Cancerdynamik - Saunalahti
Cancerdynamik - Saunalahti
Cancerdynamik - Saunalahti
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
cancer.sxw Förstudie 04-01-27 version 1.2 1/16<br />
Inledning<br />
<strong>Cancerdynamik</strong><br />
Tumör, eller svulst, är ofta en tämligen ofarlig nybildning av celler i kroppen. Emellertid, endel<br />
tumörer utvecklas till cancer, en aggressiv celltillväxt som kan ta kål på organismen ifall den inte<br />
hejdas. Fossilfynd visar att cancersjukdomar har följt människor och djur (verkar dock vara sällsynt<br />
bland hajar och rockor i ) sedan tidernas gryning. Även i växtriket förekommer en sorts<br />
motsvarigheter till cancer; tex Agrobacterium tumefaciens ger upphov till ”tumörer”, gallbildning,<br />
genom att infektera sår hos växter (se tex Taiz & Zeiger 2002, kap. 21). Bakteriens användning bla<br />
för genmanipulering av soja har kritiserats med tanke på risken med att nya virala gener införs i<br />
födan. I egyptiska papyrusdokument (3500 f.Kr.) har man funnit beskrivningar av bröstcancer som<br />
redan i antiken behandlades kirurgiskt eftersom man tidigt förstod metastaseringens risker. I<br />
industriländerna torde i snitt var tredje människa bli behandlad för någon tumör under sin livstid<br />
och i en nära framtid räknar man med att varannan människa drabbas. Cancer är på sätt och vis ett<br />
evolutionärt pris vi får betala för cellernas flexibilitet och mutationsförmåga som möjliggjort<br />
”utvecklingen”.<br />
Endel av de senaste trenderna inom cancerforskningen behandlas förtjänstfullt av Gibbs ii , medan tex<br />
Araujo och McElwain (2003) ger en bred historisk översikt (med hundratals referenser) av<br />
matematiska ansatser för att modellera solida tumörer, deras tillväxt, vaskularisering, metastasering<br />
osv. Araujo och McElwain betonar cancerdynamikens komplexitet och det enorma informationsflödet<br />
av forskningsresultat vilket kräver övergripande systematiska ansatser, samt att (citerar E H<br />
Byrne) ”applied mathematics has the potential to prevent excessive experimentation and also to<br />
provide biologists with complementary and valuable insight into the mechanism that may control<br />
the development of solid tumours” (och självfallet att förstå också andra tumörformer såsom<br />
leukemi och gliom). Gatenby et al. (2002) inleder sin artikel: ”The tumor-host interface is a highly<br />
complex, dynamical structure dominated by nonlinear processes for which there is no clear<br />
theoretical framework of understanding. (...) We submit that this has impeded progress in clinical<br />
oncology because vast amounts of data generated by molecular biology and other new technologies<br />
have not been synthesized into a coherent, comprehensive paradigm”. Nick Lane (2003b: 341) är<br />
inne på ett liknande problem beträffande forskning i åldrande och sjukdomar som även tenderar att<br />
översvämmas av empiriska resultat: ”Today, medical research is in danger of becoming too<br />
empirical, of accumulating tremendous piles of data without giving them due thought. There is an<br />
uncomfortable gap between the hundreds of crazy theories about agening and disease, which are<br />
rarely supported by coherent data, and the headlong rush of medical research, which rarely finds<br />
time to interpret new findings in a wider context.”<br />
En förhoppning är att goda matematiska systemmodeller kan bidra att hjälpa upp situationen.<br />
Artiklar i fysikjournaler såsom Physical Review E visar också ett stigande intresse bland fysiker att<br />
tillämpa metoder från tex beräkningsfysik (computational physics) på cancerdynamik och andra<br />
cellbiologiska problem. Ett typiskt problem när matematiker och biologer sammanstrålar är att<br />
biologer inte förstår sig på matematikernas språk, och att matematikerna å andra sidan kan bli<br />
irriterade på biologer som skall ha med nästan varje tänkbar faktor i en modell (nyttigt dock för<br />
matematikerna att konfronteras med det faktum att biologiska processer kan vara väldigt komplexa).<br />
Ett problem är just att finna relevanta förenklingar. Biofysiken erbjuder å andra sidan en brygga<br />
mellan biologin och de matematiska vetenskaperna, tillika med att de beräkningsfysikaliska<br />
metoderna tillåter en behandling av allt mer avancerade och heltäckande modeller.<br />
F Borg (borgbros@netti.fi) Chydenius-Institutet, Karleby Universitetscenter (Långbrogatan 1-3, FIN-67100 Karleby)
cancer.sxw Förstudie 04-01-27 version 1.2 2/16<br />
Biologi<br />
Cancer förekommer i omkring ett par hundratal varianter och är säkerligen ett av de mest utforskade<br />
sjukdomskomplexen iii . Till cancerns huvudgrupper hör<br />
● karcinom (svulster i epitelceller)<br />
● sarkom (drabbar stödjeväv: bindväv, muskler, ben, brosk)<br />
● leukemi (blodcancer, överproduktion av vita blodkroppar, kan även drabba röda blodkroppar)<br />
● lymfom (drabbar immunsystemet, lymfatisk vävnad)<br />
● gliom (utgår från nervsystemets stödjevävnad)<br />
Prognoserna har med åren blivit stadigt bättre, fastän mycket fortfarande är oklart om cancerns<br />
orsaker och exakta förlopp. En trend har varit en minskning av magcancer (kanske som följd av<br />
ändrade kostvanor iv ) medan hudcancerfallen har ökat allmänt (här kan den ökade UV-instrålningen<br />
och solbadandet spela in) och lungcancer speciellt bland kvinnor tack vare tobaken. (Sedan 1978 är<br />
andelen rökare bland kvinnor högre än hos män i Sverige. För Finlands del lär ca 29% av männen<br />
och 20% av kvinnorna vara rökare vilka hör till lägsta siffrorna i Europa. Pga aggressiv<br />
försäljningskampanjer av tobak i u-länderna kommer dessa till råga på alla andra problem också att<br />
drabbas av stora betungande hälsovårdskostnader pga av tobaksrelaterade sjukdomar. Risken för<br />
tobakens skadliga effekter kan dessutom mångdubblas i förening med tex alkohol genom synergi.)<br />
Den vanligaste cancersjukdomen i Norden bland män är prostatacancer, och bröstcancer bland<br />
kvinnor (ca 1/100 delen av bröstcancerfallen drabbar fö män), globalt är dock magcancern den<br />
vanligaste maligna formen.<br />
Målsättningen med cancerterapier behöver inte nödvändigtvis vara att slå ut cancern genom ett enda<br />
dråpslag, utan att hålla den på mattan i ett latent stadium. Det går ju alltid att döda cancern,<br />
problemet är förstås att samtidigt hålla patienten vid liv. Sett med fysikers eller matematikers ögon<br />
förefaller det som matematiska metoder kunde bidra med kompletterande insatser inom<br />
cancerforskningen förutom de traditionella uppgifter som tex strålfysiken och epidemiologin<br />
erbjudit. Nämligen, cancerns komplicerade förlopp kan betraktas som ett dynamiskt system där båda<br />
”klassiska” modelleringstekniker (analytiska kontinuum-modeller, kinetiska teorier) och nyare<br />
cellautomatmetoder (CA) samt systemanalys rimligen kan tillämpas. Av särskild betydelse förefaller<br />
det vara att kunna identifiera vissa kritiska punkter i förloppet där rätt avvägning mellan olika<br />
