Hücre Hattı Duyarlılık İmzaları ve Toplu Yapay Öğrenme Metotları ile Anti-Kanser İlaç Aktivite Tahmini

Tan, Mehmet; SABUNCUOĞLU, Suna

Hücre Hattı Duyarlılık İmzaları ve Toplu Yapay Öğrenme Metotları ile Anti-Kanser İlaç Aktivite Tahmini

Yürütücü

Mehmet TAN (TOBB Ekonomi ve Teknoloji Üniversitesi, Mühendislik Fakültesi, Bilgisyar Mühendisliği Bölümü, Ankara, Türkiye)

Araştırmacı(lar)

Suna SABUNCUOĞLU (Girilmedi)

0 1

Proje Grubu: EEEAG Sayfa Sayısı: 45 Proje No: 115E274 Proje Bitiş Tarihi: 01.10.2017 Metin Dili: Türkçe İndeks Tarihi: 13-03-2020

Hücre Hattı Duyarlılık İmzaları ve Toplu Yapay Öğrenme Metotları ile Anti-Kanser İlaç Aktivite Tahmini

Öz:

Ilaç tasarımı faaliyetlerine katkı saglayabilecek in silico yöntemlerin gelistirilmesi, kanser ilacı tasarımının uzun ve masraflı süreci dikkate alındıgında, büyük önem kazanmaktadır. Bu dogrultuda, ilaç aktivitelerinin laboratuvar deneylerinden önce, yapay ögrenme yöntemleriyle tahmin edilebilmesi bu yönde önemli bir katkı saglayabilir. Bu çalısmanın amacı da, son zamanlarda yayınlanmıs büyük çaplı anti-kanser ilaç aktivite veri tabanlarını, yapay ögrenme yöntemleri ile modellemek ve mümkün oldugunca dogru aktivite tahminleri yapabilmektedir. Bu amaç dogrultusunda yeni bir topluluk yapay ögrenme yöntemi önerilmektedir. Yöntem daha önce kullanılıp bu problem için basarılı sonuçlar vermis veya kullanılmasının basarılı olacagı düsünülen dört farklı yöntemi bir arada kullanan ve her birinin sonuçlarından daha iyi sonuç verebilen bir istifleme (stacking) yöntemidir. Buna ek olarak, hücre hatlarının duyarlılıklarını ve ilaçların aktivitelerini bir vektör halinde temsil eden iki gen imzası önerilmekte ve bu imzaların da topluluk yöntemine dahil edilerek aktivite tahminine etkisi incelenmektedir. Yapılan deneyler sonucunda istifleme yönteminin tek basına dört temel yöntemin her birinden daha basarılı tahminler yapabildigi gösterilmistir. Ek olarak, imzaların istifleme yöntemine eklenmesiyle basarının daha da arttıgı gözlenmistir. Yöntemlerin performansları hem çapraz dogrulama, hem de seçilen hücre hattı ve ilaçlar kullanılarak laboratuvarda yapılan in vitro canlılık deneyleriyle test edilmis, basarılı sonuçlara ulasılmıstır. Gelecekte veri miktarının artması ve olası farklı veri tiplerinin de birlikte kullanılabilmesiyle basarının artırılabilecegi ve kanser ilaç tasarımı süreçlerine ciddi katkı yapılabilecegi düsünülmektedir.

