Abstract Pharmacokinetics and pharmacodynamics are key considerations in any study of molecular therapies. It is thus imperative to factor their effects in to any in silico model of biological tissue involving such therapies. Furthermore, creation of a standardized and flexible framework will benefit the community by increasing access to such modules and enhancing their communicability. PhysiCell is an open source physics-based cell simulator, i.e. a platform for modeling biological tissue, that is quickly being adopted and utilized by the mathematical biology community. We present here PhysiPKPD, an open source PhysiCell-based package that allows users to include PKPD in PhysiCell models. Availability & Implementation The source code for PhysiPKPD is located here: https://github.com/drbergman/PhysiPKPD .

Abstract The advent of immune checkpoint therapy for metastatic skin cancer has greatly improved patient survival. However, most skin cancer patients are refractory to checkpoint therapy, and furthermore the differential intra-immune signaling between cancers driving the response to checkpoint therapy remains uncharacterized. When comparing the immune transcriptome in the tumor microenvironment of melanoma and basal cell carcinoma (BCC), we found that the presence of memory B cells and macrophages negatively correlate when stratifying patients by response, with memory B cells more present in responders. Inhibitory immune signaling is reduced in melanoma responders and is increased in BCC responders. We further explored the relationships between macrophages, B cells and response to checkpoint therapy by developing a stochastic differential equation model which qualitatively agrees with the data analysis. Our model predicts BCC to be more refractory to checkpoint therapy than melanoma. We show differences in tumor progression and regression that could serve as a diagnostic and predict the optimal ratio of macrophages and memory B cells for successful treatment.

Defining a multicellular model can be challenging. There may be hundreds of parameters that specify the attributes and behaviors of objects. In the best case, the model will be defined using some format specification – a markup language – that will provide easy model sharing (and a minimal step toward reproducibility). PhysiCell is an open-source, physics-based multicellular simulation framework with an active and growing user community. It uses XML to define a model and, traditionally, users needed to manually edit the XML to modify the model. PhysiCell Studio is a tool to make this task easier. It provides a GUI that allows editing the XML model definition, including the creation and deletion of fundamental objects: cell types and substrates in the microenvironment. It also lets users build their model by defining initial conditions and biological rules, run simulations, and view results interactively. PhysiCell Studio has evolved over multiple workshops and academic courses in recent years, which has led to many improvements. There is both a desktop and cloud version. Its design and development has benefited from an active undergraduate and graduate research program. Like PhysiCell, the Studio is open-source software and contributions from the community are encouraged.

Since the introduction of the first immune checkpoint inhibitor (ICI), immunotherapy has changed the landscape of molecular therapeutics for cancers. However, ICIs do not work equally well on all cancers and for all patients. There has been a growing interest in using mathematical and computational models to optimize clinical responses. Ordinary differential equations (ODEs) have been widely used for mechanistic modeling in immuno-oncology and immunotherapy because they allow rapid simulations of temporal changes in the cellular and molecular populations involved. Nonetheless, ODEs cannot describe the spatial structure in the tumor microenvironment or quantify the influence of spatially-dependent characteristics of tumor-immune dynamics. For these reasons, agent-based models (ABMs) have gained popularity because they can model more detailed phenotypic and spatial heterogeneity that better reflect the complexity seen in vivo. In the context of anti-PD-1 immune checkpoint inhibitors, we compare treatment outcomes simulated from an ODE model and an ABM to show the importance of including spatial components in computational models of cancer immunotherapy. We consider tumor cells of high and low antigenicity and two distinct cytotoxic T lymphocyte (CTL) killing mechanisms. The preferred mechanism differs based on the antigenicity of tumor cells. Our ABM reveals varied phenotypic shifts within the tumor and spatial organization of tumor and immune cells, despite similarities in key immune parameters, initial conditions of simulation, and early temporal trajectories of the cell populations.

Abstract Agent-based models (ABMs) are an increasingly important tool for understanding the complexities presented by phenotypic and spatial heterogeneity in biological tissue. The resolution a modeler can achieve in these regards is unrivaled by other approaches. However, this comes at a steep computational cost limiting either the scale of such models or the ability to explore, parameterize, analyze, and apply them. When the models involve molecular-level dynamics, especially cell-specific dynamics, the limitations are compounded. We have developed a global method for solving these computationally expensive dynamics significantly decreases the computational time without altering the behavior of the system. Here, we extend this method to the case where cells can switch phenotypes in response to signals in the microenvironment. We find that the global method in this context preserves the temporal population dynamics and the spatial arrangements of the cells while requiring markedly less simulation time. We thus add a tool for efficiently simulating ABMs that captures key facets of the molecular and cellular dynamics in heterogeneous tissue. Author summary Agent-based models (ABMs) are an important tool for understanding how cells and molecular compounds interact to produce complex, emergent behavior. The principal feature of ABMs that set them apart from other types of models is their ability to capture the diversity of cells in a tissue. However, this feature comes at the cost of long simulation times, reducing the ability to apply the findings of these models to improve our understanding of living organisms. We present here a means of simulating ABMs using a more efficient method, called the global method, when the cells are undergoing discrete, phenotypic changes in response to molecular cues. We demonstrate that the global method preserves the key features of the ABM while performing simulations much faster. This allows for more efficient testing of biological hypotheses in a mathematical framework that captures key facets of the diversity in biological tissue.