terapier kan betyda skillnaden mellan cancerns remission, latens, explosiva tillväxt eller dess<br />
metastasering (i analogi med fastransformationer i fysiken eller bifurkation i matematiken). Via<br />
cancerforskning erhålls självfallet också insikter som har betydelse för att förstå livsprocesser<br />
generellt.<br />
Människor och djur består av biljontals (10 12 ) celler som skall fungera ihop och någorlunda vara i<br />
balans med varandra för att organismen skall funktionera. Samspelet koordineras genom hormoner<br />
och diverse signalsubstanser som skickas runtom i kroppen. Normalt följer cellerna vissa spelregler,<br />
lyder kommandon från andra celler och hjälper till när en del celler behöver assistans. Tumörceller<br />
förefaller gå sina egna vägar och strunta i andra. För att bli en elakartad (malign) cancercell antar<br />
man att cellen måste uppfylla sex kriterier:<br />
1. Proliferation. Normala celler växer och delar sig endast då de får en yttre låt-gå-signal (styrs av<br />
diverse tillväxtfaktorer). Cancerceller delar sig däremot utan yttre kommandon och kan själv<br />
simulera låt-gå-signalerna (stimulerar produktion av tillväxfaktorer).<br />
2. Hyperplasi. Normala celler stoppar celldelningen om de får en yttre stopp-signal medan<br />
F Borg (borgbros@netti.fi) Chydenius-Institutet, Karleby Universitetscenter (Långbrogatan 1-3, FIN-67100 Karleby)
cancer.sxw Förstudie 04-01-27 version 1.2 3/16<br />
cancerceller ignorerar stopp-signalen. Cancercellernas övertag beror således inte nödvändgtvis på<br />
att de växer snabbare (prolifererar) än normala celler, utan på att de lever längre (reducerad<br />
celldöd). Tex normala leukocyter har en livslängd från några timmar till några dagar, medan<br />
leukemiblastceller kan leva i veckor. Normala celler odlade på i en Petri-skål bildar endast ett<br />
skikt och stoppar delningen när de når kanten, medan cancerceller, då de når kanten, börja växa<br />
på varandra ”huller om buller”; dvs, den hyperplasiska cancercellen reagerar inte på att det blir<br />
trångt och celldelningen normalt borde upphöra genom kontaktinhibitation. Cancerceller har<br />
också, kanske överraskande, i regel längre cellcykeltid än normala celler. Harris (2004) betonar<br />
att cancer främst bör ses som en störning hos celldifferentieringen och inte tillväxten, det är den<br />
bristande differentieringen som i sin tur leder till att cellerna inte håller sig i styr.<br />
3. Undviker apoptos. Normala celler vars DNA skadats och inte kan repareras begår frivillig<br />
självmord (apoptos), cancercellen däremot fortsätter att leva och dela sig trots DNA-skador. p53genen<br />
är en av de viktigare generna som styr apoptos.<br />
4. Angiogenes. Växande cancerceller bildar en neoplasm, en växande klump av nya celler med<br />
nedärvd rubbad tillväxtkontroll, som småningom får svårt att försörja sig ifall inte nya blodkärl<br />
bildas som för näring till cancercellerna. Syre tex diffunderar inte en längre än i snitt ca 150 mm v .<br />
Cancerceller kan därför utsöndra ämnen som stimulerar bildning av blodkärl, den sk<br />
angiogenesen. Speciellt de senaste åren har man ansträngt sig för att ta fram cancermediciner<br />
som syftar just på att stoppa angiogenesen. En komplicerande omständighet är att endel tumörer<br />
verkar utsöndra angiogeneshämmande substanser till omgivningen för att skydda sig själva<br />
(enligt en teori av onkologen Judah Folkman). Tar man bort en sådan primärtumör så kan man<br />
några veckor senare istället ha metastaser runtom i organismen som kunnat växa obehindrat<br />
sedan tumören avlägsnats. Dessutom, stryper man blodflödet till tumören leder detta till syrebrist<br />
(hypoxi) som i sin tur kan starta en ”panikreaktion” hos cancercellen som leder en oönskad<br />
effekt; nämligen, till metastasering (cancern söker nya ”gröna betesmarker”). Detta måhända<br />
förklarar att det kan finnas fog för (hyperbariska) syreterapier vid behandling av cancer<br />
(förordades bla av nobelpristagaren Otto Warburg under 60-talet, Warburg (1930) citeras<br />
fortfarande bland cancerforskare) där tanken är att cancern trivs i syrefattiga förhållanden<br />
(cancerceller kan få energi genom jäsning av socker) medan syret tar kål på den, jämnfört med<br />
normala celler, fast det kanske egentligen handlar om att syret motverkar metastasering<br />
(Bernards 2003; Staller et al. 2003 vi ). Sambandet mellan cancer och angiogenes observerades<br />
redan för nästan 100 år sedan av E Goldman 1907.<br />
5. Immortalitet. Normala celler (embryonala fibroblaster) kan dela sig högst 60 till 70 gånger<br />
(Hayflick-gränsen) medan cancerceller (och stamceller) verkar vara ”odödliga” i den meningen<br />
att de kan dela sig obegränsat. (De är därför av intresse för dem som forskar i åldrandets orsaker.)<br />
Vanligen när tumörer upptäcks har de en storlek kring 0.5 cm, har genomgått ca 30-40 delningar<br />
och består således av storleksordningen en miljard celler.<br />
6. Metastasering. Slutligen, det som gör cancern till en farlig sjukdom (malign, elakartad tumör,<br />
till skillnad från benign, godartad tumör) är dess förmåga att infiltrera andra vävnader (invasion)<br />
och sprida sig i kroppen (metastasering, bildning av dottersvulster).<br />
Förutom dessa punkter bör också framhållas cancercellens ”stealth”-egenskaper, att hålla sig osynlig<br />
för immunsystemet, liksom dess förmåga att bekämpa attackerande celler. Ett flertal av de senaste<br />
årens lovande cancerterapier har varit immunterapier vars syfte är att förbättra immunsystems<br />
förmåga att upptäcka cancercellerna och oskadliggöra dem. Det finns också endel experimentella<br />
”cancervacciner”. Problemet är att cancercellerna är mycket varierande och muterar. Intressant i<br />
sammanhanget är dock tex proteinet survivin, som förekommer hos nästan alla neoplasmer<br />
(nybildningar av icke-differentierad vävnad) och vilken medverkar till att cancercellerna undviker<br />
F Borg (borgbros@netti.fi) Chydenius-Institutet, Karleby Universitetscenter (Långbrogatan 1-3, FIN-67100 Karleby)
cancer.sxw Förstudie 04-01-27 version 1.2 4/16<br />
apoptos; nämligen, detta är också ett potentiellt mål för immunsystemet och kan därför vara grund<br />
för ett generellt ”cancervaccin” (inte en vaccin i den egentliga meningen att förebygga cancer, utan i<br />
att den stimulerar immunsystemet i redan angripen organism).<br />
De traditionella teorierna om cancerns orsaker utgår ifrån att den initieras genom en cell som<br />
muteras (monoklonal tillväxt). Man tänker sig att genmutationer kan störa mekanismerna som<br />
dämpar celldelningen - ett femtontal suppressorgener har identifierats - och inaktiverar antimetastasgener,<br />
eller aktiverar proto-onkogener som stimulerar celldelning (man har hittat över ett 100-tal<br />
onkogener). Tex mutationer av suppressorgenen p53 som kontrollerar programmerad celldöd<br />
(apoptos) är implikerad i ungefär hälften av cancersjukdomarna. (p53 stoppar cellcykeln i G1-Sfasen<br />
och checkar om DNA är ok, en sorts kvalitetskontroll.) Efter initiering fodras en promovering<br />
