FenixEdu™

Dissertação

{en_GB=Machine Learning methods for finding predictors of Rheumatoid Arthritis treatment response} {} EVALUATED

Detalhes: {pt=A artrite reumatóide (AR) é uma doença autoimune caracterizada por uma resposta inflamatória crónica provocando inicialmente lesões nas articulações e podendo levar à perda da sua função. A incerteza da sua causa e a heterogeneidade dos pacientes dificultam o processo terapêutico. A combinação de medicamentos biológicos modificadores de AR, nomeadamente inibidores do fator de necrose tumoral (anti-TNF) com metotrexato constitui uma abordagem terapêutica comum. Porém, a dificuldade em prever o tipo de resposta do paciente à medicação constitui um grande obstáculo, dado que no eventual caso desta funcionar, os seus efeitos são apenas sentidos meses após o início da administração, o que leva a uma evolução dos sintomas e acarreta custos financeiros. A identificação de biomarcadores tem sido um tema incansável que, com base em métodos de aprendizagem automática, visa compreender os mecanismos desencadeadores da AR e alcançar a melhor terapêutica, que no limite constitui a "medicina de precisão". Esta tese envolveu a análise de dados transcriptómicos de pacientes com AR em instâncias diferentes de tratamento com anti-TNF. Regressão logística esparsa permitiu a seleção das características relevantes. Redes Bayesianas identificaram duas interações entre proteínas (MPO-CTSG e CTSG-AZU1) indicadoras da eficácia do tratamento e sabidas relevantes na comunidade científica. e os seus desempenhos comparados a nível de esparsidade, influência das funções de normalização/transformação e tipo de algoritmo. A regressão logística esparsa aliada à análise Bayesiana permitiu identificar biomarcadores com potencial clínico., en=Rheumatoid arthritis (RA) is an autoimmune disease characterized by chronic inflammatory response causing joint damage and ultimately severe disability. There is no cure for RA and it is regarded as therapeutically challenging due to patient heterogeneity and variability. Biologic agents such as anti-TNF (tumor necrosis factor) in combination with metothrexate are a common first approach. However, the problem remains to be the prediction of the patient’s response, since the eventual positive results are only observable months after initiating treatment. This is unsettling because, regardless of the patient’s response, the anticipation period may cause irreversible repercussions and have a socio-economic impact. Many researches have focused the use of machine learning algorithms on finding biomarkers (e.g. at transcriptomic or protein level) which can aid the understanding of RA pathogenesis and consequently find the appropriate treatment. The development of improved analysis strategies is leading towards precision medicine. This thesis applied a sparse logistic regression framework to transcriptomic data of RA patients collected at day 0 and day 90 of anti-TNF treatment in order to select the significant features. Bayesian network learning allowed for the identification of known protein-protein interactions, such as MPO-CTSG and CTSG-AZU1 for patients regarded, respectively, as good-responders and non-responders, according to the EULAR criteria. Finally, different classification algorithms were tested in order to evaluate parameters such as sparsity, influence of normalization methods and performance based on their continuous/discrete/voom-based nature. Structured sparse regression conjugated with Bayesian learning identified RA biomarkers which potentially can support the clinical domain.}
Keywords: {pt=Artrite reumatóide, Biomarcador, Modelos esparsos, Previsão de resposta, Rede Bayesiana., en=Bayesian network, Biomarker, Response prediction, Rheumatoid arthritis, Sparse models.}

Discussão: janeiro 29, 2021, 14:0