Dissertação
{en_GB=AutoTCGA - An automatic machine learning tool for prediction of immune-evasion mechanisms in TCGA cancer samples} {} EVALUATED
{pt=A incidência de cancro na sociedade tornou-se uma preocupação crescente e incentivou o desenvolvimento de novos tratamentos, como a imunoterapia, que aumenta as defesas naturais do corpo para combater o cancro. Infelizmente, as células cancerígenas desenvolveram estratégias para evitar o sistema imunológico dos pacientes, chamados mecanismos de evasão imunológica. Para resolver esse problema, foi desenvolvido um pipeline de inteligência artificial, o AutoTCGA, que aplica técnicas de classificação aos dados do TCGA e considera 2 mecanismos de evasão imunológica para previsão: ausência de neoantígenos ("CA") e enriquecimento de Tregs ("IS" ) O algoritmo da Árvore de Decisão alcançou valores de precisão de 81% e AUC-ROC de 88%, para classificação binária da classe IS, e valores de precisão de 73% e AUC-ROC de 78% para classificação binária da classe CA, na população do PanCancer. Um estudo de importância dos atributos está disponível usando a árvore, revelando as características dos pacientes com eventos de evasão ao sistema imunitário. Essas conclusões promovem medicamentos personalizados e a aplicação de imunoterapia, quando adequado. Esta ferramenta oferece a possibilidade de testar hipóteses bem definidas e responder a perguntas em aberto no campo da biologia, para qualquer utilizador com ou sem experiência em inteligência artificial., en=The incidence of cancer in society has become a growing concern and has encouraged the development of new treatments, like immunotherapy, which boosts the body's natural defences to fight cancer. Unfortunately, cancer cells have developed strategies to evade patients’ immune system, called immune-evasion mechanisms. To tackle this problem, a machine learning pipeline was developed, AutoTCGA, which applies classification techniques to The Cancer Genome Atlas data and considers 2 immune-evasion mechanisms for prediction: depletion of neoantigens (“CA”) and enrichment of Tregs (“IS”). The Decision Tree algorithm achieved cross-validation accuracy scores of 81% and AUC-ROC of 88%, for IS binary classification, and accuracy scores of 73% and AUC-ROC of 78% for CA binary classification, across the PanCancer population. A feature importance study is available using the tree-based model, revealing the characteristics of the patients with detected immune-evasion events. These conclusions promote personalized medicine and the application of immunotherapy when suitable. This tool brings the possibility of testing well-defined hypothesis and answer open questions in the cancer biology field, for any user with or without machine learning expertise. }
setembro 16, 2019, 16:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