för att cancer skall utvecklas till det tredje stadiet kallat progression. Cancersjukdomar räknas grovt<br />
att till ca 80 % bero på yttre orsaker (som tex rökning, UV-strålning) och det är dessa faktorer som<br />
bidrar just till promoveringen förutom vilken cancern skulle sas kvävas i sin linda. Också här kan<br />
genetiska faktorer spela in; tex, beträffande hur väl cellens reparationsmekanismer fungerar. Med<br />
stigande ålder försämras också reparationsförmågan (en teori (Lane 2003) är att mitokondrierna<br />
alltmer läcker oxidanter vilka i sin tur skadar bla DNA), vilket återspeglas i att den totala incidensen<br />
I för malign tumör (om man bortser från reproduktionsrelaterade cancerformer) växer starkt med<br />
ungefär fjärde potensen av åldern t i intervallet 10 - 70 år (incidensen är kring 1000 /100000 vid en<br />
ålder strax över 60 år),<br />
I ≈k⋅t 4<br />
Man på senare tid funnit cancerformer där suppressorgener inte är muterade, eller där onkogener är<br />
inaktiva. En annan iakttagelse är att för vissa cancerformer är det bara ett hundratal cancerceller som<br />
har förmågan att inducera metastaser. Det har därför framkastats idéer om att cancercellens<br />
uppkomst bottnar i en instabilitet. Normala celler utsätts i snitt för en mutation under sin livstid,<br />
medan cancerceller kanske genomgår tiotusen eller upp till hundratusen mutationer. När celler<br />
utsätts för stress (tex gifter i tobaksrök) så kan mutationer ge cancercellen övertag gentemot<br />
normala celler som dukar under bla genom apoptos. I vanliga fall skulle de normala cellerna<br />
utkonkurrera cancercellerna, men en stress-situation kan ge cancercellerna en fördel.<br />
Vaskularisering av tumör. Illustration<br />
från A R A Andersons (univ. of<br />
Dundee) websajt, en forskare som<br />
modellerar bla tumörer mha<br />
reaktions- diffusions-ekvationer.<br />
F Borg (borgbros@netti.fi) Chydenius-Institutet, Karleby Universitetscenter (Långbrogatan 1-3, FIN-67100 Karleby)
cancer.sxw Förstudie 04-01-27 version 1.2 5/16<br />
Cancercellens kärna har också beskrivits som ett kromosomalt kaos med hög kärn/plasma-kvot,<br />
samt en hyperkromatisk kärna med stora nukleoler. Cancerceller kan tex ha dubbla antalet<br />
kromosomer och flera kärnor och i övrigt kännetecknas av pleomorfism. Peter H Duesberg<br />
förespråkar en teori som tar fasta på kromosomavvikelserna (aneuplodi) som grundorsaken till<br />
cancer istället för genmutationer och som skulle ge cancercellen övertaget gentemot normala celler.<br />
Om denna teori stämmer så innebär det att kurativa åtgärder (såsom kirurgi och strålbehandling) kan<br />
baseras på kromosomanalys (som komplement till morfologisk analys). Kromosomanalys av<br />
enskilda celler används faktiskt för att tex bedömma cancerns malignitet. Mansury & Deisboeck<br />
(2004) ställer i utsikt en modell vars parametrar kan kalibreras ”on real gene-expression profiling<br />
data from biopsy specimen to eventually predict macroscopic tumor growth dynamics more<br />
accurately by adding molecular data to structural information”.<br />
Matematiska modeller - exempel<br />
Sedan 70-talet har man försökt med hjälp av matematiska modeller undersöka tumörernas tillväxt,<br />
även om de tidigaste ansatserna går tillbaka på Hill (1928). De klassiska metoderna har varit ganska<br />
begränsade eftersom man hamnat att göra drastiska förenklingar för att erhålla analytiskt trakterbara<br />
modeller. Nyare metoder som baseras på numeriska datorberäkningar har inte samma begränsningar.<br />
I det följande gör vi några axplock bland varierande sorts modeller.<br />
DNA<br />
c<br />
k g<br />
d<br />
S<br />
m<br />
P53-dynamik. Efter Tiana et al. 2002.<br />
En typ av modeller koncentrerar sig på gendynamiken och reaktionskinetik. Tex G Tiana, M H<br />
Jensen och K Sneppen (2002) har uppställt en schematisk modell för hur Tp53-genen samverkar<br />
med en gen mdm2 vid induceringen av apoptosen (se bilden ovan). Deras analys visar att kritiska<br />
parametrar är fördröjningen (som beror på att RNA-transkriptionen tar tid), samt attraktionen<br />
mellan p53-protein och mdm2-protein; en större attraktion visades befrämja apoptos i motsats till<br />
tidigare antaganden vii .<br />
Ansatser som utgår från cellernas ”spelregler” kan formuleras matematiskt tex i sk LISA-modeller<br />
(local interaction simulation approach). Med dylika modeller kan man studera hur cancern övergår<br />
(”fastransformation”) från latent stadium till metastaserande stadium eller omvänt, och hur detta<br />
beror av medicindoserna och immunsystemet, samt tex hur pass kritisk roll angiogenesen har för<br />
tillväxten (Delsanto et al. 2000; Scalerandi and Peggion (2002)). Modellerna baserar sig alltså på<br />
2D- eller 3D-gitter där varje punkt upptas av så och så många celler som antingen är cancerceller,<br />
F Borg (borgbros@netti.fi) Chydenius-Institutet, Karleby Universitetscenter (Långbrogatan 1-3, FIN-67100 Karleby)<br />
p<br />
k<br />
b<br />
a<br />
k<br />
pm<br />
a
cancer.sxw Förstudie 04-01-27 version 1.2 6/16<br />
nekrotiska celler (döda), friska celler eller någon annan typ av celler. Det handlar inte alltså om<br />
någon geometrisk modell av tumörer. Sedan faställer man tillgång på näring, hur effektivt de olika<br />
cellerna upptar näring (bindning) och hur snabbt de konsumerar den; förekomst av celldöd (apoptos,<br />
tillexempel pga näringsbrist då bundet järn faller under en viss tröskelnivå; järn är bla nödvändig för<br />
DNA-tillverkning och därmed celldelningen), celldelning (mitos), samt migration/diffusion av<br />
celler (som söker sig till ”grönare betesmarker”). Formulering av cellernas ”spelregler” leder till ett<br />
system av iterationsekvationer som uppdateras för varje tidssteg (Scalerandi et al. 1999). Tex antalet<br />
cancerceller c vid en nod i uppfyller en iterationsekvation av typen (i det enkla fallet med ett enda<br />
näringsämne såsom järn)<br />
ci ,t1=ci ,t1 – r ci ,tQ D – qi ,tr qi ,t−ci ,tQ M <br />
Här betecknar Q Heavisides trappfunktion, q är näringsmängden per cell, QD törskelvärde för<br />
näringskoncentrationen under vars nivå cellen dör; överskrider q tröskelvärdet QM så kan cellen<br />
däremot dela sig. Talen r och r´ är slumptal mellan 0 och 1 som uppdateras vid varje tidssteg.<br />
Tillkommer ett antal andra ekvationer som beskriver diffusion och näringskoncentrationen.<br />
Simuleringar av systemet (300 300 gitter) visar att näringstillförseln definierar en kritisk<br />
parameter; vid vissa tröskevärden övergår systemet från latent stadium till obegränsad tillväxt.<br />
Dylika tröskelvärden påverkas i sin tur av hur effektivt cancercellerna kan binda näringsämnen; en<br />
faktor som kan influeras med mediciner som tex antikroppar mot transferrinreceptorer och vars<br />
effekt därför kan simuleras mha modellen. Ferreira et al. (2002) presenterar en hybridmodell för<br />
prevaskulär tillväxt inte helt olik Sclerandi et aliis (1999) modell, men där diffusionen av<br />
