Predicting drug sensitivity in cancer cell lines using contextualized prior knowledge networks and graph neural networks
Kanser hücre kültüründe ilaç duyarlılığının bağlamsallaştırılmış önceki bilgi ağları ve grafik sinir ağları kullanılarak tahmin edilmesi
- Tez No: 921379
- Danışmanlar: PROF. DR. MEHMET HALİT SEYFULLAH OĞUZTÜZÜN, PROF. DR. MEHMET VOLKAN ATALAY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 89
Özet
Kanser tedavilerinin keşfi ve geliştirilmesi, genellikle hedef etkinliğinin yetersizliği, beklenmeyen hedef dışı toksisite ve tümörler arasındaki moleküler heterojenite nedeniyle yüksek başarısızlık oranlarıyla karşı karşıyadır. Bu zorlukları ele almak ve hassas onkolojiyi geliştirmek amacıyla, çoklu-omik verilerini, ön bilgi ağlarını ve derin öğrenme mimarilerini bir araya getiren bütünleşik bir hesaplama kütüphanesi öneriyoruz. Hücre kültürlerinde ilaç duyarlılığını tahmin etmek için, transkriptomik verilerini kullanarak tek değişkenli lineer modeller yardımıyla transkripsiyon faktörü aktivitelerini çıkarıp ve düzenleyici etkileşimleri yakalamak için derlenmiş biyolojik ağları sisteme dahil ediyoruz. Bu temsiller, bağlam spesifik ve biyolojik olarak tutarlı ağ gömüleri elde etmek için MOON (Meta-fOOtprint aNalysis) kullanılarak rafine ettik. İlaç tarafında ise, temel yapısal özellikleri model tarafından işlenebilir bir formatta yakalamak amacıyla Extended Connectivity Fingerprint (ECFP) kullanılarak ilaçları temsil ediyoruz. Bu yapıda, ön bilgi ağlarından elde edilen bağlamsal olarak zenginleştirilmiş temsilleri öğrenmek için bir Grafik Sinir Ağı (Graph Neural Network, GNN) kullanırken, ECFP vektörlerini işlemek için tam bağlantılı bir ileri beslemeli sinir ağı (feed-forward neural network) kullanıyoruz. Öğrenilen bu temsiller, çeşitli hücre hattı–ilaç kombinasyonları için yarı maksimal inhibitör konsantrasyon (IC50) değerlerini tahmin etmek üzere birleştiriyoruz. Yaklaşımımız, ham gen ekspresyonu, transkripsiyon faktörü aktiviteleri ve MOON ile rafine edilmiş temsillerin öngörü performansları karşılaştırılarak, klasik regresyon ve makine öğrenimi modellerine karşı değerlendiriyoruz.
Özet (Çeviri)
The discovery and development of effective anticancer therapies face high failure rates, often due to inadequate target efficacy, unintended off-target toxicity, and molecular heterogeneity among tumors. To address these challenges and enhance precision oncology, we introduces an integrated computational framework that combines multi-omics data, prior knowledge networks, and deep learning architectures for predicting drug sensitivity in cancer cell lines. A central contribution of this work is the explicit integration of these prior knowledge networks, which allows us to incorporate established biological interactions and thereby improve both the interpretability and robustness of our models. We leverage transcriptomic data to infer transcription factor activities using univariate linear models and incorporate curated biological networks to capture regulatory interactions. These representations are refined using MOON (Meta-fOOtprint aNalysis), ensuring context-specific, biologically consistent network embeddings. On the compound side, we represent drugs using Extended Connectivity Fingerprints (ECFPs), capturing essential structural features in a machine-readable format. A Graph Neural Network (GNN) is employed to learn from these contextually enriched prior knowledge networks, while a feed-forward neural network processes the ECFP vectors. By merging these learned representations, we predict half-maximal inhibitory concentrations (IC50) for various cell line–drug combinations. We benchmark our approach against classical regression and machine learning models, comparing the predictive performance of raw gene expression, transcription factor activities, and MOON-refined representations.
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
- Prediction of drug response in cancer using hybrid deep neural networks
Hibrit derin sinir ağları ile kanserde ilaç yanıt tahmini
BURAKCAN İZMİRLİ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. TUNCA DOĞAN
- Ağırlandırılmış gen ko-ekspresyon ağ analizininden (WGCNA) elde edilen biyobelirteçlerin kullanılmasıyla malign melanomda ilaç seçimi
Drug selection for malignant melanoma using biomarkers generated by weighted gene co-expression network analysis (WGCNA)
SEMİH ALPSOY
Yüksek Lisans
İngilizce
2017
BiyoistatistikOrta Doğu Teknik ÜniversitesiSağlık Bilişimi Ana Bilim Dalı
YRD. DOÇ. DR. AYBAR CAN ACAR
DOÇ. DR. ALİ OSMAY GÜRE
- Integrative network modelling of drug responses in cancer for revealing mechanism of action
Kanserde ilaç etkilerinin ve benzerliklerinin bulunması amaçlı çoklu omik veri entegrasyonu ile biyolojik ağ modelleme
ŞEYMA ÜNSAL BEYGE
Doktora
İngilizce
2021
BiyoistatistikOrta Doğu Teknik ÜniversitesiTıp Bilişimi Ana Bilim Dalı
DOÇ. DR. NURCAN TUNÇBAĞ
- Topluluk yöntemi ve ilaç imzaları kullanılarak anti kanser ilaçların aktivite tahmini
Activity prediction of anti cancer drugs by using ensemble learning and drugs' signatures
ERTAN TOLAN
Yüksek Lisans
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MEHMET TAN