Predicción de respuesta a fármacos quimioterapéuticos a partir de datos genómicos

Abstract

El cáncer es una de las principales causas de mortalidad en el mundo. A pesar de los grandes avances realizados en las últimas décadas, en muchos casos los tumores no responden al tratamiento estándar o bien desarrollan resistencia durante el mismo. Para facilitar futuros tratamientos personalizados se están desarrollando una serie de tecnologias genómicas de alto rendimiento, entre ellas algoritmos de Machine Learning de predicción de respuesta a fármacos. Con esto en mente he aplicado una serie de algoritmo de Machine Learning con distintas combinaciones de personalización de ajuste con la finalidad de desarrollar modelos capaces de predecir, con la mayor precisión posible, la respuesta a fármacos registrados en el GDSC y DepMap Broad Institute. Estos algoritmos han sido entrenados y ajustados para 4 fármacos al azar para ver la precisión de predicción sobre sus correspondientes datos de expresión en base a los valores AUC obtenidos por estas dos Instituciones con resultados favorables y obteniéndo las 2 mejores combinaciones probadas: El fármaco que mejor se predice es el Erlotinib con un 87,64% de precisión acertando predicciones en una partición de datos 60/20/20, mediante Random Search en Random Forest cuando los valores Auc están discretizados. Cuando los predictores han sido entrenados como valores continuos el mejor valor de R2 obtenido ha sido 1 correspondiente a la predicción de respuesta para los fármacos Erlotinib, Rapamycin y Sunitinib mediante el modelo ajustado de regularización de Ridge con hiperparámetros seleccionados mediante RandomSearch y con una particion 80/20 en 10 folds validación cruzada.

Cancer is one of the leading causes of death in the world. Despite the great advances made in recent decades, in many cases the tumors do not respond to standard treatment or develop resistance during treatment. In order to facilitate future personalized treatments, a series of high-performance genomic technologies are being developed, including Machine Learning algorithms for predicting drug response. With this in mind, I have applied a series of Machine Learning algorithms with different combinations of adjustment customization in order to develop models capable of predicting, as accurately as possible, the response to drugs registered at the GDSC and DepMap Broad Institute. These algorithms have been trained and adjusted for 4 random drugs to see the accuracy of prediction on their corresponding expression data based on the AUC values obtained by these two institutions with favorable results and obtaining the 2 best combinations tested: The drug that is best predicted is Erlotinib with 87.64% accuracy, accurate predictions in a 60/20/20 data partition, by means of Random Search in Random Forest when the Auc values are discretised. When the predictors have been trained as continuous values, the best R2 value obtained was 1 corresponding to the response prediction for Erlotinib, Rapamycin and Sunitinib drugs using the adjusted Ridge regularization model with hyperparameters selected by RandomSearch and with an 80/20 partition in 10 en validación cruzada folds.

El càncer és una de les principals causes de mortalitat en el món. Malgrat els grans avanços realitzats en les últimes dècades, en molts casos els tumors no responen al tractament estàndard o bé desenvolupen resistència durant aquest. Per a facilitar futurs tractaments personalitzats s'estan desenvolupant una sèrie de tecnologias genòmiques d'alt rendiment, entre elles algorismes de Machine Learning de predicció de resposta a fàrmacs. Amb això en ment he aplicat una sèrie d'algorisme de Machine Learning amb diferents combinacions de personalització d'ajust amb la finalitat de desenvolupar models capaços de predir, amb la major precisió possible, la resposta a fàrmacs registrats en el GDSC i DepMap Broad Institute. Aquests algorismes han estat entrenats i ajustats per a 4 fàrmacs a l'atzar per a veure la precisió de predicció sobre les seves corresponents dades d'expressió sobre la base dels valors AUC obtinguts per aquestes dues Institucions amb resultats favorables i obteniéndo les 2 millors combinacions provades: El fàrmac que millor es prediu és el Erlotinib amb un 87,64% de precisió encertant prediccions en una partició de dades 60/20/20, mitjançant Random Search en Random Forest quan els valors Auc estan discretizados. Quan els predictors han estat entrenats com a valors continus el millor valor de R2 obtingut ha estat 1 corresponent a la predicció de resposta per als fàrmacs Erlotinib, Rapamycin i Sunitinib mitjançant el model ajustat de regularització de Ridge amb hiperparámetros seleccionats mitjançant RandomSearch i amb una particion 80/20 en 10 folds validació creuada.