näringsämnena beskrivs av differentialekvationer istället för differensekvationer.<br />
I Ferreira-modellen har vi tre typer av celler: normala (n), cancerceller (c) och döda celler (d).<br />
Medan varje gitterpunkt kan upptas av högst en d- eller n-cell, så finns det inga begränsningar för cceller<br />
(sc(x) = 0, 1, 2, ....). Två slags näringsämnen antas vara förhanden, ett essentiellt ämne N som<br />
behövs för cancercelldelning (bygga upp DNA-kopior), samt ett ämne M för cellernas basala<br />
metabolism. Diffusionsekvationen för N skrivs tex<br />
∂ N x ,t<br />
=D ∇<br />
∂ t<br />
2 N x ,t− N x ,t n x ,t− N N x ,t c x ,t<br />
Andra termen i högra ledet beskriver de normala cellernas upptagning av N, medan den sista termen<br />
beskriver cancercellernas konsumtion av N, faktorn lN anger hur mycket ”hungrigare” cancercellerna<br />
är jämförda med de normala cellerna. Motsvarande ekvation uppställs för M. Sannolikheten för<br />
c-celldelning ges av en Gaussisk funktion<br />
2<br />
N<br />
P div x=1 – exp− c div <br />
Alltså, desto mer N-näring per c-cell desto större sannolikhet för mitos (qdiv är justerbara parameter).<br />
Celldelning i en punkt x betyder att<br />
c x c x1<br />
F Borg (borgbros@netti.fi) Chydenius-Institutet, Karleby Universitetscenter (Långbrogatan 1-3, FIN-67100 Karleby)
cancer.sxw Förstudie 04-01-27 version 1.2 7/16<br />
Motsvarande uttryck uppställs för sannolikhet för celldöd och migration av c-celler till<br />
grannpunkter. Vid simulering använde författarna en 500 500 gitter med en kapillär längs y-axeln<br />
(x = 0) som genererar näring N och M med konstant hastighet. En c-cell placeras som ett ”frö”på<br />
300-punkters avstånd från kapillären. Periodiska gränsvillkor används för ovan- och underkanten,<br />
medan Neumann-gränsvillkor tillämpas (vsiavis N och M) sidledes. Om man vid tiden t har NC(t)<br />
stycken c-celler så väljer man för nästa tids-steg värdet Dt = 1/NC(t) samt väljer NC(t) stycken cceller<br />
slumpmässigt och genomför mitos/död/migration enligt specifierade sannolikheter, varefter<br />
N- och M-värdena uppdateras genom att lösa diffusionsekvationerna (relaxerade) i en 20 20punkters<br />
omgivning centrerad på den uppdaterade gitterpunkten. En intressant omständighet är att<br />
denna 2D-modell förefaller kunna reproducera Gompertz-tillväxkurvan (se not v). Emellertid verkar<br />
modellen inte kunna beskriva cellmigrationen varför författarna modifierade modellen genom att<br />
införa en tillväxtfaktor GF (som utsöndras av c-cellerna) vid sidan av näringsämnena N och M.<br />
Sannolikheten för en migration x y får i modellen formen<br />
N xG xG y−G x<br />
P mov x , y=1 – exp <br />
mov<br />
förutsatt att G(x) G(y); dvs, migration sker i riktningen minskande GF-koncentration. Dylika<br />
modeller är självfallet i hög grad schematiska men tanken är att de möjligen kan beskriva en sorts<br />
”effektiv” form av cancerdynamiken som kan härledas genom en mer detaljerad teori; nämligen,<br />
dylika modellexempel inger förhoppningar om att sådana detaljerade härledningar faktiskt kan ha<br />
utsikter att lyckas.<br />
Det finns självfallet en mängd andra typer av diskreta modeller eller hybridvarianter. Tex Turner<br />
och Sherratt (2002) använder en variation av Potts-modellen (de bygger vidare på Stott et al. 1999),<br />
som är bekant från fysiken, för att modellera en invasion av cancerceller. En Hamilton-funktion<br />
beskriver interaktionen mellan gitterpunkter som tillhör olika celler, eller den extracellulära<br />
matrisen (ECM), och en Metropolis-typ Monte Carlo (MMC) algoritm används för att nå en<br />
minimi-energi-konfiguration för systemet. Hamilton-funktionen skrivs som<br />
H =∑∑ i , j k ,l<br />
J i , j , k ,l 1 − i , j , k ,l∑ <br />
v −V T 2<br />
där sij = skl om gitterpunkterna (i, j) och (k, l) tillhör samma cell och t(sij) = t(skl) ifall<br />
gitterpunkterna tillhör celler av samma typ (normal, cancer). Den sista termen beskriver ”elastisk<br />
energi” som beror på skillnaden mellan cellens normala ej-deformerade (target area) volym VT och<br />
dess deformerade volym (från Stott et al. 1999 som studerade 3D-fallet). För att beskriva<br />
cellmigrationen antas området till en början ha en likformig fördelning av extracellulära matris<br />
(ECM) proteiner. Vid varje iteration låter man minska ECM-koncentrationen fij i punkten (i, j)<br />
enligt<br />
f ijt1= f ijte −k<br />
ifall punkten gränsar till en cell (k = kn) eller befinner sig i en cell (k = ki > kn > 0) (detta beskriver<br />
den proteolytiska nedbrytande aktiviteten hos invaderande celler viii ) och som i annat fall lämnas<br />
oförändrad. Ändringen av energin vid iterationen/uppdateringen (i, j) (k, l) får en (haptotaxisk)<br />
F Borg (borgbros@netti.fi) Chydenius-Institutet, Karleby Universitetscenter (Långbrogatan 1-3, FIN-67100 Karleby)
cancer.sxw Förstudie 04-01-27 version 1.2 8/16<br />
tilläggsterm<br />
H i , j=k H f k ,l− f i , j<br />
som ger upphov till migration (via haptotaxis) längs EMC-gradienten. Simuleringar (200 200<br />
gitter) startade med 10 celler i övre kanten med volymerna (VT) av 20 punkter, samt en likformig<br />
EMC-fördelning. Gränsvillkor är noll-flöde vid ovankanten och nedre kanten, samt periodiskt<br />
gränsvillkor sidledes. Vid simuleringen studerar man hur cellerna tränger in i EMC-regionen och<br />
invasionens beroende på de olika kopplingstermernas relativa storlek; tex, kopplingskonstanten Jc-<br />
ECM som kvantifierar adhesionen mellan cell och ECM, eller kopplingskonstanten Jc-c för cell-cell<br />
adhesion. Invasionens penetreringssdjup motsvarar den kliniska parametern Breslow-djupet som vid<br />
melanom (hudcancer) beskriver hur långt cancern penetrerat (mm) i dermis (läderhuden) och som<br />
ger ett mått på sannolikheten för metastasering. Ett resultat av modellen är att cell-ECM adhesionen<br />
spelar en större roll än styrkan hos cell-cell adhesionen (i motsatts till vad tycks ha varit den<br />
allmänna uppfattningen). Författarna understryker att deras modell kan analysera cellrörelsen<br />
inklusive dess stokastiska komponenter (Brownsk rörelse) till skillnad från många konkurrerande<br />
modeller. (Emellertid, modeller som inkluderar diffusion beaktar ju därmed också indirekt Brownsk<br />
rörelse av vilken diffusionen är ett uttryck.) Senast i detta skede kan man undra över att en helt<br />
statistisk teori som söker minimienergikonfigurationer antas beskriva tidsutvecklingen hos det<br />
dynamiska systemet (som ju skulle fodra en integrering av Hamilton-ekvationerna). Idén med<br />
MMC-algoritmen (för en introduktion se tex Thijssen 1999 kap. 10) är att konstruera en Markovkedja<br />
... xn, xn+1, .... av konfigurationer x vilken asymptotiskt närmar sig Boltzmann-fördelningen,<br />
H x<br />
−<br />
k T<br />
x∝e<br />
Således, MMC-simuleringen visar inte tidsutvecklingen, utan genererar en Boltzmann-fördelad<br />
räcka mha vilken man kan beräkna diverse stationära medelvärden (såsom magnetisering i<br />
magnetismmodellerna). Det är möjligt att ett ”realistiskt” val av uppdateringsreglerna kan få MMCsimuleringen<br />
att också approximera en tidsutveckling, men detta varken diskuteras eller ännu<br />
mindre visas i de citerade arbetena. Vad modellerna kan visa är exv hur invasionsgraden beror av<br />
parametervalen; resultaten borde alltså avbildas som tex graden av invasion vs parametervalen i<br />
analogi med magnetiseringsmodellerna där magnetiseringen (M) avbildas som en funktion av yttre<br />
fältet H (en kontrollvariabel) eller temperaturen T. Utvecklingen under MMC-simuleringen har<br />
slående likheter med experimentella tillväxtkurvor, såsom demonstreras av Stott et al. (1999), varför<br />
de vore av intresse att studera ifall MMC-simulering under vissa förhållanden teoretiskt faktiskt kan<br />
bevisas efterlikna en tidsutveckling.<br />
Andersen och Mackey (2001) beskriver en modell för cellcykeln med avsikt att optimera kemoterpi<br />
genom sk ”kronoterapi”; dvs, medicineringen ges enligt ett speciellt tidschema för att attackera<br />
cancercellerna då de är som mest sårbara (”resonans”): ”Given a cell population in which all cells<br />
divide at the same age, a single dose of chemotherapy kills cells in a specific age range. These cells<br />
will not produce any daughter cells and if the next dose is administered where these daughter cells<br />
would have been suspectible to chemotherapy, a minimal kill is observed”. En alarmerande slutsats<br />
i deras artikel är att för alla de traditionella kemoterapier de studerat ”the protocols are more<br />
destructive to the normal cell population than they are to the leukemic population”. Modellen är av<br />
typ populationsmodell och utgår från cellcykelns stadier (se exv Keener & Sneyd 1998: kap. 13):<br />
F Borg (borgbros@netti.fi) Chydenius-Institutet, Karleby Universitetscenter (Långbrogatan 1-3, FIN-67100 Karleby)
cancer.sxw Förstudie 04-01-27 version 1.2 9/16<br />
● G0 (vila)<br />
● G1 (duplicerar cellorganeller)<br />
● S (DNA-duplicering)<br />
● G2 (proteinsyntes)<br />
● M (mitos, celldelning)<br />
Med N (”nonproliferating”) betecknar vi antalet celler i stadierna G0 + G1 medan P (”proliferating”)<br />
betecknar antalet celler i stadierna S + G2 + M . Tillväxtekvationerna skrivs då som<br />
med<br />
˙N =− N − N N 2 e − N N <br />
˙P=− P N N −e − N N <br />
n<br />
N =0 n N n och N t=N t− .<br />
I högra ledet av N-ekvationen anger första termen bortfall av celler i N-fasen, följande term anger<br />
utflödet pga av att celler övergår i P-fasen, medan sista termen anger tillströmningen pga<br />
celldelning (ger faktorn 2) där en tidsfördröjning t har beaktats (tiden för P-fasen). Uttrycket för<br />
reaktionshastigheten b(N) kallas för Hills ekvation och används inom enzymkinetiken; n är en<br />
exponent (författarna använder n = 3) som beskriver graden av kooperativitet (Keener & Sneyd<br />
1998: s. 13). Effekten av cytostatikadoser som dödar celler i P-fasen kan beskrivas genom en<br />
tidsberoende g-faktor, g = g0 + gc(t), varvid exponent-termerna i ekvationerna ersätts av<br />
exp− t<br />
0 – ∫ cudu t−<br />
som anger bortfallet av celler under P-fasen. Ifall cytostatika påverkar cellerna endast i vissa<br />
delfaser såsom S eller M, ersätts P-ekvationen med en ekvation för S och en ekvation för M, enligt<br />
samma modell. Efter extraktion av parametervärden från empirisk data (skilda värden för normala<br />
och maligna celler), och av formerna för gc(t) för olika cytostatika (Ara-C, Idarubicin,<br />
Daunorubicin, osv), är det sedan möjligt att simulera olika doseringsregimer. Tex om medicin ges<br />
med en viss tidsintervall TP kan man avbilda tillväxthastigheterna för normala och maligna celler<br />
som funktion av tidsintervallet TP. En viktig slutsats enligt författarna jämfört med tidigare studier<br />
är att deras modell, användande realistiska parametrar, inte visar inte på något optimalt doseringsschema.<br />
Problemet är att maligna celler påverkas mindre av cytostatika än normala celler (gkoefficienten<br />
för maligna celler borde vara ca dubbelt större än för nomala celler innan man kan nå<br />
ett stationärt tillstånd utan cancerceller). När den normala cellpopulationen minskar ökar de<br />
rekryteringen - till skillnad från de maligna cellerna - från vilofasen G0 till P-fasen vilket utsätter<br />
dem för cellgifterna. Eftersom kombinationsbehandlingar i praktiken verkar ha bäst effekt vore det<br />
viktigt att utvidga modellen för att ta kombinationseffekter med i beräkningen. Författarna påpekar<br />
att deras modell tillsvidare ej heller innefattar växelverkan mellan cellerna. Erren et aliis (2003)<br />
undersökning antyder fö på annan sorts koppling mellan periodicitet och cancer som anknyter till<br />
”biorytmer”. De har introducerat begreppet ”chronodisruption” som syftar på en störning av den<br />
naturliga dygnsrytmen där ljuset (och dess frånvaro) som kontrollfaktor har en väsentlig roll.<br />
F Borg (borgbros@netti.fi) Chydenius-Institutet, Karleby Universitetscenter (Långbrogatan 1-3, FIN-67100 Karleby)
cancer.sxw Förstudie 04-01-27 version 1.2 10/16<br />
Kopplingen till cancer är bla via hormonet melatonin (utsöndras av tallkottkörteln) som har visats<br />
ha onkostatiska egenskaper och förmodas motverka cancer bla genom att skydda mot DNA-skador.<br />
Normalt stiger nivån av melatonin i mörker men tex användningen av artificiella ljuskällor (eller<br />
arbeten i nattskifte) kanske sätter denna dynamik delvis ur spel.<br />
Som ett sista exempel kan vi nämna en fenomenologisk modell baserad på ”inversa metoder”<br />
(Gatenby et al. 2002). I det enklaste fallet betraktar vi två cellpopulationer: N (normala) och T<br />
(tumörceller), vars utveckling antas beskrivas av Lotka-Volterra-ekvationer (som kan enkelt<br />
generaliseras för att omfatta flera celltyper),<br />
∂ N<br />
∂t =r N N<br />
∂T<br />
∂t =r T T<br />
1 −N<br />
K N<br />
1 −T<br />
K T<br />
– b NT T<br />
K N <br />
– b TN N<br />
K T <br />
D N ∇ 2 N<br />
D T ∇ 2 T<br />
Vi har alltså logistiska tillväxtfunktioner (vilket gör ekvationerna nästan identiska med Fisherekvationen<br />
för genselektion), N-T-växelverkan (konkurrens) samt diffusion (invasion) av cellerna.<br />
Denna modell antas kunna beskriva tex den typiska vågutbredningen (”travelling waves”) av<br />
invaderande celler. Den stationära lösningen N = KN och T = 0 motsvarar det önskvärda fallet med<br />
enbart normala celler. Frågan är i vilken mån terapier kan modifiera parametervärdena uttryckta i<br />
modellen så att systemet når denna tumörfria lösning samtidigt som lösningen är globalt stabil.<br />
Kravena är att (följer via linearisering)<br />
bTN K N<br />
1 (konvergens)<br />
K T<br />
bNT K T<br />
1 (global stabilitet)<br />
K N<br />
Ifall dessa två villkor är satsifierade så är det omvänt de normala cellerna som ”invaderar”<br />
tumörerna (ersätter dem) med en utbredningshastighet (se exv Britton 2003: §5.6)<br />
c N T≥2 r N D N 1 − b NT K T<br />
K N <br />
Enligt denna modell är det signifikanta inte att minska tumörtillväxthastigheten (rT) utan att minska<br />
tumörens tillväxtkapacitet KT (tex genom att hindra vaskulariseringen), samt minska bNT (tex minska<br />
tumörens förmåga att avge proteaser eller åstadkomma försurning genom jäsning) och öka bTN<br />
(förstärka immunresponsen). Författarna menar att trots modellen är ganska grov understryker den<br />
det faktum att tumörer inte kan eradikeras genom cellgiftbehandling enbart (eftersom detta fodrar att<br />
man når 100% effekt, T = 0, annars förblir dT/dt > 0) utan det behövs en ändring i dynamiken<br />
(parametervärdena); dvs, en kombinationsbehandling så att vi når området med en stabil T = 0<br />
lösning.<br />
F Borg (borgbros@netti.fi) Chydenius-Institutet, Karleby Universitetscenter (Långbrogatan 1-3, FIN-67100 Karleby)
cancer.sxw Förstudie 04-01-27 version 1.2 11/16<br />
Diskussion<br />
Allmänt kan sägas att analytiska modeller kan ge generella resultat om tex kritiska parametervärden,<br />
å andra sidan har numeriska modeller såsom cellulära automater fördelen att det är tämligen enkelt<br />
att infoga nya mekanismer i modellen. Med hybridvarianter kan det vara möjligt att kombinera<br />
fördelarna hos dem båda. En central målsättning för cancerdynamiska modeller är att kunna infoga<br />
element i modellerna som ger en realistisk beskrivning av processer och element som innefattar<br />
angiogenes, vaskularisering, haptotaxis, kemotaxis, adhesion, proteolys, försurning, apoptos,<br />
mekaniskt tryck (kan tex leda till vaskulär kollaps, eller stimulerar angiogenes), metabolisering,<br />
cellcykel, tillväxtfaktorer (growth factors, GF), oxidativ stress och kontaktinhibitation, för att<br />
nämna några av de mest centrala faktorerna. Kunde man med modellers hjälp exempelvis få en<br />
fingervisning om det går att selektivt ”svälta” ut cancern? (Det finns tex rön som visar att<br />
cancerceller är mer beroende av aminosyran glutamin än normala celler, varför en tanke har varit att<br />
minska på glutaminintaget i kombination med dosering av ett glutaminas för att sålunda svälta<br />
cancercellerna. Den sk TRIB-behandlingen baseras på denna idé (se Arstila 1999).)<br />
Goda modeller kan på sikt vara till hjälp när det gäller att optimera scheman för cytostatikabehandling<br />
och uppläggningen av kombinationsbehandlingar som också inkluderar immunterapi, sk<br />
biologisk behandling och ”mjuka metoder”. Det är också möjligt att dynamiska modeller kan<br />
komma att kasta ljus över orsakerna till cancer, om vilka faktorer eller kombinationer av faktorer<br />
som är avgörande för dess uppkomst. Även om varje cancerfall är unikt är det ändå sannolikt att det<br />
endast är ett begränsat antal faktorer, som det gäller att lista ut och i mån av möjlighet åtgärda, vilka<br />
är utslagsgivande för dess utveckling.<br />
Litteratur och noter<br />
Matematiker och fysiker som intresserar sig för bio-matematik/fysik hamnar att bekanta sig med<br />
”medi/bio-lingo” som underlättas av att latin/grekiska nyttjas som internationellt terminologiskt<br />
grundval. En rekommendabel svensk medicinsk ordbok är Bengt I Lindeskogs Medicinsk Terminologi<br />
(Nordiska Bokhandelns Förlag 1996), och dess ficklexikonvariant Medicinsk Miniordbok (5.<br />
uppl. 1999). En finsk medicinsk ordbok, också med svensk ordlista, är W Nienstedt (red): Lääketieteen<br />
Termit (4. uppl. Duodecim 2002).<br />
1. Adam J A & Bellomo N (eds): A Survey of Models for Tumor-Immune System Dynamics.<br />
Birkhäuser 1996.<br />
2. Andersen L K & Mackey M C: ”Resonance in periodic chemotherapy: A case study of acute<br />
myelogenous leukemia”. J. of Theoretical Biology 209 (2001) 113-130.<br />
3. Araujo R P & McElwain D L S: ”A history of the study of solid tumour growth: The contribution<br />
of mathematical modelling”. Bulletin of Mathematical Biology. (Article in press 2003.11.002.)<br />
4. Arstila A: Voita Syöpä! Syövän Uudet Hoitomuodot. Malva Oy 1999.<br />
5. Bernards R: ”Cues for migration”. Nature 425 (2003) 247 – 248.<br />
6. Britton N F: Essential Mathematical Biology. Springer 2003. [Kap. 8 behandlar kort ”Tumour<br />
modelling” på basen av diffusionsekvationer.]<br />
7. Cancer Modelling and Simulation Network (inom ”EU Fifth Framework”):<br />
http://calvino.polito.it/ ~biomat/RTN.html . På sajten hittas gruppens online publikationer. En<br />
färsk bok som ansluter sig till dessa är Perziosi (2003).<br />
8. Daune M: Molecular Biophysics. Structure in Motion. Oxford University Press 1999.<br />
F Borg (borgbros@netti.fi) Chydenius-Institutet, Karleby Universitetscenter (Långbrogatan 1-3, FIN-67100 Karleby)
cancer.sxw Förstudie 04-01-27 version 1.2 12/16<br />
9. Delsanto P P et al.: ”Analysis of a 'phase transition' from tumor growth to latency”. Physical<br />
Review E Vol. 62 No. 2 (2000) 2547 – 2554.<br />
10.Erren T C, Relter R J & Piekarski C: ”Light, timing of biological rythms, and chronodisruption<br />
in man”. Naturwissenschaften 90 (2003) 485 – 494.<br />
11.Ferreira S C, Martins M L and Vilela M J: ”Reaction-diffusion model for the growth of avascular<br />
tumor”. Physical Review E 65 (2002) 021907.<br />
12.Gatenby R A, Maini P K & Gawlinski E T: ”Analysis of tumour as an inverse problem provides<br />
a novel theoretical framework for understanding tumour biology and therapy”. Applied<br />
Mathematics Letters 15 (2002) 339-345.<br />
13.Gibbs W W: ”Untangling the roots of cancer”. Scientific American, July 2003. (Tillgänlig på<br />
webbadressen www.sciam.com); ”The unseen genome: Gems among the junk”. Sci. Am.,<br />
November 2003; ”The unseen genome: Beyond DNA”. Sci. Am., December 2003.<br />
14.Harris H: ”Putting on the brakes”. Nature 427 (2004) 201.<br />
15.Hill A V: ”The diffusion of oxygen and lactic acid through tissues”. R. Soc. Proc. B 104 (1928)<br />
39-96.<br />
16.Joensuu H, Roberts P J & Teppo L (eds): Syöpätaudit. Duodecim 1992. (Ny uppl. 2003).<br />
17.Keener J & Sneyd J: Mathematical Physiology. Springer 1998.<br />
18.Kimmel M, Swierniak A & PolanskiA: ”Infinite-dimensional model of evolution of drug<br />
resistance of cancer cells”. J. of Mathematical Systems, Estimation, and Control 8, 1 (1998) 1 –<br />
16.<br />
19.Lane N: ”A unifying view of aging and disease: the double-agent theory”. J. of Theoretical<br />
Biology 225 (2003a) 531 – 540.<br />
20.Lane N: Oxygen. The Molecule That Made the World. Oxford University Press 2003b.<br />
21.Mansury Y & Deisboeck T S: ”Simulating 'structure-function' patterns of malignant brain<br />
tumors.” Physica A 331 (2004) 219 – 232.<br />
22.Mentlein R & Held-Feindt J: ”Angiogenesis factors in gliomas: a new key to tumour therapy”.<br />
Naturwissenschaften 90 (2003) 385- 394.<br />
23.Olsson H: Tumörsjukdomar. Studentlitteratur 1996. (I anslutning till boken finns också<br />
Tumörsjukdomar CD-Rom. Bilder med praktikfall. Studentlitteratur 1998.)<br />
24.Perumpanani A J & Norbury J: ”Numerical interactions of random and directed motility during<br />
cancer invasion”. Mathematical and Computer Modelling 30 (1999) 123 – 133.<br />
25.Perumpanani A J et al.: ”A two parameter family of travelling waves with a singular barrier<br />
arising from the modelling of extracellular matrix mediated cellular invasion”. Physica D 126<br />
(1999) 145 -159.<br />
26.Preziosi L: Cancer Modelling and Simulation. CRC Press/Chapman 2003.<br />
27.Rotschild B M et al.: ”Epidemiologic study of tumors in dinosaurs”. Naturwissenschaften 90<br />
(2003) 495 – 500.<br />
28.Scalerandi M & Peggion F: ”Properties of a 'phase transition' induced by antiangiogenetic<br />
therapeutical protocols”. Physical Review E 66, 031903 (2002).<br />
29.Scalerandi M et al.: ”Avascular and vascular phases in tumor cords growth”. Mathematical and<br />
Computer Modelling 37 (2003) 1191 - 1200.<br />
30.Scalerandi M et al.: ”Nutrient competition as a determinant for cancer growth”. Physical Review<br />
E Vol. 59 No. 2 (1999) 2206-2217.<br />
31.Staller P et al.: ”Chemokine receptor CXCR4 downregulated by von Hippel-Lindau tumour<br />
suppressor pVHL”. Nature 425 (2003) 307 – 311.<br />
32.Stott E L, Britton N F, Glazier J A & Zajac M: ”Stochastic simulation of benign avascular<br />
tumour growth using the Potts model”. Mathematical and Computer Modelling 30 (1999) 183<br />
-198.<br />
33.Swierniak A et al.: ”Modelling growth of drug resistant cancer populations as the system with<br />
F Borg (borgbros@netti.fi) Chydenius-Institutet, Karleby Universitetscenter (Långbrogatan 1-3, FIN-67100 Karleby)
cancer.sxw Förstudie 04-01-27 version 1.2 13/16<br />
positive feedback”. Mathematical and Computer Modelling 37 (2003) 1245 – 1252.<br />
34.Taiz L & Zeiger E: Plant Physiology. 3. ed. Sinauer Associates 2002.<br />
35.Thijssen J M: Computational Physics. Cambridge University Press 1999.<br />
36.Tiana G, Jensen M H & Sneppen K: ”Time delay as a key to apoptosis induction in the p53<br />
network”. Cond-mat/0207236 (9 Jul 2002).<br />
37.Turner S & Sherratt J A: ”Intercellular adhesion and cancer invasion: A discrete simulation using<br />
the extended Potts modell”. J. Theoretical Biology 216 (2002) 85 – 100.<br />
38.Warburg O: The Metabolism of Tumors. Constable Press 1930.<br />
39.Whelden T H: Mathematical Models in Cancer Research. Hilger 1988.<br />
40.von Eschenbach A C: The Nation's Investment in Cancer. A Plan and Budget Proposal for<br />
Fiscal Year 2005. (Prepared by the Director of National Cancer Institute.) US Department of<br />
Health and Human Services, National Institute of Health 2003.<br />
( http://www.nci.nih.gov/pdf/nci_2005_plan )<br />
F Borg (borgbros@netti.fi) Chydenius-Institutet, Karleby Universitetscenter (Långbrogatan 1-3, FIN-67100 Karleby)
i) Se http://www.mote.org/~rhueter/sharks/cancer.phtml (Sharks and cancer, Mote Marine<br />
Laboratory). Bland orsaker till hajars goda förmåga att mota cancer antas vara deras extremt<br />
effektiva immunsystem. Hos däggdjuren produceras ”renhållningscellerna”, lymfocyterna, i<br />
benmärgen med en viss fördröjning. Hajen saknar skelettben, istället mognar immuncellerna direkt i<br />
blodet. Hajen har en enda sorts immunoglobintyp (IgM), mot människans fem Ig-klasser, men som<br />
finns i en desto högre koncentration i blodet. ”In sharks, the immune cells are produced in the<br />
spleen, thymus, and in unique tissues associated with the gonads and esophagus. Our studies at<br />
MOTE in collaboration with researchers at Clemson University have determined that a significant<br />
number of immune cells in these animals actually replicate (divide and mature) as they circulate in<br />
the bloodstream. Immune cells already in the shark's blood may be available to respond without a<br />
lag period, resulting in a more efficient immune response” (Carl Luer citerad i National Geographic<br />
News August 20, 2003, http://news.nationalgeographic.com/news/). En utmaning för dem som<br />
sysslar med modellering av cancerdynamik.<br />
I en intressant studie (Rotschild et al. 2003) av ca 10000 fossila dinosaurieben från 700 individer<br />
mha fluoroskopi fann man tecken på tumörer (hemangiom, blodkärlssvulst) endast hos familjen<br />
Hadrosaurie (anknäbbsdinosaurier). I endast ett fall (Edmontosaurus) påträffades tecken på malign<br />
tumör. Någon accepterad förklaring till varför just hadrosaurierna hade en viss mottaglighet för<br />
tumörer har man inte men deras diet innehöll tex tallbarr som man vet kan vara karcinogen. En<br />
annan idé sammanhänger med rönen är att hadrosaurierna hade en något annorlunda fysiologi (var<br />
endoterma). För en populär rapport om ”dinocancer”-studien se<br />
http://dsc.discovery.com/news/briefs/20031020/ dinocancer.html .<br />
Hajar är trots allt inte absolut immuna mot cancer; ett 40-tal fall av cancer hos hajar har rapporterats<br />
(”Sharks do get cancer”, Science 14 April 2000: 259). Hajens brosk förefaller också producera<br />
ämnen som motverkar vaskularisering kring cancerceller. Boken Lane & Comac: Sharks Don't Get<br />
Cancer (Penguin 1992) har antagligen haft sin andel att popularisera föreställningen om hajarnas<br />
motståndskraft mot cancer. Boken har bla kritiserats för att vara ett reklamploj för (overksamt?)<br />
hajextrakt som författarna säljer (Benefin se http://www.lanelabs.com/ Products/<br />
BeneFin/index.htm ), samt att den bidrar till onödig jakt på hajar. Renny Harlins ”monsterfilm”<br />
Deep Sea Blue (1999) kan också ha medverkat till uppmärksamheten kring temat hajar och cancer.<br />
Händelserna i filmen tilldrar sig på en forskningsstation ute till havs där man försöker extrahera<br />
cancermedicin från genmodifierade hajar.<br />
ii) Gibbs (2003 julinumret) innehåller översikt av cancerforskningen. Läsvärda är också Gibbs'<br />
artiklar (2003 Nov. och Dec.) som berättar om en sorts pågående ”revolution” inom biologin;<br />
nämligen, man inser alltmer att generna endast omfattar en del (kanske 50 %) av ”informationen”<br />
som finns i DNA. Sedan länge har det varit känt att generna endast utgör en bråkdel av DNA<br />
(kanske 2%), resterande delar (introner) har avfärdats som ”skräp” (junk DNA). Enligt<br />
standardteorin styrs cellens liv av generna som via transkription alstrar proteiner vilka reglerar<br />
cellprocesserna. (Generna kan indentifieras i DNA genom att de avgränsas av specilla stopp/start<br />
sekvenser.) Emellertid har en ny bild börjat framträda: en stor del av DNA agerar inte genom att<br />
koda proteiner utan genom RNA (man talar därför om ”RNA-gener”) som i sin tur tex kan reglera<br />
geners aktivitet bla via sk antisense RNA, riboswitchar och mikroRNA. Därtill framkommer alltfler<br />
reglermekanismer som inte har sin grund i DNA utan i kromosomstrukterna utanför DNA<br />
(epigenetiska faktorer). I inaktivt läge är DNA hoppackad genom att vara tvinnad kring<br />
histonproteiner. Det finns troligen en ”histonkod” som också reglerar genernas aktivitet (kan<br />
inhibera eller amplifierar närliggande gener). Ifall acetyl binds till något ställe på histonen verkar<br />
denna öppna motsvarande DNA-sektion för transkribering. Metylisering av DNA är å andra sidan<br />
en mekanism som inhiberar gener. Vi finner alltså att kromosomerna agerar åtminstone på tre<br />
