Skip to content

Akbarpour Ghazani, Mehran, Soltani, M., Jalali, Peyman et al. · 2022 · Applied Mathematical Modelling

#vascular-G&R #agent-based-model

??? info "Metadata" DOI: 10.1016/j.apm.2021.12.033

📄 Quick Note

摘要概述

本文提出了一个改进的肿瘤诱导血管生成（tumor-induced angiogenesis）数学模型，用于研究内源性抗血管生成药物 Endostatin（ES）对肿瘤血管网络的影响。作者在已有模型基础上加入 Endostatin 对内皮细胞（EC）增殖、迁移和凋亡的调控作用，通过自研数值代码模拟了不同药物浓度和给药时间下血管网络的演化。结果表明：当 ES 浓度达到自然浓度的 5 倍以上时可有效抑制血管生成；在血管生成启动后第 7 天给药效果最佳；ES 还能 normalize 扭曲的肿瘤血管从而改善药物递送。最后，作者建立了 Generalized Regression Neural Network（GRNN），以药物浓度和给药时间为输入预测最终微血管密度（MVD），预测精度达 87%。

关键图表

  • Fig. 5 — 不同 Endostatin 剂量（2/3/4/5 倍浓度）下微血管密度随时间的演化。直观展示了剂量依赖性的血管生成抑制：浓度越高，MVD 下降越显著，5 倍浓度时血管网络几乎无法扩展。
  • Fig. 9 — 数值模拟结果与 Fu et al. 实验数据的 MVD 对比验证。模拟值与实验趋势定性吻合，支撑了模型的可靠性。
  • Fig. 14 — 以药物浓度和给药时间为双坐标的 MVD 热力图。这是全文最核心的结果图：标定了"低 MVD（强抑制）"的蓝区对应高浓度+早期给药，为联合治疗的时机选择提供了定量参考。

与我的关联

该工作将血管生成建模（离散 EC 迁移 + 连续血流/物质输运）与神经网络代理模型结合的思路，对血管网络力学建模有参考价值；其 normalize 血管以改善药物递送的观点与我关注的大型血管 G&R 中力学-生长耦合的主题相关。

🔬 Deep Note

摘要概述

本文在 Anderson–Chaplain (1998) 离散/连续混合血管生成框架上引入 endostatin（ES，collagen XVIII 的 20 kDa 内源性 matrikine）作为抗血管生成因子，构建 2D 概率型 tip/stalk 内皮细胞（EC）模型。三件主要的事：(1) 修改趋化函数 χ(c,e)=χ(1+αc)/(1+ϕe)，VEGF 在分子、ES 在分母，直接编码 ES 竞争 KDR/Flk-1 受体抑制迁移；(2) 离散化后将 tip 迁移概率 (P0–P4) 与 stalk 增殖概率 (Pr) 解耦，仅当 Pr≥0.039 时 tip 才前进——修正以往"tip 自由迁移、stalk 被动填充"；(3) 用广义回归神经网络（GRNN）对 42 组 PDE 仿真做代理模型，输入 (ES 浓度, 给药时间) → 20 天微血管密度（MVD），精度 87%。主要结论：ES 提至自然水平 5 倍可基本抑制血管生成；7 天内给药有效，逾 13 天血管已抵肿瘤则失效；高浓度 ES 可"正常化"（normalize）肿瘤血管，为联合化疗/放疗创造窗口。

研究问题与动机

作者要回答两个问题：(a) 如何把 ES 的多重作用机制（抑制 VEGF 信号、诱导 EC 凋亡、降低 branching）一次性纳入统一数学框架？(b) "剂量×给药时间"组合下 PDE 单次仿真需 20 小时，如何得到轻量预测公式？背景是 Jain 2001 的"正常化窗口"：肿瘤血管迂曲渗漏、IFP 高，化疗难达；适量 ES 修剪不成熟微血管、降 MVD 与 IFP 改善递送，过量则完全阻断致缺氧。这正是连续介质 G&R 中"机械稳态"的细胞级对应，本文从 agent 层级提供机制性描述。

