Hybrid multiscale agent-based models (ABMs) are unique in their ability to simulate individual cell interactions and microenvironmental dynamics. Unfortunately, the high computational cost of modeling individual cells, the inherent stochasticity due to probabilistic phenotypic transitions, and numerous model parameters that are difficult to measure directly are fundamental limitations of applying such models to predict tumor dynamics. To overcome these challenges, we have developed a coarse-grained two-scale ABM (cgABM) calibrated with a set of time-resolved microscopy measurements of cancer cells grown with different initial conditions. The multiscale model consists of a reaction-diffusion type model capturing the spatio-temporal evolution of glucose and growth factors in the tumor microenvironment (at tissue scale), coupled with a lattice-free ABM to simulate individual cell dynamics (at cellular scale). The experimental data consists of BT474 human breast carcinoma cells initialized with different glucose concentrations and tumor cell confluences. The confluence of live and dead cells was measured every three hours over four days. Given this model and data, we perform a global sensitivity analysis to identify the relative importance of the model parameters. The subsequent cgABM with a reduced parameter space is calibrated within a Bayesian framework to the experimental data to estimate model parameters, which are then used to predict the temporal evolution of the living and dead cell populations. To this end, a moment-based Bayesian inference is proposed to account for the stochasticity of the cgABM while quantifying uncertainties in model parameters and observational data. The results indicate that the cgABM can reliably predict the spatiotemporal evolution of breast cancer cells observed by the microscopy data with an average error and standard deviation for live and dead cells being 7.61 [[EQUATION]] 2.01 and 5.78 [[EQUATION]] 1.13, respectively.

Abstract Fluorescence lifetime imaging microscopy (FLIM) is a powerful tool to quantify molecular compositions and study the molecular states in the complex cellular environment as the lifetime readings are not biased by the fluorophore concentration or the excitation power. However, the current methods to generate FLIM images are either computationally intensive or unreliable when the number of photons acquired at each pixel is low. Here we introduce a new deep learning-based method termed flimGANE (fluorescence lifetime im aging based on G enerative A dversarial N etwork E stimation) that can rapidly generate accurate and high-quality FLIM images even in the photon-starved conditions. We demonstrated our model is not only 258 times faster than the most popular time-domain least-square estimation ( TD_LSE ) method but also provide more accurate analysis in barcode identification, cellular structure visualization, Förster resonance energy transfer characterization, and metabolic state analysis. With its advantages in speed and reliability, flimGANE is particularly useful in fundamental biological research and clinical applications, where ultrafast analysis is critical.

Fucoidan-coated pH sensitive liposomes were designed for targeted delivery of gemcitabine (FU-GEM PSL) to treat pancreatic cancer (PC). FU-GEM PSL had a particle size of 175.3 ± 4.9 nm, zeta potential of −19.0 ± 3.7 mV, encapsulation efficiency (EE) of 74.05 ± 0.17 %, and drug loading (DL) of 21.27 ± 0.05 %. Cell experiments in vitro showed that FU-GEM PSL could increase the release of GEM and drug concentration, and could inhibit tumor cell proliferation by affecting the cell cycle. FU-GEM PSL entered cells through macropinocytosis and caveolin-mediated endocytosis to exert effects. Meanwhile, the expression of P-selectin was detected in human tissues, demonstrating the feasibility of targeting FU. Moreover, combined with animal experiments in vivo, FU-GEM PSL could inhibit the development of PC. Furthermore, anti-tumor experiments in vivo carried on BALB/c mice indicated that FU-GEM PSL had tumor suppression abilities and safety. Therefore, FU-GEM PSL is a promising formulation for PC therapy.

Gemcitabine (GEM) holds vast promise for tumor therapy, whereas clinical practices fails to meet expectations. One of the reasons is that GEM is quickly transported to lysosomes after being taken up by tumor cells and is hydrolyzed to lose pharmacological activity. In this study, a pH-sensitive cationic liposome (DPPC: DOTAP: CHEMS: DSPE-mPEG2000, pSLs) loaded GEM with fucoidan (FU) coating was designed to enhance the bioavailability of GEM and improve the chemotherapeutic effect in pancreatic ductal adenocarcinoma. FU separated by anion exchange and size exclusion chromatography was coated onto liposomes surface through electrostatic adsorption. FU can deliver drug-loaded liposomes to the tumor site precisely. The results showed that FU-pSLs-GEM had a larger size and lower potential compared to pSLs-GEM, and both could maintain stable structure within 30 days. In vitro release studies demonstrated that pH-sensitive liposomes could release drugs more quickly under acidic conditions. FU-pSLs-GEM showed strong anti-tumor activity in vitro, and exerted efficacy more quickly in Capan-1 cells compared to pSLs-GEM and free GEM. Cell uptake studies showed that cells internalize FU-pSLs-GEM via a clathrin-mediated endocytosis pathway and uptake more drug under acidic conditions. Overall, we demonstrated that FU-pSLs-GEM endosomal escape could improve the bioavailability of GEM, making it a promising drug delivery system.

Abstract We present the development and validation of a mathematical model that predicts how glucose dynamics influence metabolism and therefore tumor cell growth. Glucose, the starting material for glycolysis, has a fundamental influence on tumor cell growth. We employed time-resolved microscopy to track the temporal change of the number of live and dead tumor cells under different initial glucose concentrations and seeding densities. We then constructed a family of mathematical models (where cell death was accounted for differently in each member of the family) to describe overall tumor cell growth in response to the initial glucose and confluence conditions. The Akaikie Information Criteria was then employed to identify the most parsimonious model. The selected model was then trained on 75% of the data to calibrate the system and identify trends in model parameters as a function of initial glucose concentration and confluence. The calibrated parameters were applied to the remaining 25% of the data to predict the temporal dynamics given the known initial glucose concentration and confluence, and tested against the corresponding experimental measurements. With the selected model, we achieved an accuracy (defined as the fraction of measured data that fell within the 95% confidence intervals of the predicted growth curves) of 77.2 ± 6.3% and 87.2 ± 5.1% for live BT-474 and MDA-MB-231 cells, respectively.