Predicción de respuesta a fármacos quimioterapéuticos a partir de datos genómicos
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...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2019 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/97486 |
| Acceso en línea: | http://hdl.handle.net/10609/97486 |
| Access Level: | acceso abierto |
| Palabra clave: | algoritmos predicción cáncer algorithms prediction cancer algorismes predicció càncer Bioinformatics -- TFM Bioinformàtica -- TFM Bioinformática -- TFM |
| Sumario: | 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. |
|---|