Aplicação de aprendizado de máquina para descobertas de farmacogenômica no tratamento do câncer de esôfago

Abstract

A farmacogenômica é a área que estuda como as variações genômicas podem influenciar na resposta aos medicamentos. Através dela é possível explorar e definir os medicamentos mais indicados para diferentes pessoas e seus perfis genéticos, a fim de tornar os tratamentos mais personalizados. Estudos recentes mapeiam a resposta de linhagens celulares relacionadas ao câncer para uma ampla coleção de fármacos utilizados em tratamentos, aplicando técnicas de aprendizado de máquina para tarefas de predição. O objetivo dessa dissertação é desenvolver modelos de redes neurais profundas buscando predizer a resposta de diferentes perfis para 174 fármacos de tratamento do câncer de esôfago. Foram construídos modelos de aprendizagem profunda que, integrando dados do perfil de expressão, mutações e dados clínicos, estimam a resposta de diferentes compostos, com base nos valores de IC50. Foram aplicadas estruturas de autocodificadores para extração de representação dos dados de treinamento, aliado a uma rede neural profunda. O modelo inicial obteve resultados positivos em comparação a trabalhos anteriores e, a partir destes, foram exploradas formas de aprimorar a predição da rede neural. Foi introduzida uma nova arquitetura com a integração dos dados clínicos devido a importância dos fatores de risco relacionados aos casos de câncer de esôfago. Além disso, outra motivação para explorar esses dados é que ainda são mais comuns de serem obtidos na prática clínica. Os modelos apresentaram resultados de 0,74 e 0,72 respectivamente, considerando a métrica de avaliação de erro médio quadrático.Apesar dos resultados positivos, foram identificadas limitações da implementação, especialmente sobre os dados clínicos em relação a sua quantidade e qualidade da informação. Os resultados experimentais mostram que o tema de pesquisa é promissor e podem levar a inovações capazes de melhora na qualidade de vida dos pacientes.

Pharmacogenomics is the area that studies how genomic variations influence drug response. Through it studies, it is possible to explore and define the most suitable drugs for different patients and their genetic profiles, in order to make treatments more personalized. Recent studies map the response of cancer-related cell lines to a wide collection of drugs used in treatments, applying machine learning techniques for prediction tasks. Our goal is to develop deep neural network models seeking to predict the response of different profiles to 174 drugs used for the treatment of esophageal cancer. Deep learning models were built to estimate the response of different compounds, based on its IC50 values, by integrating expression, mutation and clinical data. Autoencoders were developed to extract the representation of the training data, combined with a deep neural network. The initial model obtained positive results compared to previous work and based on these we explored new approaches to improve the neural network. We introduced a new architecture with the integration of clinical data due to the importance of risk factors related to esophageal cancer cases. Furthermore, another motivation to explore these data is that they are still more common to be obtained in clinical practice. The models presented results of 0.74 and 0.72 respectively, considering the mean squared error evaluation metric. Despite the positive results, implementation limitations were identified, especially regarding clinical data in terms of quantity and quality of information. The experimental results show that the research topic is promising and can lead to innovations capable of improving the quality of life of patients.