Graph Neural Networks in clinical cancer feature prediction

November 22, 2023

Grafos representam uma gama de informações e são aplicados em vários campos, incluindo na pesquisa biomédica, em impressões digitais moleculares e desenvolvimento de medicamentos. Os avanços no perfil molecular e nas tecnologias biomédicas levaram a um aumento significativo na capacidade de recolher e estudar dados ómicos de pacientes com cancro e dos seus tumores, sendo a proteômica um campo vital para compreender as suas interações, identificar tipos de cancro, ou mesmo estudar a resposta a medicamentos. Esta tese tem como objetivo desenvolver modelos de Graph Neural Network que possam lidar eficazmente com a elevada dimensionalidade dos recentes conjuntos de dados biomédicos para integrar dados moleculares e redes biológicas. Além disso, este modelo visa prever características clinicamente relevantes do cancro, como o tipo e subtipo de cancro. Para este fim, será aproveitado um novo conjunto de dados proteómicos que abrange mais de $40$ tipos de cancro em $\sim1.000$ linhas celulares de cancro. Crucialmente, o desempenho deste conjunto de dados juntamente com os modelos Graph Neural Network que integram redes de interação proteína-proteína permanece largamente inexplorado. O desempenho do modelo de rede neural gráfica desenvolvido será avaliado sistematicamente, comparando-o com as abordagens mais avançadas e os métodos clássicos de aprendizagem automática. Estes novos desenvolvimentos nos modelos de redes neurais de grafos, juntamente com a utilização de grandes volumes de dados, serão fundamentais para a criação de modelos de previsão mais precisos com aplicação direta na compreensão e no desenvolvimento de novas abordagens clínicas para o cancro. Graphs are used to represent a wide range of information, from social interactions to road map structures, and applied in various fields such as biomedical research, from molecular fingerprint up to drug discovery and response. Advances in molecular profiling and biomedical technologies led to a significant increase in the ability to collect and study omic data from cancer patients and their tumors, with proteomics being a vital field for understanding their interactions, identifying cancer types, or even studying drug response. This thesis aims to develop Graph Neural Network models that can effectively handle the high-dimensionality of recent biomedical datasets to integrate molecular data and biological networks. Furthermore, this model aims to predict clinically relevant features of cancer, such as cancer type and subtype, and response to different treatments. To this end, a novel proteomic dataset that spans over $40$ cancer types across $\sim1,000$ cancer cell lines will be harnessed. Crucially, the performance of this dataset together with Graph Neural Network models that integrate protein-protein interaction networks remains largely unexplored. The performance of the developed Graph Neural Network model will be systematically evaluated by comparing it against state-of-the-art approaches and classical machine learning methods. I believe that these new developments in Graph Neural Network models, along with the use of big data, will be key in building more accurate predictive models with direct application in the understanding and development of novel clinical approaches for cancer.

Authors in the community:

• 

  N

  Nelson Alexandre Geada Trindade

  ist193743

Supervisors of this institution:

• 

  E

  Emanuel José Vieira Gonçalves

  ist429071

• 

  P

  Pedro Tiago Gonçalves Monteiro

  ist146963

203766849

Mestrado em Engenharia Informática e de Computadores

electrical-engineering-electronic-engineering-information-engineering - Electrical engineering, electronic engineering, information engineering

Keywords

• Graph Neural Network
• Machine learning
• Cancer Classification
• Proteomics Data
• Biological Networks
• Classificação de Câncer
• Dados Proteómicos
• Redes Biológicas

eng - English

Instituto Superior Técnico