Unlocking the genetic enigma: Estimating the hidden horde of barcoded cancer cells using a molecular German tank problem approach

Abstract

Residual cancer cells that remain below the detection threshold after treatment may contribute to recurrence, treatment resistance, and disease progression. This study proposes a theoretical, simulation-based molecular estimation framework to infer the potential burden of undetected residual cancer cells, using a statistical approach inspired by the German tank problem. In silico datasets were generated to represent virtual cancer patients with simulated mutation-derived molecular barcodes and serial sampling time points. The estimator was applied to repeated samples, and the model's behavior was evaluated under simplified assumptions of a random barcode distribution and independent sampling. In the baseline simulation, increasing the number of samples improved estimator stability and convergence toward the predefined simulated residual cell burden. Model performance demonstrated minimal bias (+0.28 cells), low RMSE (130.69 cells), low mean relative error (0.073%), 94.6% interval coverage, and strong calibration between estimated and true simulated burdens (slope = 1.00004; R² = 0.99999). The present framework is not clinically validated and does not include patient-derived samples, experimental data, spatial tumor heterogeneity, clonal evolution, sequencing noise, treatment selection effects, or variable ctDNA shedding in the baseline model. Therefore, the proposed method should be interpreted as a proof-of-concept mathematical framework rather than a clinically applicable assay for quantifying residual disease. Future studies using controlled barcoded cell-line mixtures, serial dilution experiments, three-dimensional tumor models, patient-derived organoids, and clinically annotated ctDNA datasets are required to validate, refine, and biologically contextualize the estimator.

Keywords

• Neoplasm Residual
• Circulating Tumor DNA
• Models Statistical
• High-Throughput Nucleotide Sequencing
• Neoplasm Recurrence Local
• Tumor Heterogeneity
• Algorithms

Ethical Statement

This study did not require ethical committee approval as it did not involve any research on human participants or animal subjects. All experiments were conducted in silico algorithms. The use of established and publicly available algorithms does not necessitate additional ethical approval, as per institutional and international guidelines.

Thanks

Not applicable.

Genetik Gizemi Çözmek: Moleküler “Alman Tankı Problemi” Yaklaşımını Kullanarak Barkodlu Kanser Hücrelerinin Gizli Yığınını Tahmin Etmek

Abstract

Tedavi sonrasında tespit edilemeyen rezidüel kanser hücreleri, nüksetmeye, tedaviye direnç gelişmesine ve hastalığın ilerlemesine katkıda bulunabilecekleri için önemli bir klinik sorun teşkil etmektedir. Bu çalışma, Alman tank problemi’nden esinlenen istatistiksel bir yaklaşım kullanarak, tespit edilemeyen kanser hücrelerinin potansiyel yükünü tahmin etmek için simülasyon temelli bir moleküler tahmin çerçevesi önermektedir. Model, zaman içinde gizli rezidüel kanser hücre popülasyonunu tahmin etmek için seri örnekleme, simüle edilmiş moleküler barkod üretimi ve tümör hücresi çeşitliliğinin mutasyona dayalı temsilini bir araya getirmektedir. Mutasyon profilleri, barkod yapıları ve zamana bağlı örnek koleksiyonları dahil olmak üzere sanal kanser hastalarını temsil etmek için in silico veri setleri oluşturulmuştur. Önerilen tahminci, simüle edilmiş seri örneklerine uygulanmış ve örnek sayısı arttıkça yakınsama modelleri incelenerek model davranışı değerlendirilmiştir. Simülasyonlar, tekrarlanan örneklemenin tahmin istikrarını artırdığını ve rastgele barkod dağılımı ve bağımsız örnekleme varsayımları altında, tespit edilemeyen kanser hücrelerinin tahmin edilen sayısının önceden tanımlanmış simüle edilmiş yüküne yaklaştığını göstermiştir. Çerçeve ayrıca, tahmin edilen rezidüel hastalık yükündeki zamansal değişikliklerin görselleştirilmesini mümkün kıldı ve bu da uzunlamasına izleme için kavramsal bir araç olarak potansiyel kullanımını destekledi. Bu çalışma, hastadan elde edilen örnekleri veya klinik doğrulamayı içermese de, minimal rezidüel hastalığın dinamiklerini araştırmak için moleküler barkodlama, yeni nesil sekanslama ve istatistiksel tahminleri birleştirmeye yönelik teorik bir temel sağlar. Modeli doğrulamak, varsayımlarını iyileştirmek ve farklı kanser türlerinde uygulanabilirliğini değerlendirmek için deneysel olarak oluşturulan ve klinik olarak açıklanmış veri setlerini kullanan daha fazla çalışma gereklidir. Bu yaklaşım, kişiselleştirilmiş kanser izleme, nüks riski değerlendirmesi ve uyarlanabilir tedavi planlaması üzerine gelecekteki araştırmalara katkıda bulunabilir.

