Prediction of drug response in cancer using hybrid deep neural networks
Hibrit derin sinir ağları ile kanserde ilaç yanıt tahmini
- Tez No: 866600
- Danışmanlar: PROF. DR. TUNCA DOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 117
Özet
Her hastaya en uygun tedavi seçeneğini belirlemek, tıbbın ana hedefidir. Aynı tanıya sahip hastalar, genetik heterojenlik nedeniyle uygulanan tedaviye özellikle kanserlerde farklı duyarlılık gösterebilir. Bu çalışmada, kanser hücrelerinin ilaç yanıtlarını (duyarlılığını) tahmin eden bir makine öğrenmesi tabanlı sistem olan DeepResponse'u öneriyoruz. DeepResponse, büyük ölçekli tarama projelerinden elde edilen farklı kanser hücre hatlarının çoklu-omik profillerini ve ilaçların moleküler özelliklerini giriş seviyesinde kullanır ve tümörün çoklu-omik özellikleri ile uygulanan ilaca olan duyarlılığı arasındaki ilişkiyi öğrenmek için hibrit konvolüsyonel ve çizge dönüştürücü derin sinir ağları aracılığıyla işler. DeepResponse, rastgele bölme, hücre tabakalaştırılmış bölme ve ilaç tabakalaştırılmış bölme test veri setleri için sırasıyla 1.014 ± 0.001, 1.105 ± 0.013 ve 1.142 ± 0.104 kök ortalama kare hatasına ulaşarak ilaç yanıtlarını tahmin etmedeki etkinliğini göstermiştir. Performans sonuçları, DeepResponse'un kanser hücrelerinin ilaç duyarlılığını başarıyla tahmin ettiğini ve özellikle çoklu-omik yönünün öğrenme sürecinden faydalandığını ve tüm bölümlerde mevcut modellerden daha iyi performansa sahip olduğunu gösterir. Her bir omik veri türünün DeepResponse'un performansı üzerindeki etkisini değerlendirmek için bir ablasyon çalışması yürütüldü, bu da ilaç yanıtı tahmininde çoklu- omik entegrasyonun önemini kanıtladı. DeepReponse'un kullanımına örnek olarak, Eprinomectin, hepatosellüler karsinoma kanser hücre hatlarına karşı yeniden amaçalanma ilaç adayı olarak önerildi ve ıslak laboratuvar deneylerinde doğrulandı. DeepResponse'un kod tabanı, veri setleri ve sonuçları https://github.com/HUBioDataLab/DeepResponse adresinde paylaşılmıştır. DeepResponse, yeni ilaç adaylarının erken aşama keşfi ve dirençli tümörlere karşı mevcut olanların yeniden amaçlanması için kullanılabilir.
Özet (Çeviri)
Assessing the best treatment option for each patient is the main goal of precision medicine. Patients with the same diagnosis may display varying sensitivity to the applied treatment due to genetic heterogeneity, especially in cancers. Here, we propose DeepResponse, a machine learning-based system that predicts drug responses (sensitivity) of cancer cells. DeepResponse employs multi-omics profiles of different cancer cell-lines obtained from large-scale screening projects, together with drugs' molecular features at the input level, and processing them via hybrid convolutional and graph-transformer deep neural networks to learn the relationship between multi- omics features of the tumor and its sensitivity to the administered drug. DeepResponse has reached a Root Mean Squared Error (RMSE) of 1.014 ± 0.001 in random split, 1.105 ± 0.013 in cell stratified split, and 1.142 ± 0.104 in drug stratified split test datasets, showcasing its effectiveness in predicting drug responses. Performance results indicated DeepResponse successfully predicts drug sensitivity of cancer cells, and especially the multi-omics aspect benefited the learning process and yielded better performance compared to the state-of-the-art on all the splits. An ablation study was conducted to assess the impact of each omics data type on the performance of DeepResponse, providing further insights into the importance of multi- omics integration in drug response prediction. As a use case analysis, Eprinomectin was proposed as a drug repurposing candidate against hepatocellular carcinoma cancer cell lines, which was validated in wet lab experiments. The code base, datasets, and results of DeepResponse are openly shared at https://github.com/HUBioDataLab/DeepResponse. DeepResponse can be used for early-stage discovery of new drug candidates and for repurposing the existing ones against resistant tumors.
Benzer Tezler
- Kanser hücre hatlarında multi-omik verilerin ağ tabanlı entegrasyonundan öğrenme yoluyla ilaç yanıtının tahmin edilmesi
Predicting drug response through learning from network-based integration of multi-omics data in cancer cell lines
SINA DADMAND
Yüksek Lisans
İngilizce
2023
Mühendislik BilimleriKoç ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
DOÇ. DR. NURCAN TUNÇBAĞ
- Rankpcsf: A disease module identification method by integrating network propagation with prize-collecting steiner forest
Rankpcsf: Ağ üzerinde yayılım ve ödül toplayan steiner ormanı kullanarak hastalık modülü tespit metodu
ARDA ESKİN
Yüksek Lisans
İngilizce
2022
BiyolojiOrta Doğu Teknik ÜniversitesiTıp Bilişimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURÇAK OTLU SARITAŞ
DOÇ. DR. NURCAN TUNÇBAĞ
- Kanser hücre hatlarında OTX015 (MK-8628/bırabresıb) ilaç yanıtının makine öğrenme modeli ile tahmini
Prediction of OTX015 (MK-8625/birabresib) drug response in cancer cell lines using machine learning model
GİZEM TUTKUN
Yüksek Lisans
Türkçe
2024
BiyomühendislikAkdeniz ÜniversitesiTıbbi Biyoteknoloji Ana Bilim Dalı
DOÇ. DR. UĞUR BİLGE
- Patient-derived tumor organoids for prediction of drug response
İlaç yanıtının tahmini için hasta kaynaklı tümör organoidleri
EMİNE BERNA BIÇAK
Yüksek Lisans
İngilizce
2022
BiyolojiDokuz Eylül ÜniversitesiMoleküler Biyoloji ve Genetik Ana Bilim Dalı
PROF. DR. ŞERİFE ESRA ERDAL BAĞRIYANIK
- Generation and characterization of tumor spheroids from gastric cancer cell lines, SNU-484 and NCI-N87
Gastrik kanser hücre hatları, SNU-484 ve NCI-N87'den tümör sferoidlerinin üretimi ve karakterizasyonu
HİLAL TAŞKIRAN
Yüksek Lisans
İngilizce
2023
Moleküler TıpKoç ÜniversitesiHücresel ve Moleküler Tıp Bilim Dalı
PROF. DR. KEMAL BAYSAL