Derin öğrenme ile hastalık ilişkili protein modellerinin geliştirilmesi
Development of disease related protein models with deep learning
- Tez No: 1017481
- Danışmanlar: DOÇ. DR. ALİ TEVFİK UNCU, DR. ÖĞR. ÜYESİ AYŞENUR SOYTÜRK PATAT
- Tez Türü: Yüksek Lisans
- Konular: Biyoistatistik, Biyoteknoloji, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biostatistics, Biotechnology, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Akciğer kanseri, de novo ilaç tasarımı, derin ögrenme, yapay zekâ, artificial intelligence, deep learning, de novo drug development, lung cancer
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Necmettin Erbakan Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Moleküler Biyoloji ve Genetik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde yaygın olarak kullanılan klasik ilaç üretim stratejilerinin yaşanan pandemi gibi hızlı gelişen durumlara cevap verememesi, yüksek maaliyetleri, mevcut hastalıkların etkili tedavisinde yetersiz kalması gibi başlıca sorunlar bu alanda yeni yöntemlerin kullanılması gerekliliğine olan ihtiyacı gözler önüne sermektedir. Çalışma kapsamında, küçük hücreli olmayan akciğer kanseri ile ilişkili epidermal büyüme faktörü reseptörünün kinaz bağlanma bölgesinin 3 boyutlu şeklini kavrayan, tamamen yeni ve biyolojik olarak kararlı aday moleküller üretilmesini sağlayan uçtan uça bir iş hattı tanımlanmaktadır. Tez kapsamında geliştirilen modelde kullanılan stokastik denklemler ile yönetilen 3 boyutlu Öklid dönüşümlerine duyarlı SE(3) eş değerlikli skor fonksiyonu temelli bir difüzyon modeli kullanılmaktadır. Langevin dinamikleri kullanılarak üretilen modelin degişken konumları ve 3 boyutlu uzaydaki geometrik simetrileri anlaması ve hedef reseptörün 3 boyutlu bağlanma bölgesine özgün aday moleküller üretmesi sağlanmaktadır. Modelin eğitimi için iki aşamalı transfer ögrenme prosedürü kullanılmıştır. Ön işleme adı verilen ilk aşamada modelin genel kimya bilgisine sahip olabilmesi için Crossdocked2020 veri seti ile eğitilmiş ağırlıkları kullanılmakta, ikinci aşamada ise modelin hedefe özgün eğitimi için çalışma kapsamından hazırlanan yalnızca klinik aşamada başarılı EGFR reseptörüne özgün 3000 liganddan oluşan veri seti ile eğitini gerçekleştirilmektedir. Oluşturduğumuz uçtan uca boru hattının başarısını ispatlayabilmek için hesaplamalı metrikler ve bağlanma eğilimleri hesaplanmakta olup, tez kapsamında geliştirilen model literatürde kendini ispatlamış modellerle ve mevcut kanser tedavisinde kullanılan ilaçlarla kıyaslanmış olup daha yüksek bağlanma eğilimi göstermiş ve tüm parametrelerde başarısı ispat edilmiştir.
Özet (Çeviri)
In these days, conventional procedure used to meet the developing need is traditional drug development. Nevertheless, the incompetence of the generally used procedures to respond swiftly evolving circumstances like recently occurred pandemic. Also, high cost, need of expertise, necessity of long term and incompleteness in effective treatment for substantial diseases, indicate need for new procedures in this field. In our thesis, we developed end to end pipeline that ensures the generation of thoroughly new and biologically stable new candidate molecules that comprehend 3-dimensional shape of our target receptor which is epidermal growth factor receptor kinase binding site that has a key role in non-small cell lung cancer. In our model we used SE(3) equivariant score function-based diffusion model that is regulated by stochastic equation. By using langevin Dynamics, model comprehend 3D structure of target ligand and generate specific ligand molecules for this 3D binding pocket. In the model training we used 2 step transfer learning methodology. In first step called preprocessing step, model trained with Crossdocked2020 dataset which ensure model to grasp general chemical knowledge and in the second step called fine tuning we prepared a specialized dataset that only contain clinically approved EGFR specific ligand molecules to ensure model understand the target specific binding patterns. To prove our model's generated molecules, we used computational benchmark metrics to compare with state of art literature approved artificial intelligence-based model and compare with drugs that are used in cancer treatment and our candidate molecules shows better binding affinity when compared with them. All the parameters proved success of our generated end to end pipeline.
Benzer Tezler
- Predicting disease-gene associations via machine learning
Makine öğrenmesi ile gen-hastalık ilişkisi tahmini
OSMAN ONUR KUZUCU
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. TUNCA DOĞAN
- An innovative and accurate deep learning based HER2 scoring method HER2-unet
HER2 tümör hücrelerinin segmentasyon için derin öğrenme tabanlı yeni bir yaklaşım
FARIBA DAMBAND KHAMENEH
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiPROF. DR. MUSTAFA ERSEL KAMAŞAK
- Metabolik sendromlu sıçanlarda hipokampusun nörogenezine etkili faktörlerin incelenmesi
Investigation of effective factors on hippocampal neurogenesis in rats with metabolic syndrome
PINAR BAYRAM
Doktora
Türkçe
2018
Histoloji ve EmbriyolojiAnkara ÜniversitesiHistoloji ve Embriyoloji Ana Bilim Dalı
YRD. DOÇ. DENİZ BİLLUR
- Uyku hastalıklarının tespiti için EEG sinyallerinin derin öğrenme ile işlenmesinde yeni bir yaklaşım
A new approach to processing EEG signals with deep learning for the detection of sleep diseases
GÖKSU ZEKİYE ÖZEN
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırgızistan-Türkiye Manas ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. RAYIMBEK SULTANOV
- Prediction of circRNA-disease associations using deep learning models
Dairesel RNA-hastalık ilişkilerinin derin öğrenme metodlarıyla tahmini
HACER TURGUT
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BETÜL BOZ
DR. ÖĞR. ÜYESİ BESTE TURANLI