CMON Lab
Computational Modelling for Oncology Needs Lab (CMON Lab)
Descrizione:
CMON Lab comprende fisici, ingegneri, matematici, statistici e assistenti di ricerca specializzati nella modellizzazione di outcome dopo trattamenti oncologici. Gli interessi dominanti sono la radioterapia, la radiobiologia, l'imaging quantitativo e le caratteristiche biologiche che descrivono i meccanismi coinvolti nelle reazioni al trattamento. La verifica dei meccanismi viene testata anche tramite simulazioni in-silico.
Consideriamo e sviluppiamo approcci multidisciplinari integrando matematica, fisica, biologia, scienze computazionali e ingegneria. “Ogni paziente merita la propria equazione personalizzata”, cioè una personale parametrizzazione dell’evoluzione della malattia individuale che può essere utilizzata per guidare e ottimizzare i trattamenti oncologici e predirne efficacia e tossicità. In questo contesto modelli meccanicistici e machine learning sono altamente complementari: facendo leva sui punti di forza di entrambi gli approcci, si possono creare modelli simbiotici che sfruttino la potenza della vastità dei dati analizzabili dal machine learning e la conoscenza delle leggi che governano i fenomeni già acquisite da dati e studi precedenti.
La nostra attività di ricerca vuole muovere dal concetto di “data science” verso “data for scientific methods”. La recente esplosione di dati necessita di analisi di machine learning per essere utilizzabile, i modelli meccanicistici offrono un forte approccio complementare, che affronta il significato dei risultati del machine learning e rafforza le predizioni, nella direzione intrapresa dagli enti regolatori (per esempio EMA e FDA) che riconoscono già i modelli e le simulazioni come forme valide di evidenza scientifica nei processi di revisione e approvazione.
Le macroattività sinergiche comprendono lo sviluppo di:
- modelli clinici da dataset ad alta dimensionalità verticale (numerosità della popolazione) e orizzontale (dati multifattoriali) per estrapolare e descrivere le relazioni tra caratteristiche del paziente/tumore/trattamento e gli outcome clinici (controllo della malattia oncologica e sviluppo di effetti collaterali) e del loro impatto sulla qualità di vita;
- modelli meccanicistici della risposta dei tumori e dei tessuti sani ai trattamenti oncologici: l’applicazione delle leggi della fisica e della biologia combinate con modelli matematici analitici e numerici per lo studio di diversi aspetti di rilevanza per l’oncologia. I modelli in-silico sono sviluppati e utilizzati per derivare osservazioni specifiche che permettano anche di dettagliare l’interpretazione dei risultati raccolti negli studi clinici e di disegnare trial clinici futuri.
The CMON Lab includes physicists, engineers, mathematicians, statisticians, and research assistants specialised in modelling outcomes after oncological treatments. The main interests are radiotherapy, radiobiology, quantitative imaging, and the biological characteristics describing the mechanisms involved in treatment reactions. Mechanism verification is also tested through in-silico simulations.
We consider and develop multidisciplinary approaches by integrating mathematics, physics, biology, computational sciences, and engineering. "Every patient deserves her/his personalised equation," meaning a personal parameterisation of the individual disease evolution that we can use to guide and optimise oncological treatments, predicting their effectiveness and toxicity. In this context, mechanistic models and machine learning are highly complementary: leveraging the strengths of both approaches, we can create symbiotic models that harness the power of the vast amount of data we can analyse by machine learning and the knowledge of governing laws acquired from previous data and studies.
Our research activity aims to move from "data science" to "data for scientific methods." The recent data explosion requires machine learning analysis to be usable; mechanistic models offer a solid complementary approach that addresses the meaning of machine learning results and reinforces predictions in line with the direction taken by regulatory bodies (such as EMA and FDA) that already recognise models and simulations as valid forms of scientific evidence in review and approval processes.
Synergistic macro-activities include the development of:
- clinical models from high-dimensional vertical datasets (population size) and horizontal datasets (multifactorial data) to extrapolate and describe the relationships between patient/tumour/treatment characteristics and clinical outcomes (oncological disease control and the development of side effects) and their impact on quality of life;
- mechanistic models of tumour and healthy tissue response to oncological treatments: applying the laws of physics and biology combined with analytical and numerical mathematical models to study various aspects relevant to oncology. In-silico models are developed and used to derive specific observations that also allow for the detailed interpretation of results collected in clinical studies and the design of future clinical trials.