方法

PDE 层：EC 浓度方程 (Eq. 15) 含扩散、趋化 χ(c,e)·∇c、趋触 ρ∇f、增殖-死亡四项。趋化函数 χ(c,e)=χ(1+αc)/(1+ϕe)：分子 VEGF 驱动迁移，分母 ES 抑制迁移，编码 ES 与 VEGF 竞争 KDR/Flk-1 受体的机制。增殖项含 (1−εmax·e/(ec50+e))，以 Michaelis–Menten 形式参数化 ES 抗增殖/促凋亡。VEGF 与 ES 均假设稳态（扩散快于血管生成时标），以 Eq. 56 圆形肿瘤梯度初始化；初始 ES 设为 VEGF 的 3 倍（癌症患者血浆实测 [38,39]）。

ABM 层：200×200 网格，h=10 μm，时间步使 EC 速度≈14 μm/hr。中心 Euler 差分得 5 个迁移概率 P0(留)–P4(下)，加增殖概率 Pr。关键解耦：前 3 项分配给 tip EC（只迁移），第 4–5 项分配给 stalk EC（只增殖）；仅当 Pr≥0.039 时 tip 才前进。这使"无增殖则无迁移"成为硬约束，纠正以往 tip 超前 stalk 的非物理行为。Branching 概率由"有效 VEGF" Cv=c−0.2e 决定（Table 3），ES 直接下移 branching 阈值。

血流与血管适应：Poiseuille 流 + Pries et al. [55,57,58] 非牛顿黏度与分叉 hematocrit 分配；直径适应 ΔDv=(S_wss+S_p+S_m−k_s)·Dv·dt，三 stimulus 为壁面剪应力、跨壁压、代谢。Shear-induced branching 用 WSS×Cv 联合概率表（Table 4）。

GRNN 代理：42 组 (浓度, 时间) → MVD 训练，spread σ=0.2，输出 Eq. 60 为加权高斯核之比，给出闭式预测公式。

结果

  • 机制验证（Fig. 3–4）：无增殖时 tip 早期极速迁移（非物理）；加入 stalk 增殖后速度降；再加 ES 后概率曲线趋稳、方差减小，说明 ES 稳定网络。
  • 剂量-时间扫描（Fig. 5–9）：2× ES 仅在 1 天给药时收缩血管；3× 在 1 天给药使 MVD 降至对照一半；5× 在 1 天给药几乎完全抑制 branching，血管直行抵肿瘤但不形成闭环。延迟给药显著削弱效果。
  • 正常化证据（Fig. 7–8）：随 ES 浓度升高，小直径（2–3 μm）血管占比下降，迂曲微血管消失，网络趋于"稀疏、直、大口径"——即 Jain 定义的 normalization 表型。
  • 实验对照：与 Fu et al. [64]（10× → 面积降至 1/3）、Kisker et al. [7]（osmotic pump 翻倍药效）、Yu et al. [65]（小鼠角膜）趋势一致。
  • GRNN：测试集误差 1.1%–13.4%，整体 87%；3D 响应面（Fig. 14）显示 >6× 浓度敏感度饱和，>13 天给药失效。
  • 敏感性（Table 6）：χ、α、ϕ、σ 最敏感——趋化与 ES 抑制项主导系统行为。

讨论

作者立场：agent-based 离散模型 + AI 代理是处理血管生成这类多尺度、强非线性问题的实用路径。PDE 层提供机制保真度，ABM 层提供细胞个体决策，GRNN 提供"秒级"查询能力，构成"机理仿真→数据驱动代理"的两段式管线。