Anahtar Kelime: topluluk yöntemleri. yapay ögrenme kanser Ilaç aktivite tahmini

Konular: Onkoloji Bilgisayar Bilimleri, Teori ve Metotlar

Erişim Türü: Erişime Açık

“TensorFlow: A System for Large-Scale Machine Learning TensorFlow: A system for largescale machine learning”. Içinde 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16), 265–84.
Atias, N., ve Roded S. 2011. “An Algorithmic Framework for Predicting Side Effects of Drugs”. Journal of Computational Biology 18 (3):207–18.
Azuaje, F. 2017. “Computational models for predicting drug responses in cancer research”. Brief Bioinform 18 (5):820–29.
Barretina, J., Giordano C., Nicolas S., Kavitha V., Margolin A., Kim S., Wilson C.J., vd. 2012. “The Cancer Cell Line Encyclopedia enables predictive modelling of anticancer drug sensitivity”. Nature 483 (7391):603–307.
Beerenwinkel, N., Schmidt B., Walter H., Kaiser R., Lengauer T.,Hoffmann D., Korn K., ve Selbig, J. 2002. “Diversity and complexity of HIV-1 drug resistance: a bioinformatics approach to predicting phenotype from genotype.” Proceedings of the National Academy of Sciences of the United States of America 99 (12):8271–76.
Berlow, N., Davis L.E., Cantor E.L.,Séguin B, Keller C., ve Pal R. 2013. “A new approach for prediction of tumor sensitivity to targeted drugs based on functional data”. BMC Bioinformatics 14 (1):1–20.
Burges, C.J.C. 1998. “A Tutorial on Support Vector Machines for Pattern Recognition”. Data Mining and Knowledge Discovery 2 (2):121–67.
Chollet, F. 2015. “Keras: Deep Learning library for Theano and TensorFlow”. GitHub Repository, 1–21.
Cirlini, M., Barilli A., Galaverna G., Michlmayr H., Adam G., Berthiller F., ve Dall’Asta C. 2016. “Study on the uptake and deglycosylation of the masked forms of zearalenone in human intestinal Caco-2 cells”. Food and Chemical Toxicology 98:232–39.
Costello, J.C., Heiser L.M., Georgii E.,Gönen M., Menden M.P.,Wang N.J., vd. 2014. “A community effort to assess and improve drug sensitivity prediction algorithms.” Nature biotechnology 32 (12):1–103.
Davis, A.P., Grondin C.J.,Johnson R.J.,Sciaky D., King B.L., McMorran R., Wiegers J., Wiegers T.C., ve Mattingly C.J. 2017. “The Comparative Toxicogenomics Database: Update 2017”. Nucleic Acids Research 45 (D1):D972–78.
Fersini, E., Messina E., ve Archetti F. 2014. “A p-Median approach for predicting drug response in tumour cells”. BMC Bioinformatics 15 (1):353.
Garnett, M.J., Edelman E.J., Heidorn S.J., Greenman C.D., Dastur A., Lau K.W, vd. 2012. “Systematic identification of genomic markers of drug sensitivity in cancer cells”. Nature 483:570–75.
Geeleher, P., Cox N.J., ve Huang R. 2014. “Clinical drug response can be predicted using baseline gene expression levels and in vitro drug sensitivity in cell lines”. Genome Biology 15 (3):R47.
Gillet, J.P., Varma S., ve Gottesman M.M. 2013. “The clinical relevance of cancer cell lines.” Journal of the National Cancer Institute 105 (7):452–58.
Golub, T. R. 1999. “Molecular Classification of Cancer: Class Discovery and Class Prediction by Gene Expression Monitoring”. Science 286 (5439):531–37.
Gonen, M., ve Margolin A. 2014. “Drug susceptibility prediction against a panel of drugs using kernelized Bayesian multitask learning”. Bioinformatics 30 (17):i556–63.
Goodfellow, I., Bengio Y., ve Courville A. 2016. “Deep Learning--book”. MIT Press 521 (7553):800.
Gottlieb, A., Stein G.Y., Ruppin E., ve Sharan R. 2014. “PREDICT: a method for inferring novel drug indications with application to personalized medicine”. Molecular Systems Biology 7 (1):496–496.
Heider, D., Senge R., Cheng W., ve Hüllermeier E. 2013. “Multilabel classification for exploiting cross-resistance information in HIV-1 drug resistance prediction”. Bioinformatics 29 (16):1946– 52.
Jang, S., Neto E.C., Guinney J., Friend S.H., ve Margolin A. 2014. “Systematic Assessment of Analytical Methods for Drug Sensitivity Prediction from Cancer Cell Line Data”. Içinde Pacific Symposium on Biocomputing, editör Russ B Altman, A Keith Dunker, Lawrence Hunter, Tiffany A Murray, Teri E Klein, ve Marylyn D Ritchie, 63–74. Singapore: World Scientific Publishing Company.
Khan, S.A., Virtanen S., Kallioniemi O.P., Wennerberg K., Poso A, ve Kaski S. 2014. “Identification of structural features in chemicals associated with cancer drug response: A systematic data-driven analysis”. Içinde Bioinformatics. C. 30.
Kim, D.C., Wang X., Yang C.R., ve Gao J.X. 2012. “A framework for personalized medicine: prediction of drug sensitivity in cancer by proteomic profiling”. Proteome Science 10 (Suppl 1):S13.
Kim, S., Thiessen P.A., Bolton E.E., Chen J., Fu G., Gindulyte A., Han L., vd. 2016. “PubChem substance and compound databases”. Nucleic Acids Research 44 (D1):D1202–13.
Klijn, C., Durinck S., Stawiski E.W., Haverty P.M., Jiang Z., Liu H., Degenhardt J., vd. 2015. “A comprehensive transcriptional portrait of human cancer cell lines”. Nature Biotechnology 33 (3):306–12.
LeCun, Y., Bengio Y., ve Hinton G. 2015. “Deep learning”. Nature 521 (7553):436–44.
Menden, M.P., Iorio F., Garnett M., McDermott U., Benes C., Ballester P.J., vd. 2013. “Machine learning prediction of cancer cell sensitivity to drugs based on genomic and chemical properties”. PLOS ONE 8 (4).
Min, S., Lee B., ve Yoon S. 2016. “Deep learning in bioinformatics”. Briefings in Bioinformatics, bbw068.
Neto, E.C., Jang I.S., Friend S.H., ve Margolin A. 2014. “The stream algorithm: computationally efficient ridge-regression via bayesian model averaging, and applications to pharmacogenomic prediction of cancer cell line sensitivity.” In Pacific Symposium on Biocomputing, editors Russ B Altman, A Keith Dunker, Lawrence Hunter, Tiffany A Murray, Teri E Klein, ve Marylyn D Ritchie, 19:27–38. Singapore: World Scientific Publishing Company.
Ohguro, N., Fukuda M., Sasabe T., ve Tano Y. 1999. “Concentration dependent effects of hydrogen peroxide on lens epithelial cells”. British Journal of Ophthalmology 83 (9):1064–68.
Pedregosa, F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., vd. 2012. “Scikit-learn: Machine Learning in Python”. Journal of Machine Learning Research 12:2825–30.
Rampasek, L., ve Goldenberg A. 2017. “Dr. VAE: Drug Response Variational Autoencoder”. Arxiv.
Rhee, S.Y., Taylor J., Wadhera G., Ben-Hur A., Brutlag D.L., ve Shafer R.W. 2006. “Genotypic predictors of human immunodeficiency virus type 1 drug resistance.” Proceedings of the National Academy of Sciences of the United States of America 103 (46):17355–60.
San Lucas, F. A., Fowler J., Chang K., Kopetz S., Vilar E., ve Scheet P. 2014. “Cancer In Silico Drug Discovery: A Systems Biology Tool for Identifying Candidate Drugs to Target Specific Molecular Tumor Subtypes”. Molecular Cancer Therapeutics 13 (12):3230–40.
Schmidhuber, J. 2015. “Deep Learning in neural networks: An overview”. Neural Networks.
Sevin, A D, DeGruttola V., Nijhuis M., Schapiro J.M., Foulkes A.S., Para M.F., Boucher C.A., vd. 2000. “Methods for investigation of the relationship between drug-susceptibility phenotype and human immunodeficiency virus type 1 genotype with applications to AIDS clinical trials group 333.” Journal of Infectious Diseases 182 (1):59–67.
Shivakumar, P., ve Krauthammer M. 2009. “Structural similarity assessment for drug sensitivity prediction in cancer.” BMC bioinformatics 10 Suppl 9:S17.
Smola, A.J., ve Schölkopf B. 2004. “A tutorial on support vector regression”. Statistics and Computing.
Stanfield, Z., Coskun M, ve Koyuturk M. 2017. “Drug Response Prediction as a Link Prediction Problem”. Scientific Reports 7:40321.
Staunton, J. E., Slonim D.K., Coller H.A., Tamayo P., Angelo M.J., Park J., Scherf U., vd. 2001. “Chemosensitivity prediction by transcriptional profiling”. Proceedings of the National Academy of Sciences 98 (19):10787–92.
Subramanian, A., Narayan R., Corsello S.M., Peck D.D., Natoli T.E., Lu X., Gould J., vd. 2017. “A Next Generation Connectivity Map: L1000 Platform And The First 1,000,000 Profiles”. bioRxiv.
Tan, M. 2014. “Drug sensitivity prediction for cancer cell lines based on pairwise kernels and miRNA profiles”. Içinde Proceedings - 2014 IEEE International Conference on Bioinformatics and Biomedicine, IEEE BIBM 2014.
Tan, M. 2016. “Prediction of anti-cancer drug response by kernelized multi-task learning”. Artificial Intelligence in Medicine 73:70–77.
Theano Development Team. 2016. “Theano: A Python framework for fast computation of mathematical expressions”. arXiv e-prints, 19.
Turki, T., ve Wei Z. 2017. “A link prediction approach to cancer drug sensitivity prediction”. BMC Systems Biology 11 (Suppl 5). London: BioMed Central:94.
Turki, T., Wei Z, ve Wang J.T.L. 2017. “Transfer Learning Approaches to Improve Drug Sensitivity Prediction in Multiple Myeloma Patients”. IEEE Access 5:7381–93.
Wang, L., Li X., Zhang L., ve Gao Q. 2017. “Improved anticancer drug response prediction in cell lines using matrix factorization with similarity regularization”. BMC Cancer 17 (1):513.
Wang, Y., Bryant S. H., Cheng T., Wang J., Gindulyte A., Shoemaker B. A., Thiessen P.A., He S., ve Zhang J. 2017. “PubChem BioAssay: 2017 update”. Nucleic Acids Research 45 (D1):D955–63.
Xia, Z., Wu L., Zhou X., ve Wong S.T.C. 2010. “Semi-supervised drug-protein interaction prediction from heterogeneous biological spaces.” BMC Systems Biology 4 (S6):1–12.
Yang, W., Soares J., Greninger P., Edelman E.J., Lightfoot H., Forbes S., Bindal N., vd. 2013. “Genomics of Drug Sensitivity in Cancer (GDSC): A resource for therapeutic biomarker discovery in cancer cells”. Nucleic Acids Research 41 (D1).
Yuan, H., Paskov I., Paskov H., González A.J., ve Leslie C.S. 2016. “Multitask learning improves prediction of cancer drug sensitivity”. Scientific Reports 6 (1):31619.
Zhang, N., Wang H., Fang Y., Wang J., Zheng X., ve Liu X.S. 2015. “Predicting Anticancer Drug Responses Using a Dual-Layer Integrated Cell Line-Drug Network Model”. PLoS Computational Biology 11 (9).

