A graph-based learning model for predicting drug combination synergies
İlaç kombinasyon verimliliğini tahmin etme amaçlı çizge temelli öğrenme modeli
- Tez No: 1018414
- Danışmanlar: DOÇ. DR. ABDULLAH ERCÜMENT ÇİÇEK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Grafik sinir ağları, Deep learning, Graph neural networks
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
İlaçlar, bir kombinasyon terapisinin parçası olarak birlikte kullanıldığında hastaları daha verimli şekilde tedavi edebilirler. Biyologlar hangi ilaçların birlikte kullanıldıklarında verimli olabildiklerini tespit edebilmek için deneyler yapmaktadır, ancak bu süreç uzun ve pahalıdır. Çalışmalar makine öğrenmesi yöntemlerinin sinerjist ilaç kombinasyonlarının keşfedilmesinde faydalı olabileceğini tespit etmiştir. Bu çalışmada, çizge temelli bir öğrenim modeli geliştirilmiştir. Bu model, ilaçlardan biri ya da ikisi de eğitim kümesinde bulunmadığı senaryolarda daha iyi tespitler yapabilmektedir. Bu senaryolardaki sonuçları daha başarılı şekilde tetkik etmek için, ilaçların birlikte bulunma durumlarına dayanan yeni bir bölme algoritması kullanılmıştır. Geliştirilen model, bu senaryoda Pearson korelasyon katsayısını ortalamada 0,107'den 0,228'e, Spearman korelasyon katsayısını ise ortalamada 0,151'den 0,245'e yükseltmiştir.
Özet (Çeviri)
Drugs can treat patients more effectively when used in combination rather than as a single agent. Biologists conduct manual experiments to learn which drugs perform better when combined, yet this process is tedious and costly. Studies have revealed that machine learning methods may help with the discovery of synergistic drug combinations. In this thesis, we present a GNN-based architecture for drug synergy prediction. This model achieves improved predictions in settings where either one or both drugs are absent from the training set, which is a limitation of most drug synergy prediction models. To evaluate generalization to unseen drugs more rigorously, we introduce a degree-stratified splitting algorithm based on drug co-occurrence graphs. The proposed model improves the Pearson correlation in this setting from 0.107 to 0.228, and Spearman correlation from 0.151 to 0.245, averaged across three independent splits.
Benzer Tezler
- Kanser hücre hatlarında multi-omik verilerin ağ tabanlı entegrasyonundan öğrenme yoluyla ilaç yanıtının tahmin edilmesi
Predicting drug response through learning from network-based integration of multi-omics data in cancer cell lines
SINA DADMAND
Yüksek Lisans
İngilizce
2023
Mühendislik BilimleriKoç ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
DOÇ. DR. NURCAN TUNÇBAĞ
- Drug-target affinity prediction using a graph-based approach enriched with molecule words
Molekül kelimeleriyle zenginleştirilmiş ağ çizgesi yaklaşımlı ilaç-protein etkileşimi tahmini
CANSU DAMLA YILMAZ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ARZUCAN ÖZGÜR TÜRKMEN
- Biyomedikal bilgi çizgeleri için makine öğrenmesi tabanlı anlamsal bağ tahmini
Machine learning based semantic link prediction for biomedical knowledge graphs
REMZİ ÇELEBİ
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZGÜR GÜMÜŞ
- Empowering heterogeneous networks for drug-target affinity prediction
İlaç-hedef bağlılık ilgisi tahmini için heterojen ağları güçlendirme
SELEN PARLAR ÖZÇELİK
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ARZUCAN ÖZGÜR TÜRKMEN
DOÇ. DR. ELİF ÖZKIRIMLI ÖLMEZ
- Proteinlerin subselüler yerleşimlerinin görüntü, sekans ve interaktom verisi tabanlı tahmini
Image, sequence and interactome based prediction of subcellular localization of proteins
ECEM KUŞCUOĞLU
Yüksek Lisans
İngilizce
2024
BiyoteknolojiHacettepe ÜniversitesiBiyoenformatik Ana Bilim Dalı
PROF. DR. TUNCA DOĞAN