Deep Modelling for Anticancer Drug Response Prediction with Therapeutic Data

Detalhes bibliográficos
Autor(a) principal: Carvalho, Filipa Graça
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/102981
Resumo: Trabalho de Projeto do Mestrado em Engenharia Biomédica apresentado à Faculdade de Ciências e Tecnologia
id RCAP_cd9ba5fc08e0e384a6bb27e66f902ede
oai_identifier_str oai:estudogeral.uc.pt:10316/102981
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Deep Modelling for Anticancer Drug Response Prediction with Therapeutic DataModelo de Aprendizagem Profunda para Previsão de Resposta a Fármacos Anticancerígenos com Dados TerapêuticosAprendizagem ProfundaRedes Neuronais RecorrentesRedes Neuronais ConvolucionaisExpressão Génica e Perfis de MutaçãoSMILESDeep LearningRecurrent Neural NetworksConvolutional Neural NetworksGene Expression and Mutation ProfilesSMILESTrabalho de Projeto do Mestrado em Engenharia Biomédica apresentado à Faculdade de Ciências e TecnologiaO cancro é uma das principais causas de morte em todo o mundo, urgindo a necessidade da sua deteção e tratamento. Na era da medicina de precisão, o principal objetivo é incorporar a variabilidade individual para selecionar com mais exatidão as estratégias de terapia e prevenção que se adequam a cada pessoa. No entanto, a previsão acerca da resposta a um fármaco para o tratamento do cancro continua a ser um desafio.Abordagens bem sucedidas, incluindo aprendizagem de máquina e aprendizagem profunda, foram apresentadas para prever a sensibilidade de tumores a tratamentos anticancerígenos, contudo, devido à complexidade do problema, permanecem ainda muitos desafios em traduzir a combinação de diversos dados clínicos com dados genómicos num prognóstico adequado.Neste trabalho, são propostos dois modelos de arquitetura de aprendizagem profunda para prever o efeito de fármacos anticancerígenos em tumores através da concentração inibitória média (IC50). Ambos os modelos podem ser divididos em duas partes: primeiramente, é realizado o pré-treino de dois autoencoders com dados de grande dimensão (expressão e mutação genéticas) para capturar as características fundamentais dos tumores; de seguida, este conhecimento genético é transferido para linhas celulares cancerígenas para prever o impacto das variantes genéticas num determinado fármaco. Ademais, foram introduzidas estruturas SMILES para o modelo apreender as características relevantes das moléculas através da utilização de Redes Neuronais Recorrentes e Redes Neuronais Convolucionais. Finalmente, o modelo aplica dados de sensibilidade de fármacos correlacionados com os dados genómicos e moleculares para identificar características que prevêem o valor de IC50 para cada par fármaco-linha celular.Os resultados obtidos demonstram a capacidade de ambos os modelos em extrair representações relevantes dos dados para prever interações fármaco-recetor, isto é, o valor de IC50 que descreve a potência de uma substância em inibir um tumor. Os modelos propostos alcançaram um desempenho de erro quadrático médio de 1,08 e 1,06, superando modelos anteriormente apresentados no estado da arte.Cancer is a leading cause of death worldwide, enhancing the need for its detection and treatment. In the era of precision medicine, the main goal is to incorporate individual variability in order to choose more accurately which therapy and prevention strategies suit each person. However, drug response prediction for cancer treatment remains a challenge.Successful approaches, including machine and deep learning, have been proposed to predict the sensitivity of tumors to specific anticancer treatments, however, due to the complexity of the problem, there remain many challenges in how to effectively translate the combination of clinical data with genomics data into prognostic.In this work, it is proposed two deep neural network models to predict the effect of anticancer drugs in tumors through the half-maximal inhibitory concentration (IC50). The models can be seen as two-fold: first, we pre-trained two autoencoders with high-dimensional data (gene expression and mutation profiles) to capture the essential features from tumors; then, this genetic background is translated to cancer cell lines to predict the impact of the genetic variants on a given drug. Moreover, SMILES structures were introduced so that the model can apprehend relevant features regarding the drug compound using Recurrent Neural Networks (RNNs) and Convolutional Neural Networks (CNNs). Finally, the model applies drug sensitivity data correlated to the genomic and drugs data to identify features that predict the IC50 value for each pair of drug-cell line.The obtained results demonstrate the effectiveness of both models in extracting deep representations to predict drug-target interactions, i.e., the IC50 value that portrays the potency of a substance in inhibiting a tumor. The proposed models achieved a performance of a mean squared error of 1.08 and 1.06, outperforming previous state-of-the-art models.FCT2022-09-282024-03-21T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/102981http://hdl.handle.net/10316/102981TID:203079442engCarvalho, Filipa Graçainfo:eu-repo/semantics/embargoedAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-10-27T11:09:32Zoai:estudogeral.uc.pt:10316/102981Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:19:51.966565Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Deep Modelling for Anticancer Drug Response Prediction with Therapeutic Data
Modelo de Aprendizagem Profunda para Previsão de Resposta a Fármacos Anticancerígenos com Dados Terapêuticos
title Deep Modelling for Anticancer Drug Response Prediction with Therapeutic Data
spellingShingle Deep Modelling for Anticancer Drug Response Prediction with Therapeutic Data
Carvalho, Filipa Graça
Aprendizagem Profunda
Redes Neuronais Recorrentes
Redes Neuronais Convolucionais
Expressão Génica e Perfis de Mutação
SMILES
Deep Learning
Recurrent Neural Networks
Convolutional Neural Networks
Gene Expression and Mutation Profiles
SMILES
title_short Deep Modelling for Anticancer Drug Response Prediction with Therapeutic Data
title_full Deep Modelling for Anticancer Drug Response Prediction with Therapeutic Data
title_fullStr Deep Modelling for Anticancer Drug Response Prediction with Therapeutic Data
title_full_unstemmed Deep Modelling for Anticancer Drug Response Prediction with Therapeutic Data
title_sort Deep Modelling for Anticancer Drug Response Prediction with Therapeutic Data
author Carvalho, Filipa Graça
author_facet Carvalho, Filipa Graça
author_role author
dc.contributor.author.fl_str_mv Carvalho, Filipa Graça
dc.subject.por.fl_str_mv Aprendizagem Profunda
Redes Neuronais Recorrentes
Redes Neuronais Convolucionais
Expressão Génica e Perfis de Mutação
SMILES
Deep Learning
Recurrent Neural Networks
Convolutional Neural Networks
Gene Expression and Mutation Profiles
SMILES
topic Aprendizagem Profunda
Redes Neuronais Recorrentes
Redes Neuronais Convolucionais
Expressão Génica e Perfis de Mutação
SMILES
Deep Learning
Recurrent Neural Networks
Convolutional Neural Networks
Gene Expression and Mutation Profiles
SMILES
description Trabalho de Projeto do Mestrado em Engenharia Biomédica apresentado à Faculdade de Ciências e Tecnologia
publishDate 2022
dc.date.none.fl_str_mv 2022-09-28
2024-03-21T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/102981
http://hdl.handle.net/10316/102981
TID:203079442
url http://hdl.handle.net/10316/102981
identifier_str_mv TID:203079442
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/embargoedAccess
eu_rights_str_mv embargoedAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799134092276531200

Registros relacionados