Multi-omics-based Drug Response Prediction of Cancer Cell Lines with DELFOS

Abstract

O cancro é actualmente uma das doenças mais notórias, com mais de um milhão de mortes só na União Europeia em 2022. O que o torna verdadeiramente devastador é a sua heterogeneidade, uma vez que cada tumor pode ser composto por diversos tipos de células com genótipos distintos, adquirindo resistência a diferentes compostos. Além disso, os medicamentos anticancerígenos também podem apresentar efeitos secundários severos, comprometendo o bem-estar dos doentes. Por conseguinte, novas estratégias para identificar o conjunto óptimo de compostos para tratar cada tumor tornaram-se um importante tópico de investigação. Para atingir este fim, desenvolvemos um novo algoritmo de previsão de resposta a fármacos chamado Drug Efficacy Leveraging Forked and Specialized networks (DELFOS). O nosso modelo integra múltiplos dados de ómicas de quase 60 linhas de células cancerígenas de mais de 15 tecidos, bem como dados estruturais de mais de 200 compostos para a previsão da sensibilidade aos fármacos. Além disso, dado o aumento das tecnologias single-cell e o seu potencial em explorar subpopulações celulares dentro de um tecido, também avaliámos a influência dos dados de expressão single-cell das mesmas linhas celulares na previsão das respostas aos medicamentos. Nosso modelo foi validado através da avaliação da performance de previsão das respostas a drogas para linhas celulares ou fármacos que não foram utilizadas para treinar o algoritmo. Além disso, DELFOS teve sua performance comparada com a outros algoritmos de última geração. De acordo, DELFOS alcançou resultados comparáveis aos de algoritmos recentemente publicados e foi capaz de superar diferentes modelos recentes.

Cancer is currently one of the most notorious diseases, with over one million deaths in the European Union alone in 2022. What makes it truly devastating is its heterogeneity, as each tumor can be composed of diverse cell types with distinct genotypes, acquiring resistance to different compounds. Moreover, anticancer drugs can display harsh side effects, compromising patient well-being. Therefore, novel strategies to identify the optimal set of compounds to treat each tumor have become an important research topic. To address this issue, we developed a novel drug response prediction (DRP) algorithm called Drug Efficacy Leveraging Forked and Specialized networks (DELFOS). Our model integrates multi-omics data from almost 60 cancer cell lines from over 15 tissues, as well as structural data from over 200 compounds for the prediction of drug sensitivity. Moreover, given the rise of single-cell technologies and their potential in unraveling cell subpopulations within a tissue, we also evaluated the influence of single-cell expression data from the same cell lines on the prediction of drug responses. Our model was validated by evaluating the prediction performance of drug responses for cell lines or drugs that were not used to train the algorithm. Furthermore, DELFOS was had its performance compared with other state-of-the-art DRP algorithms. Accordingly, DELFOS achieved results comparable to those of recently published algorithms and was effectively capable of outperforming different recent models.