Wat zijn computer modellen van ziektes?

Computer modellen helpen ons om complex gedrag te simuleren op een computer zodat we het beter begrijpen. Als een werk systeem, zoals het brein, gevormd wordt door veel (miljarden) samenwerkende elementen wordt het snel erg gecompliceerd. Zo ingewikkeld dat, zelfs als van alle losse elementen bekend is hoe ze werken het niet voorspeld kan worden hoe het complete systeem zal reageren . Zal het gezonde activiteit laten zien of in epileptische toestanden geraken? Met computer modellen kan het systeem versimpeld worden en het gedrag simuleren om zulke vragen te beantwoorden.

Hoe gebruiken we computer modellen in epilepsie onderzoek?

Momenteel worden er binnen epilepsie onderzoek verschillende wegen naar modellering verkend. De verschillende modellen verschillen in de hoeveelheid detail, dit gaat van simpele modellen die laten zien of een regio actief of inactief is tot modellen die proberen om experimentele data nabootsen tot in detail. Onze benadering was dat rekening houden met het netwerkperspectief belangrijker is dan het precies beschrijven wat er lokaal gebeurt. Er is nog veel onduidelijk over specifieke mechanismen die zorgen voor de onset van epileptiforme activiteit en de verspreiding van deze activiteit. Vanuit een klinisch perspectief, <span style=”color: #ff00ff;”> richten we ons op de vraag: hoe kunnen we de verspreiding van epileptiforme activiteit voorkomen? </span>

Om deze vraag te beantwoorden moet eerst gesimuleerd worden hoe epileptiforme activiteit voortplant door de hersenen. Dit kan gedaan worden met de netwerk beschrijving van het brein: elke regio kan worden laten zien als een element of knooppunt van een netwerk en de connecties of links tussen deze regio’s kan worden bepaald met verschillende scans (zoals MRI, MEG of EEG). Vervolgens worden aan alle knooppunten één (of meer) dynamische variabelen toegekend. Deze worden beheerst door wiskundige vergelijkingen die beschrijven hoe elk gebied zich onafhankelijk gedraagt en hoe het reageert op interacties met andere gebieden. Dit geeft zicht op het lokale (voor elke regio) en globale gedrag van het brein en, het belangrijkste, hoe het zal reageren op verschillende behandelingen. 

Als het computermodel vervolgens kan nabootsen hoe hersenactiviteit door verschillende ingrepen wordt beïnvloed, kunnen we het model gebruiken om zoveel resectiestrategieën te testen als nodig zijn . Dit wordt gedaan met de Virtual Resection methode, waar een brein resectie wordt nagebootst in het model door en bepaalde set knooppunten of links te verwijderen. Dit zal het gedrag van het systeem beïnvloeden, bijvoorbeeld als een bepaalde link de brug was tussen twee regio’s en deze verwijderd wordt zal de verspreiding van epileptiforme activiteit hier tussen stoppen. Dit is afgebeeld in onderstaande figuur:

Virtual Resection Implementation. De doel knooppunten voor de virtuele verwijdering (virtual resection) zijn alle knooppunten op twe of minder stappen van de bron, bijvoorbeeld de bron en zijn eerste en tweede buur (panel a) . De aanvankelijke aanvalsspreiding is de fractie van geïnfecteerde knooppunten op t0=50, I(t0) = 0.548 (paneel b). Een virtuele resectie van 5 knooppunten wordt in het netwerk geïmplementeerd door alle links met de corresponderende knooppunten op 0 te zetten, zwart gemarkeerd in paneel c. De voortplanting van de aanvallen wordt nu met ongeveer een factor 2 verminderd (IR(t0) = 0.280), en de waarschijnlijkheid dat de aanval verspreid naar regio’s buiten de bron neemt aanzienlijk af (paneel d). Dit voorbeeld komt overeen met patiënt 4. De figuur is gekopieerd met toestemming van Millan et al. 2021.

Deze methode kan ons bijvoorbeeld helpen bij het balen of een grotere resectie gunstig kan zijn of een kleinere resectie voldoende kan zijn voor een specifieke patiënt. Uiteindelijk verwachten we dat de modellen ons ook zullen helpen bij het vinden van alternatieve – gepersonaliseerde – resecties voor patiënten voor wie standaardresecties wellicht niet efficiënt zijn. 

Wat zijn de moeilijkheden waar deze computer simulaties mee te maken hebben? Ten eerste, de hersenen bevatten miljarden neuronen, wat is de juiste schaal van waarneming? Dat wil zeggen, hoe groot of klein moet ons hersennetwerk zijn? Vervolgens moet besloten worden hoe dat netwerk moet worden opgebouwd: er wordt gedacht dat activiteit zich voortplant via het structurele netwerk van fysieke verbindingen, maar het verkrijgen van grootschalige en precieze structurele netwerken voor elke persoon is moeilijk, duur en traag. Wat is het geschikte dynamische model voor de activiteit in elk afzonderlijk hersengebied? En hoe moeten de resecties in het model worden geïmplementeerd? Al deze vragen worden momenteel wereldwijd onderzocht in verschillende onderzoeksinspanningen.