Computational Modelling for Oncology Needs Lab (CMON Lab)
Via Venezian 1 (blocco 4, primo piano) 20133 Milano
CMON Lab comprende fisici, ingegneri, matematici, statistici e assistenti di ricerca specializzati nella modellizzazione di outcome dopo trattamenti oncologici. Gli interessi dominanti sono la radioterapia, la radiobiologia, l'imaging quantitativo e le caratteristiche biologiche che descrivono i meccanismi coinvolti nelle reazioni al trattamento. La verifica dei meccanismi viene testata anche tramite simulazioni in-silico.
Consideriamo e sviluppiamo approcci multidisciplinari integrando matematica, fisica, biologia, scienze computazionali e ingegneria. “Ogni paziente merita la propria equazione personalizzata”, cioè una personale parametrizzazione dell’evoluzione della malattia individuale che può essere utilizzata per guidare e ottimizzare i trattamenti oncologici e predirne efficacia e tossicità. In questo contesto modelli meccanicistici e machine learning sono altamente complementari: facendo leva sui punti di forza di entrambi gli approcci, si possono creare modelli simbiotici che sfruttino la potenza della vastità dei dati analizzabili dal machine learning e la conoscenza delle leggi che governano i fenomeni già acquisite da dati e studi precedenti.
La nostra attività di ricerca vuole muovere dal concetto di “data science” verso “data for scientific methods”. La recente esplosione di dati necessita di analisi di machine learning per essere utilizzabile, i modelli meccanicistici offrono un forte approccio complementare, che affronta il significato dei risultati del machine learning e rafforza le predizioni, nella direzione intrapresa dagli enti regolatori (per esempio EMA e FDA) che riconoscono già i modelli e le simulazioni come forme valide di evidenza scientifica nei processi di revisione e approvazione.
Le macroattività sinergiche comprendono lo sviluppo di:
- modelli clinici da dataset ad alta dimensionalità verticale (numerosità della popolazione) e orizzontale (dati multifattoriali) per estrapolare e descrivere le relazioni tra caratteristiche del paziente/tumore/trattamento e gli outcome clinici (controllo della malattia oncologica e sviluppo di effetti collaterali) e del loro impatto sulla qualità di vita;
- modelli meccanicistici della risposta dei tumori e dei tessuti sani ai trattamenti oncologici: l’applicazione delle leggi della fisica e della biologia combinate con modelli matematici analitici e numerici per lo studio di diversi aspetti di rilevanza per l’oncologia. I modelli in-silico sono sviluppati e utilizzati per derivare osservazioni specifiche che permettano anche di dettagliare l’interpretazione dei risultati raccolti negli studi clinici e di disegnare trial clinici futuri.
The CMON Lab includes physicists, engineers, mathematicians, statisticians, and research assistants specialised in modelling outcomes after oncological treatments. The main interests are radiotherapy, radiobiology, quantitative imaging, and the biological characteristics describing the mechanisms involved in treatment reactions. Mechanism verification is also tested through in-silico simulations.
We consider and develop multidisciplinary approaches by integrating mathematics, physics, biology, computational sciences, and engineering. "Every patient deserves her/his personalised equation," meaning a personal parameterisation of the individual disease evolution that we can use to guide and optimise oncological treatments, predicting their effectiveness and toxicity. In this context, mechanistic models and machine learning are highly complementary: leveraging the strengths of both approaches, we can create symbiotic models that harness the power of the vast amount of data we can analyse by machine learning and the knowledge of governing laws acquired from previous data and studies.
Our research activity aims to move from "data science" to "data for scientific methods." The recent data explosion requires machine learning analysis to be usable; mechanistic models offer a solid complementary approach that addresses the meaning of machine learning results and reinforces predictions in line with the direction taken by regulatory bodies (such as EMA and FDA) that already recognise models and simulations as valid forms of scientific evidence in review and approval processes.
Synergistic macro-activities include the development of:
- clinical models from high-dimensional vertical datasets (population size) and horizontal datasets (multifactorial data) to extrapolate and describe the relationships between patient/tumour/treatment characteristics and clinical outcomes (oncological disease control and the development of side effects) and their impact on quality of life;
- mechanistic models of tumour and healthy tissue response to oncological treatments: applying the laws of physics and biology combined with analytical and numerical mathematical models to study various aspects relevant to oncology. In-silico models are developed and used to derive specific observations that also allow for the detailed interpretation of results collected in clinical studies and the design of future clinical trials.
(+39) 23903787
(+39) 23093015
tiziana.rancati@istitutotumori.mi.it