Defining a multicellular model can be challenging. There may be hundreds of parameters that specify the attributes and behaviors of objects. Hopefully the model will be defined using some format specification, e.g., a markup language, that will provide easy model sharing (and a minimal step toward reproducibility). PhysiCell is an open source, physics-based multicellular simulation framework with an active and growing user community. It uses XML to define a model and, traditionally, users needed to manually edit the XML to modify the model. PhysiCell Studio is a tool to make this task easier. It provides a graphical user interface that allows editing the XML model definition, including the creation and deletion of fundamental objects, e.g., cell types and substrates in the microenvironment. It also lets users build their model by defining initial conditions and biological rules, run simulations, and view results interactively. PhysiCell Studio has evolved over multiple workshops and academic courses in recent years which has led to many improvements. Its design and development has benefited from an active undergraduate and graduate research program. Like PhysiCell, the Studio is open source software and contributions from the community are encouraged.

D uring progression from carcinoma in situ to an invasive tumor, the immune system is engaged in complex sets of interactions with various tumor cells. Tumor cell plasticity also alters disease trajectories via epithelial-to-mesenchymal transition (EMT). Several of the same pathways that regulate EMT are involved in tumor-immune interactions, yet little is known about the mechanisms and consequences of crosstalk between these regulatory processes. Here we introduce a multiscale evolutionary model to describe tumor-immune-EMT interactions and their impact on epithelial cancer progression from in situ to invasive disease. Through in silico analyses of large patient cohorts, we find controllable regions that maximize invasion-free survival. We identify that delaying tumor progression depends crucially on properties of the mesenchymal tumor cell phenotype: its growth rate and its immune-evasiveness. Through analysis of EMT-inflammation-associated data from The Cancer Genome Atlas, we find that association with EMT significantly worsens invasion-free survival probabilities in support of our model, and we predict new genes influencing outcomes in bladder and uterine cancer, including FGF pathway members. These results offer novel means to delay disease progression by regulating properties of EMT through specific gene interactions, and demonstrate the importance of studying cancer-immune interactions in light of EMT.

Abstract Immunotherapy has dramatically transformed the cancer treatment landscape largely due to the efficacy of immune checkpoint inhibitors (ICIs). Although ICIs have shown promising results for many patients, the low response rates in many cancers highlight the ongoing challenges in cancer treatment. Cytotoxic T lymphocytes (CTLs) execute their cell-killing function via two distinct mechanisms: a fast-acting, perforin-mediated process and a slower, Fas ligand (FasL)-driven path-way. Evidence also suggests that the preferred killing mechanism of CTLs depends on the anti-genicity of tumor cells. To determine the critical factors affecting responses to ICIs, we construct an ordinary differential equation model describing in vivo tumor-immune dynamics in the presence of active or blocked PD-1/PD-L1 immune checkpoint. Specifically, we identify important aspects of the tumor-immune landscape that affect tumor size and composition in the short and long term. By generating a virtual cohort with differential tumor and immune attributes, we also simulate the therapeutic outcomes of immune checkpoint blockade in a heterogenous population. In this way, we identify key tumor and immune characteristics that are associated with tumor elimination, dor-mancy, and escape. Our analysis sheds light on which fraction of a population potentially responds well to ICIs and ways to enhance therapeutic outcomes with combination therapy.

Cells are fundamental units of life. Recent technical advances have revolutionized our ability to quantify the state and identity of individual cells, and intercellular regulatory programs. However, these static measurements alone are limited in their ability to predict the complex collective behaviors that emerge from populations of many interacting cells over time. Mathematical models have a proven record of successfully predicting the behaviors of dynamic biological systems, e.g., therapeutic responses in cancer. Simulations from these models enable in silico visualization, examination, and refinement of biological models and can be used to generate new hypotheses about cells and their collective behavior. Agent-based modeling is particularly well-suited to studying communities of interacting cells, as it is intuitive to map a single cell to a single agent. Thus, we have developed a conceptual framing (with a reference implementation in the widely-used PhysiCell agent-based modeling framework) that can be initialized directly from single cell and spatial transcriptomic data, and that can be easily populated with interactive rules. Because the expert mathematical and computational knowledge required to build agent-based models has limited their widespread adoption in the biomedical research community, we engineered this framework to specify complex cellular responses to signals (or stimuli) using a single line of human readable text. This plain language text encodes cellular phenotypes and regulatory mechanisms from high throughput data and published literature, using a novel concept of hypothesis grammar. We motivate and fully describe this grammar and its philosophy, and then present a series of five example reference models of tumor growth and response to immunotherapy. Biologically, these examples demonstrate how mathematical models can predict from single cell and spatial transcriptomic data the cellular phenotypes responsible for tumor cell invasion and the simulation of immunotherapy treatment to overcome tumor cell growth. Computationally, these examples are designed to demonstrate how this conceptual framing and software implementation empower interdisciplinary teams to build an agent-based model of their experimental system, levering prior biological knowledge alone or in combination with information from spatial multi-omics technologies. Altogether, this approach provides an interface to bridge biological, clinical, and systems biology researchers for mathematical modeling of biological systems at scale, allowing the community to extrapolate from single-cell characterization to emergent multicellular behavior.