Development of a software application based on deep learning to predict drug sensitivity of cancer cell lines

Abstract

With the increase in Deep Learning (DL) popularity, the need for efficient and effective model development and optimization has emerged. Neural Architecture Search (NAS) is a research area that aims to automate the time-consuming and iterative tasks involved in building and tuning DL models. This approach has already proven to be effective in various fields, such as computer vision and natural language processing, and holds potential in the field of cancer treatment. Cancer is a group of diseases characterized by the uncontrolled growth and spread of abnormal cells in the body. The high degree of diversity among tumors, along with drug resistance acquired during (or before) treatment, makes it challenging to find effective therapies for all types of cancer. High-throughput screening (HTS) is a laboratory technique used to rapidly test large numbers of compounds against a biological target or assay to identify potential drug candidates. In cancer research, HTS is often used to identify compounds that have the potential to inhibit the growth of cancer cells or interfere with specific cancer-associated processes. Since the number of compounds with drug-like properties is much greater than the number of compounds that can be analyzed in HTS processes, DL has been used recently to predict drug response based on omics data. This work integrated a DL-based framework capable of handling single and multi-input datasets of various types into the company’s internal platform, where the work was carried out. Using Automated Machine Learning (AutoML) tools to reach this goal, namely tools with NAS capabilities, this new module automates the search for the best DL models that produce the most suitable results across a range of prediction tasks. The effectiveness of the developed work was validated in the context of drug response prediction by comparing the performance of the NAS-generated models with manually tuned models previously developed. The models found using this approach achieved comparable performance without the need for human expertise, proving the potential of NAS in cancer treatment, but also as a useful tool for automating and optimizing the model selection process in Machine Learning.

Com o aumento da popularidade de aprendizagem profunda, surgiu a necessidade de desenvolver e otimizar modelos de forma eficiente e eficaz. A pesquisa de arquiteturas neuronais é uma área de investigação que visa automatizar as tarefas demoradas e iterativas envolvidas na construção e afinação de modelos de aprendizagem profunda. Esta abordagem já provou ser eficaz em vários domínios, como a visão por computador e o processamento de linguagem natural, e tem potencial no domínio do tratamento do cancro. O cancro é um grupo de doenças caracterizadas pelo crescimento descontrolado e pela disseminação de células anormais no corpo. O elevado grau de diversidade entre os tumores, juntamente com a resistência aos medicamentos adquirida durante (ou antes) do tratamento, torna difícil encontrar terapias eficazes para todos os tipos de cancro. A triagem de alto rendimento é uma técnica laboratorial utilizada para testar rapidamente um grande número de compostos contra um alvo biológico ou um ensaio para identificar potenciais candidatos a medicamentos. Na investigação do cancro, esta técnica é frequentemente utilizada para identificar compostos com potencial para inibir o crescimento de células cancerosas ou interferir com processos específicos associados ao cancro. Uma vez que o número de compostos com propriedades semelhantes a medicamentos é muito maior do que o número de compostos que podem ser analisados em processos de triagem de alto rendimento, métodos de aprendizagem profunda tem sido usados recentemente para prever a resposta a medicamentos com base em dados ómicos. Este trabalho integrou uma framework baseada em aprendizagem profunda capaz de lidar com conjuntos de dados de vários tipos na plataforma interna da empresa, onde o trabalho foi desenvolvido. Recorrendo a ferramentas de aprendizagem de máquina automática para atingir este objetivo, nomeadamente ferramentas com capacidades de pesquisa de arquiteturas neuronais, este novo módulo automatiza a procura dos melhores modelos de aprendizagem profunda que produzam os resultados mais adequados num conjunto de tarefas de previsão. A eficácia do trabalho desenvolvido foi validada no contexto da previsão da resposta a fármacos, comparando o desempenho dos modelos gerados por pesquisa de arquiteturas neuronais com modelos afinados manualmente desenvolvidos anteriormente. Os modelos encontrados através desta abordagem obtiveram um desempenho comparável sem necessidade de recorrer a especialistas humanos, comprovando o potencial da pesquisa de arquiteturas neuronais no tratamento do cancro, mas também como uma ferramenta útil para automatizar e otimizar o processo de seleção de modelos em aprendizagem de máquina.