Geri Dön

A safe drug recommendation system based on graph neural networks (GNN) and explainable artificial intelligence (XAI)

Graf sinir ağları (GNN) ve açıklanabilir yapay zeka (XAI) tabanlı güvenli ilaç öneri sistemi

PDF İndir

  1. Tez No: 1022574
  2. Yazar: YUSUF ÇELİK
  3. Danışmanlar: PROF. DR. ALPER BİLGE
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Derin öğrenme, Grafik sinir ağları, Grafik teorisi, Makine öğrenmesi, Yapay sinir ağları, Yapay zeka, İlaç etkileşimleri, Deep learning, Graph neural networks, Graph theory, Machine learning, Artificial neural networks, Artificial intelligence, Drug interactions
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: Akdeniz Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Geleneksel ilaç keşfi, onaylanan her bir ilaç için 10-15 yıl ve yaklaşık 2-3 milyar dolar gerektiren ve adayların %90'ından fazlasının klinik denemeler sırasında başarısız olduğu, maliyetli ve zaman alıcı bir süreçtir. Mevcut onaylanmış ilaçlar için yeni terapötik endikasyonların belirlenmesi anlamına gelen ilaç yeniden konumlandırma (drug repurposing), yerleşik güvenlik profillerinden ve üretim süreçlerinden yararlanarak umut verici bir alternatif sunmaktadır. Büyük ölçekli biyomedikal veritabanlarının hızlı büyümesi, potansiyel ilaç-hastalık ilişkilerinin devasa uzayını sistematik olarak keşfedebilen hesaplamalı yaklaşımlara olanak sağlamıştır. Bununla birlikte, mevcut çizge tabanlı (graph-based) ilaç yeniden konumlandırma yöntemlerinin çoğu, biyomedikal ağları homojen çizgeler olarak ele almakta, değerli yardımcı biyolojik bilgileri göz ardı eden tek görevli öğrenmeyi (single-task learning) kullanmakta ve ilaç-hastalık ilişkilerindeki etiket kıtlığından (label scarcity) muzdariptir. Bu tez, hesaplamalı ilaç yeniden konumlandırma için Heterojen Çizge Karşıtsal Öğrenmeyi (HGCL), çok görevli öğrenme (multi-task learning) ve transfer öğrenme ile birleştiren entegre bir çerçeve önermekte ve sistematik olarak değerlendirmektedir. Dört genel veritabanını (DrugBank, TWOSIDES, SIDER ve RepoDB) entegre ederek, üç ilişki türü boyunca 7.813 düğüm (1.163 ilaç, 2.550 hastalık, 4.100 yan etki) ve 512.713 kenar (edge) içeren heterojen bir biyomedikal bilgi çizgesi (knowledge graph) oluşturulmuştur. Bu heterojen veri kaynakları arasındaki ilaç tanımlayıcılarını birleştirmek için üç aşamalı, API tabanlı bir tanımlayıcı standardizasyon ardışık düzeni (pipeline) geliştirilmiştir. Çerçeve, bilinen tedavi ilişkilerindeki seyreklik (sparsity) sorununu ele almak için InfoNCE kaybı ile öz-denetimli karşıtsal öğrenmeyi (self-supervised contrastive learning) kullanırken, ilaç-hastalık tedavi tahminini iki yardımcı görevle — ilaç-ilaç etkileşimi tahmini ve ilaç-yan etki tahmini — birlikte ortaklaşa optimize etmektedir. Optuna ile optimize edilmiş hiperparametreler ve 5 katlı çapraz doğrulama (5-fold cross-validation) ile aynı deneysel koşullar altında dört çizge sinir ağı kodlayıcı mimarisini — GCN, Decagon, HAN ve HGCL — karşılaştıran adil bir kıyaslama (benchmark) oluşturulmuştur. HGCL, tüm değerlendirme metriklerinde en iyi performansı elde ederek (AUC 0,890 ± 0,003, AUPRC 0,892 ± 0,005, F1 0,813 ± 0,005) ve en kısa eğitim süresini (10,6 dakika) gerektirirken tüm temel modelleri anlamlı ölçüde geride bırakmıştır (p < 0,001, Welch'in t-testi). 10 konfigürasyonla yapılan kapsamlı bir ablasyon çalışması (ablation study), karşıtsal öğrenmenin tek başına en etkili bileşen olduğunu ve AUC'yi yalın (vanilla) temel modele göre %5,5 oranında iyileştirdiğini ortaya koymaktadır (p < 0,001). Dikkat çekici bir şekilde, daha basit olan Karşıtsal + Çok Görevli kombinasyonu (AUC 0,891), tam dört bileşenli çerçeveyle (AUC 0,887, p = 0,239) istatistiksel olarak eşdeğer performans sergileyerek bir“sadelik ilkesini”(parsimony principle) desteklemektedir: Karşıtsal öğrenme halihazırda mevcut olduğunda, DDI (İlaç-İlaç Etkileşimi) ön eğitimi ve veri artırımı (data augmentation) gibi ek bileşenler azalan verim (diminishing returns) sağlamaktadır. Dokuz PRR eşik değeri (10-45) boyunca yapılan duyarlılık analizi, DDI kenar kalitesi ile niceliği arasındaki optimum denge noktası olarak PRR = 34'ü belirlemiş ve zirve performansı korurken %97,6 oranında kenar azaltımı sağlamıştır. Bu bulgular, çok görevli öğrenme ile birleştirilmiş öz-denetimli karşıtsal öğrenmenin, heterojen çizge tabanlı ilaç yeniden konumlandırma için en etkili ve en sade yaklaşımı sağladığını göstermekte ve biyomedikal çizge sinir ağı çerçevesi tasarımı için pratik bir rehberlik sunmaktadır.