APA	Tan M, SABUNCUOĞLU S (2017). Hücre Hattı Duyarlılık İmzaları ve Toplu Yapay Öğrenme Metotları ile Anti-Kanser İlaç Aktivite Tahmini. , 1 - 45.
Chicago	Tan Mehmet,SABUNCUOĞLU Suna Hücre Hattı Duyarlılık İmzaları ve Toplu Yapay Öğrenme Metotları ile Anti-Kanser İlaç Aktivite Tahmini. (2017): 1 - 45.
MLA	Tan Mehmet,SABUNCUOĞLU Suna Hücre Hattı Duyarlılık İmzaları ve Toplu Yapay Öğrenme Metotları ile Anti-Kanser İlaç Aktivite Tahmini. , 2017, ss.1 - 45.
AMA	Tan M,SABUNCUOĞLU S Hücre Hattı Duyarlılık İmzaları ve Toplu Yapay Öğrenme Metotları ile Anti-Kanser İlaç Aktivite Tahmini. . 2017; 1 - 45.
Vancouver	Tan M,SABUNCUOĞLU S Hücre Hattı Duyarlılık İmzaları ve Toplu Yapay Öğrenme Metotları ile Anti-Kanser İlaç Aktivite Tahmini. . 2017; 1 - 45.
IEEE	Tan M,SABUNCUOĞLU S "Hücre Hattı Duyarlılık İmzaları ve Toplu Yapay Öğrenme Metotları ile Anti-Kanser İlaç Aktivite Tahmini." , ss.1 - 45, 2017.
ISNAD	Tan, Mehmet - SABUNCUOĞLU, Suna. "Hücre Hattı Duyarlılık İmzaları ve Toplu Yapay Öğrenme Metotları ile Anti-Kanser İlaç Aktivite Tahmini". (2017), 1-45.

