بهره می برند. با تکرار تجویز همان دارو(های) قبلی تا پیشرفت بیماری، پزشک یک استراتژی ثابت را در «بازی» بکار می گیرد، حتی هنگامی که سلول های سرطانی مخالف دائماً پاسخ های سازگاری موفق را تکامل می دهند. علاوه بر آن، با تغییر درمان تنها هنگامی که تومور پیشرفت می کند، پزشک از رهبری سلول های سرطانی امتناع می کند و عدم موفقیت درمان تقریباً اجتناب ناپذیر می شود. بدون تغییرات اساسی استراتژی، درمان سرطان استاندارد مراقبت معمولاً باعث بوجود آمدن «جواب های نش» می شود، جوابهایی که در آنها هیچگونه تغییر یکجانبه در درمان نمی تواند بطور مناسبی پیامد را تغییر دهد. نتیجه گیری و کاربرد: پزشکان می توانند با بکار گیری پرتکل های درمانی پویا تر که دینامیک اکولوژیکی-تکاملی (eco-evolutionary) را تلفیق می کنند و به این ترتیب، درمان را تعدیل می کنند، از مزیت های نهفته در عدم تقارن های بازی درمان سرطان بهره بگیرند. پیاده سازی این رویکرد نیاز به معیارهای جدید پاسخ تومور دارند که از هردوی تغییرات اکولوژیکی (یعنی اندازه) و تکاملی (یعنی مکانیزم های مولکولی ایجاد مقاومت و اندازه نسبی جمعیت مقاوم) استفاده می کنند، خواهند داشت.

Importance: While systemic therapy for disseminated cancer is often initially successful, malignant cells, using diverse adaptive strategies encoded in the human genome, almost invariably evolve resistance, leading to treatment failure. Thus, the Darwinian dynamics of resistance are formidable barriers to all forms of systemic cancer treatment but rarely integrated into clinical trial design or included within precision oncology initiatives. Observations: We investigate cancer treatment as a game theoretic contest between the physician’s therapy and the cancer cells’ resistance strategies. This game has 2 critical asymmetries: (1) Only the physician can play rationally. Cancer cells, like all evolving organisms, can only adapt to current conditions; they can neither anticipate nor evolve adaptations for treatments that the physician has not yet applied. (2) It has a distinctive leader-follower (or “Stackelberg”) dynamics; the “leader” oncologist plays first and the “follower” cancer cells then respond and adapt to therapy. Current treatment protocols for metastatic cancer typically exploit neither asymmetry. By repeatedly administering the same drug(s) until disease progression, the physician “plays” a fixed strategy even as the opposing cancer cells continuously evolve successful adaptive responses. Furthermore, by changing treatment only when the tumor progresses, the physician cedes leadership to the cancer cells and treatment failure becomes nearly inevitable. Without fundamental changes in strategy, standard-of-care cancer therapy typically results in “Nash solutions” in which no unilateral change in treatment can favorably alter the outcome. Conclusions and Relevance: Physicians can exploit the advantages inherent in the asymmetries of the cancer treatment game, and likely improve outcomes, by adopting more dynamic treatment protocols that integrate eco-evolutionary dynamics and modulate therapy accordingly. Implementing this approach will require new metrics of tumor response that incorporate both ecological (ie, size) and evolutionary (ie, molecular mechanisms of resistance and relative size of resistant population) changes.