Multi-omics-based Drug Response Prediction of Cancer Cell Lines with DELFOS

Detalhes bibliográficos
Autor(a) principal: Piochi, Luiz Felipe Caparelli
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/105989
Resumo: Dissertação de Mestrado em Biologia Celular e Molecular apresentada à Faculdade de Ciências e Tecnologia
id RCAP_3ca3cbfa279f361db971b1f74d705ea9
oai_identifier_str oai:estudogeral.uc.pt:10316/105989
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Multi-omics-based Drug Response Prediction of Cancer Cell Lines with DELFOSPrevisão de Resposta a Fármacos baseada em Multi-Ómicas com DELFOSCancroMachine LearningÓmicasPrevisão de Resposta a FármacosSingle-CellCancerMachine LearningOmicsDrug Response PredictionSingle-CellDissertação de Mestrado em Biologia Celular e Molecular apresentada à Faculdade de Ciências e TecnologiaO cancro é actualmente uma das doenças mais notórias, com mais de um milhão de mortes só na União Europeia em 2022. O que o torna verdadeiramente devastador é a sua heterogeneidade, uma vez que cada tumor pode ser composto por diversos tipos de células com genótipos distintos, adquirindo resistência a diferentes compostos. Além disso, os medicamentos anticancerígenos também podem apresentar efeitos secundários severos, comprometendo o bem-estar dos doentes. Por conseguinte, novas estratégias para identificar o conjunto óptimo de compostos para tratar cada tumor tornaram-se um importante tópico de investigação. Para atingir este fim, desenvolvemos um novo algoritmo de previsão de resposta a fármacos chamado Drug Efficacy Leveraging Forked and Specialized networks (DELFOS). O nosso modelo integra múltiplos dados de ómicas de quase 60 linhas de células cancerígenas de mais de 15 tecidos, bem como dados estruturais de mais de 200 compostos para a previsão da sensibilidade aos fármacos. Além disso, dado o aumento das tecnologias single-cell e o seu potencial em explorar subpopulações celulares dentro de um tecido, também avaliámos a influência dos dados de expressão single-cell das mesmas linhas celulares na previsão das respostas aos medicamentos. Nosso modelo foi validado através da avaliação da performance de previsão das respostas a drogas para linhas celulares ou fármacos que não foram utilizadas para treinar o algoritmo. Além disso, DELFOS teve sua performance comparada com a outros algoritmos de última geração. De acordo, DELFOS alcançou resultados comparáveis aos de algoritmos recentemente publicados e foi capaz de superar diferentes modelos recentes.Cancer is currently one of the most notorious diseases, with over one million deaths in the European Union alone in 2022. What makes it truly devastating is its heterogeneity, as each tumor can be composed of diverse cell types with distinct genotypes, acquiring resistance to different compounds. Moreover, anticancer drugs can display harsh side effects, compromising patient well-being. Therefore, novel strategies to identify the optimal set of compounds to treat each tumor have become an important research topic. To address this issue, we developed a novel drug response prediction (DRP) algorithm called Drug Efficacy Leveraging Forked and Specialized networks (DELFOS). Our model integrates multi-omics data from almost 60 cancer cell lines from over 15 tissues, as well as structural data from over 200 compounds for the prediction of drug sensitivity. Moreover, given the rise of single-cell technologies and their potential in unraveling cell subpopulations within a tissue, we also evaluated the influence of single-cell expression data from the same cell lines on the prediction of drug responses. Our model was validated by evaluating the prediction performance of drug responses for cell lines or drugs that were not used to train the algorithm. Furthermore, DELFOS was had its performance compared with other state-of-the-art DRP algorithms. Accordingly, DELFOS achieved results comparable to those of recently published algorithms and was effectively capable of outperforming different recent models.2023-02-222025-02-21T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/105989http://hdl.handle.net/10316/105989TID:203249895engPiochi, Luiz Felipe Caparelliinfo: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:RCAAP2023-10-27T11:13:05Zoai:estudogeral.uc.pt:10316/105989Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:22:27.691744Repositório 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 Multi-omics-based Drug Response Prediction of Cancer Cell Lines with DELFOS
Previsão de Resposta a Fármacos baseada em Multi-Ómicas com DELFOS
title Multi-omics-based Drug Response Prediction of Cancer Cell Lines with DELFOS
spellingShingle Multi-omics-based Drug Response Prediction of Cancer Cell Lines with DELFOS
Piochi, Luiz Felipe Caparelli
Cancro
Machine Learning
Ómicas
Previsão de Resposta a Fármacos
Single-Cell
Cancer
Machine Learning
Omics
Drug Response Prediction
Single-Cell
title_short Multi-omics-based Drug Response Prediction of Cancer Cell Lines with DELFOS
title_full Multi-omics-based Drug Response Prediction of Cancer Cell Lines with DELFOS
title_fullStr Multi-omics-based Drug Response Prediction of Cancer Cell Lines with DELFOS
title_full_unstemmed Multi-omics-based Drug Response Prediction of Cancer Cell Lines with DELFOS
title_sort Multi-omics-based Drug Response Prediction of Cancer Cell Lines with DELFOS
author Piochi, Luiz Felipe Caparelli
author_facet Piochi, Luiz Felipe Caparelli
author_role author
dc.contributor.author.fl_str_mv Piochi, Luiz Felipe Caparelli
dc.subject.por.fl_str_mv Cancro
Machine Learning
Ómicas
Previsão de Resposta a Fármacos
Single-Cell
Cancer
Machine Learning
Omics
Drug Response Prediction
Single-Cell
topic Cancro
Machine Learning
Ómicas
Previsão de Resposta a Fármacos
Single-Cell
Cancer
Machine Learning
Omics
Drug Response Prediction
Single-Cell
description Dissertação de Mestrado em Biologia Celular e Molecular apresentada à Faculdade de Ciências e Tecnologia
publishDate 2023
dc.date.none.fl_str_mv 2023-02-22
2025-02-21T00:00:00Z
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/10316/105989
http://hdl.handle.net/10316/105989
TID:203249895
url http://hdl.handle.net/10316/105989
identifier_str_mv TID:203249895
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_ 1799134113693696000

Registros relacionados