Geri Dön

Biyomedikal mühendisliği uygulamaları için LLM tabanlı çok görevli öğrenme çerçevesi kullanılarak çoklu özellikli polimer tahmini

Multi-property polymer prediction using an LLM-based multi-task learning framework for biomedical engineering applications

  1. Tez No: 1017496
  2. Yazar: MURAT TEKSÖZ
  3. Danışmanlar: PROF. DR. HİLAL GÖKTAŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mühendislik Bilimleri, Polimer Bilim ve Teknolojisi, Engineering Sciences, Polymer Science and Technology
  6. Anahtar Kelimeler: Biyomedikal uygulamalar, Fonksiyonel polimerler, Homopolimerler, Kopolimerler, Biomedical applications, Functional polymers, Homopolymers, Copolymers
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: Ankara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Biyomedikal Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Gelişmiş polimerik biyomalzemelerin hızlandırılmış keşfi, polimerlerin geniş kimyasal tasarım uzayı ve Yoğunluk Fonksiyonel Teorisi (DFT) gibi geleneksel karakterizasyon yöntemlerinin yüksek hesaplama maliyeti nedeniyle biyomedikal mühendisliğinde önemli bir araştırma problemi olmaya devam etmektedir. Bu tez çalışmasında, biyomedikal mühendisliği uygulamalarına yönelik ölçeklenebilir çoklu polimer özellik tahmini için PolyPropNet adlı çok modlu ve çok görevli bir öğrenme çerçevesi önerilmiştir. Önerilen yapı; Transformer tabanlı moleküler dil modelleme, Grafik Sinir Ağları (GNN) ve moleküler parmak izi temsillerini birleşik bir çapraz dikkat füzyon mimarisi içerisinde bütünleştirerek sıralı, topolojik ve alt yapısal moleküler bilgilerin eşzamanlı öğrenilmesini sağlamaktadır. Çalışmada, 13 farklı açık erişimli polimer DFT, deneysel polimer ve kuantum mekanik küçük molekül veri kümelerinden elde edilen yaklaşık 153.390 benzersiz moleküler yapı kullanılmış ve toplam 26 regresyon görevi için harmonize edilmiştir. Ayrıca polimer veri kıtlığını azaltmak amacıyla polimer ve küçük molekül veri kümeleri arasında çapraz alan transfer öğrenmesi uygulanmıştır. Deneysel sonuçlar, önerilen yaklaşımın farklı polimer özellik tahmin görevlerinde güçlü performans sergilediğini göstermiştir. Model, toplam görevler üzerinde R2=0.862 birleşik test başarısı ve zincir bant aralığı tahmininde R2=0.893±0.007 performansı elde etmiştir. Ayrıca camsı geçiş sıcaklığı tahmininde 35.0±3.2 K hata değeri elde edilirken kuantum mekanik kıyaslama görevlerinde de rekabetçi performans (R2=0.916) korunmuştur. Elde edilen sonuçlar, LLM-esinli çok modlu moleküler yapay zekâ yaklaşımlarının hızlandırılmış polimer informatiği, DFT-bağımlılığı azaltılmış moleküler tarama ve yeni nesil biyomalzeme keşfi açısından önemli bir potansiyele sahip olduğunu göstermektedir.

Özet (Çeviri)

The accelerated discovery of advanced polymeric biomaterials remains a major challenge in biomedical engineering due to the vast chemical design space of polymers and the high computational cost of conventional characterization methods such as Density Functional Theory (DFT). In this thesis, a multimodal multi-task learning framework, termed PolyPropNet, is proposed for scalable multi-property polymer prediction in biomedical engineering applications. The proposed framework integrates Transformer-based molecular language modeling, Graph Neural Networks (GNNs), and molecular fingerprint representations through a unified cross-attention fusion architecture to jointly learn sequential, topological, and substructural molecular information. Approximately 153,390 unique molecular structures collected from 13 publicly available polymer DFT, experimental polymer, and quantum-mechanical small-molecule datasets were harmonized and utilized for training and evaluation across 26 regression tasks. Cross-domain transfer learning between polymer and small-molecule datasets was additionally incorporated to improve molecular representation learning and predictive generalization under polymer data scarcity. Experimental results demonstrated strong predictive performance across diverse polymer property tasks, achieving a composite test R2 of 0.862 and a chain bandgap prediction accuracy of R2=0.893±0.007. The proposed framework additionally achieved a glass transition temperature prediction error of 35.0±3.2 K while maintaining competitive performance on quantum-mechanical benchmark tasks (R2=0.916). The obtained results demonstrate the potential of LLM-inspired multimodal molecular artificial intelligence frameworks for accelerated polymer informatics, DFT-reduced molecular screening, and next-generation biomaterial discovery.

Benzer Tezler

  1. Tez No

    884898

    Improving self-attention based transformer performance for morphologically rich languages

    Morfolojik açıdan zengin diller için öz dikkat tabanlı dönüştürücü performansının iyileştirilmesi

    YİĞİT BEKİR KAYA

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET CÜNEYD TANTUĞ

  2. Tez No

    1019801

    Evaluati̇ng the performance of large language models on long-context bi̇omedi̇cal questi̇on answeri̇ng

    Büyük dil modellerinin uzun bağlamlı biyomedikal soru cevaplama üzerindeki performansının değerlendirilmesi

    FERAS AL MANNAA

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Yapay Zeka ve Veri Bilimi Ana Bilim Dalı

    PROF. FERDİ SÖNMEZ

  3. Tez No

    971986

    Using contrastive learning and large language models on biomedical information extraction

    Karşılaştırmalı öğrenme ve geniş dil modellerinin biyomedikal bilgi çıkarılmasında kullanılması

    BUĞRAHAN ŞAHİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. ARZUCAN ÖZGÜR

  4. Tez No

    521383

    Design of chitosan-based carriers for biomedical engineering applications

    Biyomedikal mühendisliği uygulamaları için kitosan bazlı taşıyıcıların tasarımı

    UĞUR BOZÜYÜK

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    BiyolojiKoç Üniversitesi

    Kimya ve Biyoloji Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEDA KIZILEL

  5. Tez No

    850635

    Kemik doku mühendisliği uygulamaları için saf ve klinoptilolit katkılı hidroksiapatit bileşiklerinin sentezi ve karakterizasyonu

    Synthesis and characterization of pure and clinoptilolite doped hydroxyapatite compounds for bone tissue engineering applications

    ESMA DALDİKEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilim ve TeknolojiNevşehir Hacı Bektaş Veli Üniversitesi

    Nanobilim ve Nanoteknoloji Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ FATMA ZEHRA KOÇAK

    DR. ÖĞR. ÜYESİ NİLÜFER KÜÇÜKDEVECİ

Geri Dön