Digitala Vetenskapliga Arkivet

Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Modeling Cellular Drug Responses Over Time with Recurrent Neural Networks Informed by Signal Transduction Interactions
KTH, School of Engineering Sciences in Chemistry, Biotechnology and Health (CBH), Protein Science.
2025 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Modellering av cellulära läkemedelssvar över tid med återkopplande neurala nätverk baserade på signaltransduktionsinteraktioner (Swedish)
Abstract [sv]

Att förstå hur cancerceller svarar på läkemedelsbehandlingar över tid är avgörande för att kunna förutsäga terapeutiska effekter, resistens och bieffekter. Även om fosfoproteomik erbjuder en kraftfull inblick i dynamiska signaleringsprocesser, misslyckas de flesta beräkningsmodeller med att fånga dessa temporala mönster och att generalisera till olika celltyper och perturbationer. I denna avhandling presenterar jag en utvidgning av LEMBAS-ramverket; ett -biologiförankrat återkopplande neuralt nätverk utformat för att förutsäga fosfoproteomiska responser över tid med hjälp av läkemedelsinput, cellinjespecifik information och förkunskap om signaleringsnätverk. Modellen beskriver både transienta och steady-state-beteenden, och jag har inkluderat moduler för tidpunktsmatchning, fosfosit-mappning och celltyps specifikt bias. I uppställningar med syntetisk data förbättrar varje tillagd modul prediktionsförmågan, vilket bekräftar deras funktionella roll. På verklig EGF-stimuleringsdata interpolerar modellen väl saknade tidpunkter och den generaliserar också till signalproteinhämmare den inte tränats på i ett så kallat zero-shot-inlärningsscenario. Ett andra dataset, som modellen passade relativt väl, påvisade utmaningar med att fånga cellinjespecifik variation, troligen på grund av hög brusnivå och hög omfattning av frånvarande datapunkter. Dessa resultat visar på potentialen i att kombinera mekanistisk kunskap med djupinlärning för att modellera läkemedelsinducerad signaleringsdynamik. Med ytterligare validering och större, högkvalitativa dataset kan detta tillvägagångssätt bidra till mer robust modellering av läkemedelsresponser i komplexa cellulära system.

Abstract [en]

Understanding how cancer cells respond to drug treatments over time is essential for predicting therapeutic effects, resistance, and off-target consequences. While phosphoproteomics offers a powerful window into dynamic signaling processes, most computational models fail to capture these temporal patterns or to generalize across different cell types and perturbations. In this thesis, I present an extension of the LEMBAS framework; a biologically informed recurrent neural network designed to predict phosphoproteomic responses over time using drug inputs, cell-line information, and prior knowledge of signaling networks. The model captures both transient and steady-state behaviors and I included modules for timepoint alignment, phosphosite mapping, and cell-specific biases. In synthetic settings, each added component improves prediction accuracy, confirming its functional role. On real EGF-stimulation data, the model accurately interpolates missing timepoints and generalizes to unseen inhibitors in a zero-shot learning setting. A second dataset, while fit reasonably well, revealed challenges to capture the cell line specific variation, likely due to high noise levels and extensive missing data. These results demonstrate the potential of combining mechanistic priors with deep learning to model drug-induced signaling dynamics. With further validation and larger, high-quality datasets, this approach could support more robust modeling of drug responses in complex cellular systems.

Place, publisher, year, edition, pages
2025.
Series
TRITA-CBH-GRU ; 2025:256
Keywords [en]
Phosphoproteomics, Recurrent Neural Networks, Signal Transduction Modeling, Drug Response Prediction, Biologically Informed Deep Learning
Keywords [sv]
Fosfoproteomik, Rekurrenta neurala nätverk, Modellering av signaltransduktion, Förutsägelse av läkemedelsrespons, Biologiskt informerad djupinlärning
National Category
Medical Biotechnology (Focus on Cell Biology, (incl. Stem Cell Biology), Molecular Biology, Microbiology, Biochemistry or Biopharmacy)
Identifiers
URN: urn:nbn:se:kth:diva-367728OAI: oai:DiVA.org:kth-367728DiVA, id: diva2:1985979
Subject / course
Biotechnology
Educational program
Degree of Master - Molecular Techniques in Life Science
Examiners
Available from: 2025-07-29 Created: 2025-07-29

Open Access in DiVA

fulltext(2633 kB)323 downloads
File information
File name FULLTEXT01.pdfFile size 2633 kBChecksum SHA-512
66ebd37d97a0904714a8ef1ad1bbf39e3350a4547940a9c0b58babf9321ed194e5c0f753b8ad29002d056330b15fca65dd18cabf941e1ad9f166aec8b39fb28c
Type fulltextMimetype application/pdf

By organisation
Protein Science
Medical Biotechnology (Focus on Cell Biology, (incl. Stem Cell Biology), Molecular Biology, Microbiology, Biochemistry or Biopharmacy)

Search outside of DiVA

GoogleGoogle Scholar
Total: 325 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 629 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf