Loading...

Modeling of Cancer Progression by Using Evolutionary Game Theory

Malekian Boroujeni, Negin | 2015

2439 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 47998 (19)
  4. University: Sharif University of Technology
  5. Department: Computer Engineering
  6. Advisor(s): Habibi, Jafar
  7. Abstract:
  8. Mathematical modeling and computer simulation are powerful tools to help cancer research because they provide a good insight of cancer progression and an efficient framework to test biological hypothesis. Most of the previous studies ignored many intracellular communication between tumor cells. Gap junction is one of the interaction ways between tumor cells which plays a crucial role in cancer progression. In the first phase of this thesis, a model of intracellular communication through gap junction using evolutionary game theory scoring is proposed. In the second phase of this thesis, cancer is modeled by Markov decision process (MDP). Given that considering nutrient level constant is one of the main weaknesses of the literature (cancer modeling by using Markov decision process), we solve this problem by modeling nutrient diffusion using a partial differential equation. The variables of this equation are continuous. Thus, a main challenge in the second phase is dealing with the continuous state space in the Markov decision process. We address this challenge by using a function approximation method to create features from the state space. Then, presented models are applied to ductal carcinoma in situ (DCIS), a type of breast cancer, and simulated. The results of the first phase show the role of gap junction communication in reducing cancer progression and the results of the second phase show the potential of multi-agent techniques for cancer modeling. Finally, NASA-STD-7009 is considered as a basis to evaluate our model
  9. Keywords:
  10. Reinforcement Learning ; Multi-Agent Reinforcement Learning ; Markov Decision Making ; Breast Cancer ; Evolutionary Games Theory ; Ductal Carcinoma Insitu (DCIS) ; Cancer Modeling

 Digital Object List

 Bookmark

  • 1 مقدمه
  • 2 مفاهیم پایه زیستی سرطان
    • 2‏.‏1 تعریف سرطان
    • 2‏.‏2 پایه‌های ژنتیکی سرطان
      • 2‏.‏2‏.‏1 ژن‌های تومورزا
      • 2‏.‏2‏.‏2 ژن‌های سرکوب‌گر تومور
    • 2‏.‏3 مشخصه‌های رفتاری سلول‌های سرطانی
      • 2‏.‏3‏.‏1 خودکفایی در سیگنال‌های رشد
      • 2‏.‏3‏.‏2 عدم حساسیت به سیگنال‌های ضدرشد
      • 2‏.‏3‏.‏3 فرار از مرگ برنامه‌ریزی شده
      • 2‏.‏3‏.‏4 قابلیت همانندسازی نامحدود
      • 2‏.‏3‏.‏5 رگ‌زایی مستمر
      • 2‏.‏3‏.‏6 حمله به بافت و متاستاز
      • 2‏.‏3‏.‏7 برنامه‌ریزی مجدد سوخت‌وساز انرژی
      • 2‏.‏3‏.‏8 بی‌ثباتی ژنوم و جهش
      • 2‏.‏3‏.‏9 اجتناب از تخریب ایمنی
      • 2‏.‏3‏.‏10 التهاب ارتقادهنده تومور
    • 2‏.‏4 اختلال در چرخه سلولی و ایجاد سرطان
      • 2‏.‏4‏.‏1 چرخه سلولی
      • 2‏.‏4‏.‏2 چرخه سلولی سلول‌های سرطانی
    • 2‏.‏5 ساختار لایه‌ای تومور
    • 2‏.‏6 سرطان و ارتباطات اتصال باز
    • 2‏.‏7 جمع‌‌بندی
  • 3 پژوهش‌های پیشین مدل‌سازی سرطان
    • 3‏.‏1 دسته‌بندی کلی روش‌های مدل‌سازی سرطان
      • 3‏.‏1‏.‏1 مدل‌سازی پیوسته
      • 3‏.‏1‏.‏2 مدل‌سازی گسسته
      • 3‏.‏1‏.‏3 مدل‌سازی ترکیبی
    • 3‏.‏2 مدل‌سازی سرطان با معادلات دیفرانسیل
      • 3‏.‏2‏.‏1 مدل‌سازی سرطان با معادلات دیفرانسیل معمولی
      • 3‏.‏2‏.‏2 مدل‌سازی سرطان با معادلات دیفرانسیل با مشتقات جزئی
    • 3‏.‏3 مدل‌سازی سرطان با روش عامل‌محور
    • 3‏.‏4 مدل‌سازی سرطان با اتوماتای سلولی
    • 3‏.‏5 نظریه بازی‌های تکاملی
    • 3‏.‏6 مدل‌‌سازی سرطان با روش‌های یادگیری چندعامله
      • 3‏.‏6‏.‏1 سامانه چندعامله
      • 3‏.‏6‏.‏2 ویژگی‌های سامانه‌های چندعامله
      • 3‏.‏6‏.‏3 مدل‌سازی سرطان با روش‌های چندعامله
    • 3‏.‏7 تبیین جایگاه روش پیشنهادی در بین کارهای پیشین
    • 3‏.‏8 جمع‌‌بندی
  • 4 فاز اول: مدل‌سازی ارتباطات بین‌سلولی با نظریه بازی‌های تکاملی
    • 4‏.‏1 مدل‌سازی
      • 4‏.‏1‏.‏1 مدل عامل‌محور
      • 4‏.‏1‏.‏2 مؤلفه امتیازدهی نظریه بازی‌ها
      • 4‏.‏1‏.‏3 ساخت مدل ادغامی
    • 4‏.‏2 جمع‌بندی
  • 5 فاز دوم: مدل‌سازی رفتار سلول‌های سرطانی با روش‌های یادگیری چندعامله
    • 5‏.‏1 مدل‌سازی
      • 5‏.‏1‏.‏1 فضای حالت
      • 5‏.‏1‏.‏2 فضای کنش‌ها
      • 5‏.‏1‏.‏3 تابع انتقال
      • 5‏.‏1‏.‏4 تابع پاداش
    • 5‏.‏2 جمع‌بندی
  • 6 پیاده‌سازی، نتایج و ارزیابی
    • 6‏.‏1 پیاده‌سازی، نتایج و ارزیابی فاز اول (مدل‌سازی ارتباطات بین‌سلولی با امتیازدهی نظریه بازی‌های تکاملی)
      • 6‏.‏1‏.‏1 به کار بردن مدل فاز اول برای کارسینوم مجرایی درجا و شبیه‌سازی
      • 6‏.‏1‏.‏2 گسسته‌سازی سطح اکسیژن نسبت به فضا و زمان
      • 6‏.‏1‏.‏3 اعتبارسنجی مدل ارائه شده در فاز اول
      • 6‏.‏1‏.‏4 نتایج فاز اول
      • 6‏.‏1‏.‏5 ارزیابی فاز اول
    • 6‏.‏2 پیاده‌سازی، نتایج و ارزیابی فاز دوم (مدل‌سازی رفتار سلول‌های سرطانی با روش‌های یادگیری چندعامله)
      • 6‏.‏2‏.‏1 یادگیری مدل فرآیند تصمیم‌گیری مارکوف
      • 6‏.‏2‏.‏2 تایل‌کدینگ
      • 6‏.‏2‏.‏3 الگوریتم یادگیری رفتار سلول‌ها در فاز دوم
      • 6‏.‏2‏.‏4 به کار بردن مدل برای کارسینوم مجرایی درجا در فاز دوم
      • 6‏.‏2‏.‏5 نتایج و اعتبارسنجی فاز دوم
      • 6‏.‏2‏.‏6 ارزیابی فاز دوم
    • 6‏.‏3 جمع‌بندی
  • 7 نتیجه‌گیری و کارهای آتی
    • 7‏.‏1 نقاط قوت روش پیشنهادی
    • 7‏.‏2 نقاط ضعف روش پیشنهادی
    • 7‏.‏3 سوی کارهای آتی
  • کتاب‌نامه
  • آ‍ آزمون ویلکاکسون
    • آ‍‏.‏1 فرضیات آزمون
    • آ‍‏.‏2 مراحل انجام آزمون
  • ب استاندارد NASA-STD-7009
    • ب‏.‏1 مؤلفه‌های استاندارد
      • ب‏.‏1‏.‏1 درست‌سنجی
      • ب‏.‏1‏.‏2 اعتبارسنجی
      • ب‏.‏1‏.‏3 ریشه ورودی
      • ب‏.‏1‏.‏4 عدم قطعیت نتایج
      • ب‏.‏1‏.‏5 نیرومندی نتایج
      • ب‏.‏1‏.‏6 استفاده از تاریخچه
      • ب‏.‏1‏.‏7 مدیریت مدل‌سازی و شبیه‌سازی
      • ب‏.‏1‏.‏8 صلاحیت افراد
    • ب‏.‏2 بررسی فنی
    • ب‏.‏3 نحوه به‌کارگیری استاندارد برای ارزیابی مدل‌سازی و شبیه‌سازی
...see more