nivåer: gener, RNA-gener, och epigenetiska faktorer. De två senare nivåerna förmodas också ha en<br />
stor relevans för cancer. (De förklarar också en del av svårigheterna med kloning: det räcker<br />
nämligen inte med att överföra intakt DNA för att åstadkomma en livsduglig individ. Lane (2003b)
påpekar vidare att vid kloning överförs i regel gamla nedslitna mitokondrier vilket innebär att den<br />
klonande individen sannolikt åldras i förtid.) Bristande metylisering av DNA förmodas kunna<br />
initiera cancer, men problemet kompliceras genom att ”goda” gener såsom suppressorgener är<br />
istället metyliserade. Således, en tanke är att använda en medicin som demetyliserar generna i<br />
förhoppningen om att suppressorgenernas positiva effekter dominerar. En hoppfull aspekt i<br />
sammanhanget är, att i den mån cancer beror av extragenetiska faktorer, desto större möjligheter<br />
finns det att ingripa terapeutiskt eftersom ”felen” då inte är ”hardwired” i DNA-generna. Hur som<br />
helst torde det vara klart att tvärvetenskapliga ansatser med bidrag från fysiker och matematiker<br />
också kan bidra till att reda ut detta komplicerade icke-linjära nätverk av återkopplingsmekanismer.<br />
Viss erfarenhet finns redan av proteiners tertiära strukturer, kondenseringsmekanismer,<br />
konformeringar osv (se tex Daune 1999), men dessa kunskaper måste integreras med en sorts<br />
systemanalys.<br />
iii) En omfattande lista på olika cancerformer hittas exv på Karolinska Institutets webbsida<br />
http://www.mic.ki.se/Diseases/C04.html, liksom National Cancer Institutes websida http://<br />
cancer.gov/cancerinformation . Enligt Arstila (1999) har National Cancer Institute (US) lagt ut ca<br />
300 miljarder (”gamla”) mark under 26 år på cancerforskning. År 1971 tillkom National Cancer Act<br />
och president R Nixon proklamerade att cancer kommer inom fem år att vara en övervunnen<br />
sjukdom. NCI:s budgetförslag och projektplan för 2005 äskar om anlag som totalt uppgår till<br />
$6,211,000,000. Rapportens underrubrik är: ”Our Challenge goal to the Nation: Eliminate the<br />
suffering and death due to cancer by 2015”.<br />
iv) Dieten antas har stor betydelse för cancerincidensen. År 1999 ordnades fö en internationell<br />
konferens i Tammerfors under rubriken ”Diet and prevention of cancer” ledd bla av Herman<br />
Adlercreutz som också leder Folkhälsans forskningsenhet för ”preventiv medicin, nutrition och<br />
cancer”.<br />
v) ”Oncologist Judah Folkman of Harvard University offers a holiday for two in the best hotel in<br />
Miami to any of his research students who can grow a tumour in the laboratory to more than two<br />
millimeters in diameter” (Britton 2003: 237). I den prevaskulära fasen (innan tumören bildar<br />
blodkärl) har tillväxten visats empiriskt tämligen exakt följa Gompertz-ekvationen (N är antalet<br />
tumörceller)<br />
dN<br />
dt<br />
=−b N log N<br />
K .<br />
Intuitivt kanske Bertalanffys modell hade verkat troligare som antar att tillväxten är proportionell<br />
till tumörens yta (N 2/3 ) medan celldödligheten är proportionell till antalet celler (N):<br />
dN<br />
dt<br />
=a N<br />
2<br />
3 −b N .<br />
Britton (2003) anmärker att det verkar saknas en tillfredsställande förklaring till Gompertztillväxten,<br />
men Ferreira et al. (2002) presenterar en tämligen färsk tillväxtmodell vars numeriska<br />
lösningar (300 300 gitter) visas följa Gompertz-kurvan. ”So, the present model reveals that the<br />
Gompertz law of growth for the cancer cell populations and tumor size is a robust emergent feature<br />
of cancer dynamics under nutrient competition” (ibidem). G Gompertz introducerade sin funktion<br />
ursprungligen i aktuariska sammanhang 1825 och den tillämpades på biologisk tillväxt först över<br />
hundra år senare (1832) av C P Winsor.<br />
vi) Staller et aliis (2003) undersökningar antyder att en och samma CXCR4-gen aktiverar både<br />
bildning av nya blodkärl och migration av celler under syrebrist. CXCR4 å sin sida aktiveras av
syrebrist eller mutationer av pVHL-gen. En dylik mutation kan förklara varför vissa cancerfall är<br />
speciellt maligna och metastaserar hastigt. Anti-angiogena terapier kan bli speciellt betydelsefulla<br />
för behandling av hjärntumörer (gliom) som har snabb spridning genom vaskularisering och där<br />
kirurgi eller bestrålning är därför tämligen ineffektiva (Mentlein & Held-Feindt 2003). Patienter<br />
med glioblastoma multiforme (GBM) brukar överleva endast 5 – 12 månader efter<br />
diagnostiseringen.<br />
vii) Bilden visar ett schematiskt diagram (efter Tiana et al. (2002)) för återkopplingsmekanismen<br />
som kontrollerar halten av p53-proteinet i cellen. Kryssen markerar att molekylerna lämnar<br />
systemet. En DNA-skada leder till att p53 inhiberar tillväxten och stänger av cellen. Normalt råder<br />
en dynamisk jämvikt sådan att p53 alstras med en konstant hastighet S; p53 stimulerar expressionen<br />
av genen mdm2 som binds till p53 och stimulerar dess sönderfall. Vid DNA-skada påverkas<br />
bindningen mellan p53 och mdm2 (genom fosforylisering av p53) som leder till ökad koncentration<br />
av p53 i cellen. I modellen förutsätts koncentration pm av p53-mdm2-komplexet vara i jämvikt med<br />
dess konstituenter genom dissociation som leder till ekvationen<br />
(a) p− p mm− p m=k p m<br />
där p betecknar den totala koncentrationen av p53 (p – pm är dess koncentration i fri form), k är<br />
dissociationskonstanten och m koncentrationen av mdm2. Likaså antas sannolikheten q för<br />
bildandet av genkomplexet p53/mdm2 vara i en jämvikt bestämd av dissociationskonstanten kg<br />
enligt:<br />
(b) p – p m1 – q=k g q<br />
Vidare är flödesekvationen för p given genom<br />
(c)<br />
dp<br />
dt =S – b p – a p m<br />
medan man antar att syntesen av mdm2 är proportionell till sannolikheten q (som löses ur (b)) med<br />
en tidsfördröjning t (pga transkriptionen):<br />
(d)<br />
dm<br />
dt =c<br />
pt−− pmt− – d⋅m<br />
k g pt− – pmt− Genom att lösa pm från (a) bildar (c) och (d) ett slutet system som kan studeras tex genom<br />
simulering. Körningar av modellen visar tex att fördröjningen t leder till oscillationer då<br />
dissociationskonstanten k minskar (vilket är detsamma som att bindningen mellan p53 och mdm2<br />
blir starkare). Mera information om p53 (och en online databas på p53-muationer) finns vid<br />
http://www.iarc.fr/p53/ (IARC TP53 Mutation Database), samt http://p53.curie.fr/ vid Institut<br />
Curie.<br />
viii) Av terapeutiskt intresse är naturligt förekommande proteasinhibitatorer (PI) som lär speciellt<br />
förekomma i soja och tomater (Arstila 1999). PI-derivat från soja studeras bla av Ann R Kennedy<br />
(http://www.med.upenn.edu/camb/faculty/cgc/kennedy.html) som på hemsidan också nämner om<br />
deras pågående forskning om grundämnet selens ev skyddande effekt mot bestrålningsskador (teorin<br />
är att selen stimulerar produktion av kinaserna ART och Chk2 som i sin tur utgör länkar i<br />
singalkedjan som reagerar på strålningsinducerade skador hos DNA).