Çizge Sinir Ağlari Kullanilarak Protein-Ligand Bağlanma Bölgesi ve Afinite Tahmini
Protein-Ligand Binding Site and Affinity Prediction Using Graph Neural Networks
- Tez No: 1021853
- Danışmanlar: PROF. DR. TUNCA DOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biyoloji, Computer Engineering and Computer Science and Control, Biology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoinformatik Ana Bilim Dalı (disiplinlerarası)
- Bilim Dalı: Biyoinformatik ve Sistem Biyolojisi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Protein-ligand etkileşimleri, pek çok biyolojik sürecin ve ilaçların etki mekanizmasının temelindedir; bir aday molekülün proteine nereden ve ne kadar güçlü bağlandığının doğru tahmini, ilaç keşfinde önceliklendirme için belirleyicidir. Derin öğrenme yöntemleri geleneksel yaklaşımların önüne geçmiş olsa da, benchmark veri kümelerindeki yüksek başarım genellikle gerçek tarama koşullarına taşınamamaktadır. Bu tez, bağlanma bölgesi ve afinite tahminini tek bir çok amaçlı çizge sinir ağı çerçevesinde ele alıp modelin hangi koşullarda güvenilir sonuç verdiğini sınamaktadır. Yöntemde, protein cebinin üç boyutlu yapısını ve ligandın moleküler çizgesini işleyen temel mimari, protein dil modelinden gelen evrimsel dizi temsili ve bunu yapısal bilgiyle uyumlulaştıran bileşenlerle zenginleştirilmiştir. Her bileşenin katkısı, kapsamlı bir deneysel yapı-afinite veri kümesinde eğitilip, ligandın kristal pozunun sağlandığı ve sağlanmadığı ölçüt kümelerinde ayrı ayrı değerlendirilmiştir. Bulgular tek bir örüntüde toplanmaktadır: zengin protein temsili, kristal poz bilgisi varken bağlanma bölgesi ve afinite tahminini belirgin biçimde iyileştirmekte; ancak bu üstünlük poz bilgisiz gerçekçi sanal taramaya aktarılamamaktadır. Poz-bağımsız genelleşebilirlik, protein temsilinin zenginliğinden çok karşıtlık tabanlı öğrenme sinyalinin tasarımına bağlıdır. Böylece çalışma, değerlendirme rejiminin — özellikle poz bilgisinin varlığının — en az model mimarisi kadar belirleyici olduğunu; mevcut mimarinin tek başına kör bir tarama aracı değil, poz üretimi ya da poz-bağımsız temsil öğrenimiyle desteklenmesi gereken güçlü bir etkileşim modelleme bileşeni olarak konumlandırılması gerektiğini ortaya koymaktadır. Gelecek çalışmalarda poz bağımlılığını azaltacak konformasyonel örnekleme, poz-bağımsız temsil öğrenimi ve protein dil modelinin göreve özgü ince ayarı öne çıkmaktadır.
Özet (Çeviri)
Protein-ligand interactions underpin numerous biological processes and the mechanisms of drug action; thus, the accurate prediction of where and how tightly a candidate molecule binds to a protein is decisive for prioritization in drug discovery. Although deep learning methods have outperformed traditional approaches, high benchmark performance often fails to translate to real-world screening. This thesis addresses binding site and affinity prediction within a single multi-objective graph neural network framework, systematically testing when the model yields reliable results. A baseline architecture processing the protein pocket's 3D structure alongside the ligand's molecular graph is enriched with evolutionary sequence representations from a protein language model and components aligning these with structural information. Each component's contribution was trained on a comprehensive experimental structure-affinity dataset, and evaluated separately on benchmarks with and without the ligand's crystal-pose. The findings converge on a single pattern: rich protein representations significantly improve both predictions when crystal-pose information is available, but this advantage does not transfer to realistic pose-free screening. Pose-free generalizability depends more on the contrastive learning signal design than on representation richness. Consequently, this study reveals that the evaluation regime—specifically pose availability—is at least as decisive as model architecture, positioning the current architecture not as a standalone screening tool, but as an interaction modeling component requiring support from pose-generating or pose-free representation learning. Future work should explore conformational sampling and pose-free representation learning to reduce pose dependency, alongside task-specific fine-tuning of the protein language model.
Benzer Tezler
- Antijenlerin yapısal özellikleri ve çizge sinir ağları kullanılarak B hücresi epitopu tahmini
Prediction of B cell epitopes using structural properties of antigens and graph neural networks
MUHAMMET BÜNYAMİN ŞEN
Yüksek Lisans
Türkçe
2025
GenetikHacettepe ÜniversitesiBiyoinformatik Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. TUNCA DOĞAN
- Graph representation learning for histopathological images
Histopatolojik görüntüler için çizge temsil öğrenimi
ESRA TEPE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN BİLGİN
- Developing deep learning models for protein structure prediction
Protein yapı tahmini için derin öğrenme modellerinin geliştirilmesi
YASİN GÖRMEZ
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZAFER AYDIN
- 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
- Çizge sinir ağları ve derin takviyeli öğrenme kullanarak otomatik molekül üretimi
Automated molecule generation using graph neural networks and deep reinforcement learning
RIZA IŞIK
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTobb Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET TAN