局限：(1) 2D、无肿瘤细胞（以 VEGF/ES 梯度代替圆形肿瘤），无法刻画血管-肿瘤双向耦合；(2) 未含 pericyte/SMC 覆盖与血管成熟过程；(3) GRNN 在 5–7× 高浓度区误差升高（13%），因训练数据稀疏且响应饱和；(4) 无力学-ECM 耦合——ES 由 collagen XVIII 降解产生，但模型未闭环到 ECM 沉积/交联。

个人批注

与我 SMC G&R 工作的对接： 1. 趋化函数 χ(c,e) 是 continuum G&R 中 stress-mediated mass production 的细胞级类比——Humphrey & Rajagopal 2002 框架中 ṁ(τ) 依赖应力，此处依赖化学场；可借鉴"激动剂在分子、抑制剂在分母"的参数化来建模 SMC 表型切换中促合成/抑合成信号的竞争。 2. tip/stalk 解耦对应 G&R 中"合成 vs. 收缩"SMC 亚群——本文将迁移与增殖分给不同亚群并设耦合阈值 (Pr≥0.039)，提示我在 SMC G&R 中也应对合成型与收缩型 SMC 分别建立 mass balance。 3. Pries 结构适应律 (Eq. 46–53) 是微血管 G&R 经典律——S_wss+S_p+S_m−k_s 与动脉 G&R 中"维持环向应力 target"的 homeostatic law 同构，可作为我血管尺度 G&R 的验证基准。 4. Endostatin 作为 matrikine 的闭环意义——Bonnans 2014（我队列 2014-ECM-Remodelling-Bonnans）指出 ES 是 collagen XVIII 降解片段，具独立抗血管生成活性。本文将其作外生输入，未建模"ES 由 ECM 降解产生"的闭环；这是连接 MMP 活性↔ECM 降解↔matrikine 释放↔血管重塑的切入点。 5. GRNN 作为 G&R 代理的可行性参考——若 continuum G&R 单次仿真耗时，可仿此用 GRNN/RBF 学习 (参数, 载荷) → (壁厚、应力分布) 映射，得秒级预测。

疑问：(a) Pr=0.039 阈值来源未交代，疑为经验校准；(b) ES 初始为 VEGF 的 3 倍，敏感性分析显示 ϕ 高度敏感，此比例对结论影响大；(c) normalization 判据仅定性（"小血管占比下降"），缺定量指标如分形维数、迂曲度。

与上下文的关系

在引用网络中的位置：本文是 Anderson–Chaplain 1998 [34] 血管生成离散模型的直接延伸，融合 Tee & DiStefano 2004 [17] 的增殖项与 Secomb et al. 2013 [29] 的初始 sprouting 概率模型；血流沿用 Pries et al. [55,57,58] 结构适应律。

与同类工作对比： - vs Anderson & Chaplain 1998：本文在 χ 中加 ES 分母项，branching 概率由纯 VEGF 改为 Cv=c−0.2e——化学竞争直接进入 agent 决策。 - vs Tee & DiStefano 2004：同含增殖项，但本文用 diameter 比 d/d0 重新解释 n/n0，并引入 Pr 阈值实现 tip-stalk 解耦。 - vs Cai et al. 2016 [23] / Wu et al. 2011 [20]：均为 ES 多尺度模型，但本文额外提供 GRNN 代理与剂量-时间响应面。

与我队列中其他论文的关系： - 2014-ECM-Remodelling-Bonnans：ES 作为 collagen XVIII matrikine 的生物学定义来自该综述；本文是 matrikine 机制的数学化实例，但未闭环到 MMP 介导的 ECM 降解。 - 2009-VascularBiomech-Taylor：Taylor & Humphrey §4 的血管结构适应（Pries 律）正是本文 Eq. 46–53 的来源；本文是其微血管场景的应用。 - 未来若引入 SMC/pericyte 成熟与 ECM 交联（LOX），可将本文的 open-loop ES 输入升级为 MMP/LOX 驱动的闭环 matrikine 释放模型。