1. DeepCINET model to determine the influence of genetic information on patients' drug response
- Author
-
Universitat Politècnica de Catalunya. Departament de Física, University of Toronto, Haibe-Kains, Benjamin, Delgado Sánchez, Marc, Universitat Politècnica de Catalunya. Departament de Física, University of Toronto, Haibe-Kains, Benjamin, and Delgado Sánchez, Marc
- Abstract
Les metodologies basades en la medicina de precisió estan en alça i, entre elles, la farmacogenòmica està obrint camí per descobrir la correlació entre la informació genètica del pacient i la seva resposta a tractaments. Entre aquests mètodes, els models de predicció de resposta a fàrmacs (DRP, per les seves sigles en anglès) tenen com a objectiu predir les respostes dels sistemes biològics a medicaments, utilitzant dades òmiques com una font prometedora d’informació. No obstant això, la majoria dels models no tenen en compte la naturalesa intrínsecament sorollosa de les dades biològiques, com ara les òmiques o les mètriques de resposta a fàrmacs. El projecte DeepCINET presenta una metodologia d’entrenament innovadora per a aquests models que contempla el soroll biològic present en les dades d’entrenament, i l’aprofita per produir models que aconsegueixin un millor rendiment i millors capacitats predictives. Basats en l’ús exclusiu de parells de mostres fora del rang de soroll per a l’entrenament, els models de DeepCINET fan servir dades de RNA-Seq per predir les respostes de línies cel·lulars de càncer als fàrmacs, amb l’objectiu d’impulsar l’oncologia de precisió a noves alçades., Las metodologías basadas en la medicina de precisión están en auge y, entre ellas, la farmacogenómica está abriendo camino para descubrir la correlación entre la información genética del paciente y su respuesta al tratamiento. Entre estos métodos, los modelos de predicción de respuesta a fármacos (DRP, por sus siglas en inglés) tienen como objetivo predecir las respuestas de los sistemas biológicos a medicamentos, utilizando datos ómicos como una fuente prometedora de información. Sin embargo, la mayoría de los modelos no tienen en cuenta la naturaleza intrínsecamente ruidosa de los datos biológicos, tales como los ómicos o las métricas de respuesta a fármacos. El proyecto DeepCINET presenta una metodología de entrenamiento innovadora para estos modelos que contempla el ruido biológico presente en los datos de entrenamiento, y lo aprovecha para producir modelos que logren un mejor rendimiento y mejores capacidades predictivas. Basados en el uso exclusivo de pares de muestras fuera del rango de ruido para el entrenamiento, los modelos de DeepCINET utilizan datos de RNA-Seq para predecir las respuestas de líneas celulares de cáncer a los fármacos, con el objetivo de impulsar la oncología de precisión a nuevas alturas., Emerging methodologies rooted in precision medicine are gaining prominence, with pharmacogenomics emerging as a frontrunner in uncovering the relationship between patient genetic profiles and treatment outcomes. Within this landscape, Drug Response Prediction (DRP) models stand out for their ability to forecast biological system reactions to pharmaceutical interventions, leveraging omics data as a promising information source. However, the majority of existing models overlook the inherently noisy nature of biological datasets such as omics data or drug response metrics. The DeepCINET project presents a novel approach to training DRP models, explicitly addressing the biological noise inherent in training data and leveraging it to enhance model performance and predictive accuracy. By exclusively utilizing sample pairs falling outside the noise range during training, DeepCINET models employ RNA-Seq data to forecast drug responses in cancer cell-lines, thereby advancing the frontiers of precision oncology., Outgoing
- Published
- 2024