Özet (Çeviri)

Traditional drug discovery is a costly and time-consuming process, requiring 10-15 years and approximately 2-3 billion dollars per approved drug, with over 90% of candidates failing during clinical trials. Drug repurposing — identifying new therapeutic indications for existing approved drugs — offers a promising alternative by leveraging established safety profiles and manufacturing processes. The rapid growth of large-scale biomedical databases has enabled computational approaches that can systematically explore the vast space of potential drug-disease associations. However, most existing graph-based drug repurposing methods treat biomedical networks as homogeneous graphs, employ single-task learning that ignores valuable auxiliary biological information, and suffer from label scarcity in drug-disease associations. This thesis proposes and systematically evaluates an integrated framework that combines Heterogeneous Graph Contrastive Learning (HGCL) with multi-task learning and transfer learning for computational drug repurposing. We construct a heterogeneous biomedical knowledge graph containing 7,813 nodes (1,163 drugs, 2,550 diseases, 4,100 side effects) and 512,713 edges across three relation types by integrating four public databases: DrugBank, TWOSIDES, SIDER, and RepoDB. A three-stage API-based identifier standardization pipeline is developed to unify drug identifiers across these heterogeneous data sources. The framework jointly optimizes drug-disease treatment prediction alongside two auxiliary tasks — drug-drug interaction prediction and drug-side effect prediction — while employing self-supervised contrastive learning with InfoNCE loss to address the sparsity of known treatment associations. We establish a fair benchmark comparing four graph neural network encoder architectures — GCN, Decagon, HAN, and HGCL — under identical experimental conditions with Optuna-optimized hyperparameters and 5-fold cross-validation. HGCL achieves the best performance across all evaluation metrics (AUC 0.890 ± 0.003, AUPRC 0.892 ± 0.005, F1 0.813 ± 0.005), significantly outperforming all baselines (p < 0.001, Welch's t-test) while requiring the shortest training time (10.6 minutes). A comprehensive ablation study with 10 configurations reveals that contrastive learning is the single most impactful component, improving AUC by 5.5% over the vanilla baseline (p < 0.001). Notably, the simpler Contrastive + Multi-task combination (AUC 0.891) achieves statistically equivalent performance to the full four-component framework (AUC 0.887, p = 0.239), supporting a parsimony principle: additional components such as DDI pre-training and data augmentation yield diminishing returns when contrastive learning is already present. Sensitivity analysis across nine PRR threshold values (10-45) identifies PRR = 34 as the optimal trade-off between DDI edge quality and quantity, achieving 97.6% edge reduction while maintaining peak performance. These findings demonstrate that self-supervised contrastive learning combined with multi-task learning provides the most effective and parsimonious approach for heterogeneous graph-based drug repurposing, offering practical guidance for biomedical graph neural network framework design.

Benzer Tezler

  1. Tez No

    1009028

    Personalized medication recommendation system based on text or image inputs

    Metin veya görüntü girdilerine dayalı kişiselleştirilmiş ilaç öneri sistemi

    IHTISHAM BASHIR

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBeykoz Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    Prof. Dr. ABDURAZZAG ALI A ABURAS

  2. Tez No

    817434

    Twitter verisi üzerinde Covid-19'a karşı etkili olan ilaçların doğal dil işleme kullanılarak analizi

    Analysis of drugs effective against Covid-19 using natural language processing on Twitter data

    ORHAN TALHA KUM

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SEFER BADAY

  3. Tez No

    532216

    Doktor ve hemşirelerin erişkin aşı konusunda farkındalık, bilgi, tutum ve davranışları

    Doctors' and nurses' awareness, knowledge and attitudes about adult vaccination

    ONUR DİKMEN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2019

    Aile HekimliğiSağlık Bilimleri Üniversitesi

    Aile Hekimliği Ana Bilim Dalı

    DOÇ. DR. HÜLYA PARILDAR

  4. Tez No

    435715

    Gaziantep ili oğuzeli ilçe merkezinde 18 yaş ve üstü erişkinlerde biyolojik ve alternatif/tamamlayıcı tıbbi tedavi kullanma durumu ve etkiliyen faktörler

    The effective factors and condition of biological and alternative/complemantary medical treatment using in adults 18 years and older in gaziantep/oğuzeli district

    DAVUT SARI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2016

    Halk SağlığıGaziantep Üniversitesi

    Halk Sağlığı Ana Bilim Dalı

    YRD. DOÇ. DR. NERİMAN AYDIN

  5. Tez No

    635786

    Acil serviste intravenöz ondansetron tedavisi başlanmış hastalarda ondansetron tedavisinin EKG ile saptanacak QT süresine etkisi

    The effect of ondansetron therapy on QT interval to be detected by ECG in patients received intravenous ondansetron treatment in the emergency department

    HURİYE YÜRÜK MISIRLIOĞLU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2020

    İlk ve Acil YardımHacettepe Üniversitesi

    Acil Tıp Ana Bilim Dalı

    DOÇ. DR. MELTEM AKKAŞ

Geri Dön