APA	Tan M, SABUNCUOĞLU S (2017). Hücre Hattı Duyarlılık İmzaları ve Toplu Yapay Öğrenme Metotları ile Anti-Kanser İlaç Aktivite Tahmini. , 1 - 45.
Chicago	Tan Mehmet,SABUNCUOĞLU Suna Hücre Hattı Duyarlılık İmzaları ve Toplu Yapay Öğrenme Metotları ile Anti-Kanser İlaç Aktivite Tahmini. (2017): 1 - 45.
MLA	Tan Mehmet,SABUNCUOĞLU Suna Hücre Hattı Duyarlılık İmzaları ve Toplu Yapay Öğrenme Metotları ile Anti-Kanser İlaç Aktivite Tahmini. , 2017, ss.1 - 45.
AMA	Tan M,SABUNCUOĞLU S Hücre Hattı Duyarlılık İmzaları ve Toplu Yapay Öğrenme Metotları ile Anti-Kanser İlaç Aktivite Tahmini. . 2017; 1 - 45.
Vancouver	Tan M,SABUNCUOĞLU S Hücre Hattı Duyarlılık İmzaları ve Toplu Yapay Öğrenme Metotları ile Anti-Kanser İlaç Aktivite Tahmini. . 2017; 1 - 45.
IEEE	Tan M,SABUNCUOĞLU S "Hücre Hattı Duyarlılık İmzaları ve Toplu Yapay Öğrenme Metotları ile Anti-Kanser İlaç Aktivite Tahmini." , ss.1 - 45, 2017.
ISNAD	Tan, Mehmet - SABUNCUOĞLU, Suna. "Hücre Hattı Duyarlılık İmzaları ve Toplu Yapay Öğrenme Metotları ile Anti-Kanser İlaç Aktivite Tahmini". (2017), 1-45.