MC-CT01
Desenvolvimento e calibração de modelos tumorais

Professor: Ernesto Lima (UT at Austin) e Emanuelle Arantes Paixão (LNCC)

Horarios: De quarta 27/01 a sexta 29/01 das 11:00h às 12:30h

Objetivo: Os principais objetivos deste minicurso são:
  1. Familiarizar os participantes com a motivação biológica para o uso de diversos modelos de crescimento tumoral;
  2. Apresentar métodos de resolução de modelos de equações diferenciais ordinárias (EDO's), utilizando Python;
  3. Calibrar os modelos desenvolvidos via métodos bayesianos.


Ementa:
  1. Desenvolvimento da parte teória sobre modelagem em câncer (27/01/2021): uma introdução sobre modelagem no contexto do câncer, abordando modelos discretos, contínuos e híbridos. Exemplificação e interpretação de diferentes tipos de funções para a descrição do crescimento tumoral, mortalidade, efeito Allee e terapias, entre outros fenômenos biológicos;
  2. Introdução à linguagem de programação Python (28/01/2021): resolução de EDO’s e diferentes tipos de função, trabalhadas durante o primeiro dia de curso, em Python;
  3. Desenvolvimento da parte teórica e prática sobre calibração: abordagem de conceitos relacionados à calibração, de forma mais específica à calibração Bayesiana. Os conteúdos teóricos e práticos serão abordados conjuntamente, por meio da calibração de um modelo de EDO, utilizando dados gerados. Nesta atividade, será trabalhada a resolução da EDO e construção de gráficos com os resultados obtidos, usando a biblioteca emcee para calibrar o modelo.

Bibliografia:
  1. Yin A., Moes D. J., van Hasselt J. G., Swen J. J., Guchelaar H.J. A review of mathematical models for tumor dynamics and treatment resistance evolution of solid tumors. CPT: pharmacometrics systems pharmacology. 2019 Oct; 8(10):720-37.
  2. Oden J. T., Babuska I., Faghihi D. Predictive computational science: Computer predictions in the presence of uncertainty. Encyclopedia of Computational Mechanics Second Edition. 2017 Aug 8:1-26.
  3. Foreman-Mackey D., Hogg D. W., Lang D., Goodman J. emcee: the MCMC hammer. Publications of the Astronomical Society of the Pacific. 2013 Feb 25; 125(925):306.
  4. Silva J. V. de O. Aula1MC03.ipynb. Disponível em: https://colab.research.google.com/drive/1FgzuuhOwCBXMog8u1mTvjtvEAXV39B3R. (Material sugerido para iniciantes em Python).
  5. PythonUFRJ. Departamento de Ciência da Computação - UFRJ. Disponível em: https://dcc.ufrj.br/~pythonufrj/. (Material sugerido para iniciantes em programação).