Keywords

• Kalıntı Neoplazm
• Dolaşımdaki Tümör DNA'sı
• İstatistiksel Modeller
• Yüksek Verimli Nükleotid Dizileme
• Lokal Neoplazm Nüksü
• ümör Heterojenliği
• Algoritmalar

Ethical Statement

Bu çalışma, insan katılımcıları veya hayvan deneklerini kapsayan herhangi bir araştırma içermediğinden etik kurul onayı gerektirmemektedir. Tüm deneyler bilgisayar ortamında (in silico) algoritmalar kullanılarak gerçekleştirilmiştir. Kurumsal ve uluslararası yönergelere uygun olarak, yerleşik ve kamuya açık algoritmaların kullanımı ek etik onay gerektirmemektedir

References

1. Vogelstein B, Papadopoulos N, Velculescu VE, Zhou S, Diaz LA Jr, Kinzler KW. Cancer genome landscapes. Science. 2013;339(6127):1546-1558. https://doi.org/10.1126/science.1235122
2. Kim C, Gao R, Sei E, Brandt R, Hartman J, Hatschek T, et al. Chemoresistance evolution in triple-negative breast cancer delineated by single-cell sequencing. Cell. 2018;173(4):879-893. https://doi.org/10.1016/j.cell.2018.03.041
3. Simon, C.M. A Bayesian Treatment of the German Tank Problem. Math Intelligencer. 2024;46:117–127. https://doi.org/10.1007/s00283-023-10274-6
4. Altman DG, McShane LM, Sauerbrei W, Taube SE. Reporting recommendations for tumor marker prognostic studies (REMARK): explanation and elaboration. BMC Med. 2012;10:51. https://doi.org/10.1186/1741-7015-10-51
5. Gerlinger M, Rowan AJ, Horswell S, et al. Intratumor heterogeneity and branched evolution revealed by multiregion sequencing. N Engl J Med. 2012;366(10):883-892. https://doi.org/10.1056/NEJMoa1113205
6. Kamps R, Brandão RD, Bosch BJ, Paulussen AD, Xanthoulea S, Blok MJ, et al. Next-generation sequencing in oncology: genetic diagnosis, risk prediction and cancer classification. Int J Mol Sci. 2017;18(2):308. https://doi.org/10.3390/ijms18020308
7. Sefrioui D, Mauger F, Leclere L, Beaussire L, Di Fiore F, Deleuze JF, et al. Comparison of the quantification of KRAS mutations by digital PCR and E-ice-COLD-PCR in circulating-cell-free DNA from metastatic colorectal cancer patients. Clin Chim Acta. 2017;465:1-4. https://doi.org/10.1016/j.cca.2016.12.004
8. Kuksin M, Morel D, Aglave M, Danlos FX, Marabelle A, Zinovyev A, et al. Applications of single-cell and bulk RNA sequencing in onco-immunology. Eur J Cancer. 2021;149:193-210. https://doi.org/10.1016/j.ejca.2021.03.005

9. Burrell RA, Swanton C. Tumor heterogeneity and the evolution of polyclonal drug resistance. Mol Oncol. 2014;8(6):1095-1111. https://doi.org/10.1016/j.molonc.2014.06.005
10. Shemesh CS, Hsu JC, Hosseini I, Shen BQ, Rotte A, Twomey P, et al. Personalized cancer vaccines: clinical landscape, challenges, and opportunities. Mol Ther. 2021;29(2):555-570. https://doi.org/10.1016/j.ymthe.2020.09.038
11. Gatenby RA, Brown JS. The evolution and ecology of resistance in cancer therapy. Cold Spring Harb Perspect Med. 2020;10(11):a040972. https://doi.org/10.1101/cshperspect.a040972
12. Marzo-Castillejo M, Vela-Vallespín C. Sobrediagnóstico en cáncer [Overdiagnosis in cancer]. Aten Primaria. 2018;50(Suppl 2):51-56. https://doi.org/10.1016/j.aprim.2018.08.002
13. Shafighi S, Geras A, Jurzysta B, et al. Integrative spatial and genomic analysis of tumor heterogeneity with Tumoroscope. Nature Communications. 2024;15:9343. https://doi.org/10.1038/s41467-024-53374-3
14. Howland KK, Brock A. Cellular barcoding tracks heterogeneous clones through selective pressures and phenotypic transitions. Trends in Cancer. 2023;9(7):591–601. https://doi.org/10.1016/j.trecan.2023.03.008
15. Sankaran VG, Weissman JS, Zon LI. Cellular barcoding to decipher clonal dynamics in disease. Science. 2022;378(6616). https://doi.org/10.1126/science.abm5874
16. Pantel K, Alix-Panabières C. Minimal residual disease as a target for liquid biopsy in patients with solid tumours. Nature Reviews Clinical Oncology. 2025;22(1):65–77. https://doi.org/10.1038/s41571-024-00967-y
17. Boukouris AE, Michaelidou K, Joosse SA, Charpidou A, Mavroudis D, Syrigos KN, Agelaki S. A comprehensive overview of minimal residual disease in the management of early-stage and locally advanced non-small cell lung cancer. npj Precision Oncology. 2025;9:178. https://doi.org/10.1038/s41698-025-00984-9
18. Zheng J, Qin C, Wang Q, Tian D, Chen Z. Circulating tumour DNA-based molecular residual disease detection in resectable cancers: a systematic review and meta-analysis. EBioMedicine. 2024;103:105109. https://doi.org/10.1016/j.ebiom.2024.105109
19. Schmitt MW, Kennedy SR, Salk JJ, Fox EJ, Hiatt JB, Loeb LA. Detection of ultra-rare mutations by next-generation sequencing. Proc Natl Acad Sci USA. 2012;109(36):14508-14513. https://doi.org/10.1073/pnas.1208715109
20. Swanton C. Intratumor heterogeneity: evolution through space and time. Cancer Res. (19)2012;72(19):4875-4882. https://doi.org/10.1158/0008-5472.CAN-12-2217
21. Dienstmann R, Vermeulen L, Guinney J, Kopetz S, Tejpar S, Tabernero J. Consensus molecular subtypes and the evolution of precision medicine in colorectal cancer. Nat Rev Cancer. 2017;17(2):79-92. https://doi.org/10.1038/nrc.2016.126