Predicting drug synergy using data mining
İlaçlar arası sinerjinin veri madenciliği yöntemleriyle tahmini
- Tez No: 444558
- Danışmanlar: DOÇ. DR. KEMAL KILIÇ
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2016
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 64
Özet
Son yıllarda antibiyotik direnci dünya çapında önemli bir sağlık tehdidi sırasında haline gelmiştir. Antibiyotik direncini azaltmak için çözümlerden biri tedavi sırasında antibiyotiklerin uygun miktarda kullanılmasının sağlanmasıdır. Bazı antibiyotiklerin sinerji oldukları, yani birlikte uygulandığı takdirde, tek başlarına sahip oldukları antibakteriyel ve antifungal etkilerin arttığı bilinmektedir. Antibiyotikler arasındaki sinerjinin belirlenmesi, çeşitli durumlarda kullanılacak olan antibiyotik miktarlarının optimizasyonuna katkı sağlayabileceğinden, tıbbi uygulamacılar için önemli bir fayda sağlayacaktır. Bu tezde veri madenciliği tabanlı yaklaşımlar kullanılarak antibiyotikler arası sinerjinin belirlenmesi problemine yönelik bir takım analizler yapılmıştır. Bu kapsamda ilaçların chemogenomic profilleri ve kimyasal özellikleri kullanılarak birbirleri arasındaki sinerjinin tahmin etmeye yardımcı olacak yeni yöntem ve yaklaşımlar geliştirilmiştir. Geliştirilen yöntem ve yaklaşımlar E. Coli ve maya verileri kullanılarak performansları karşılaştırılmıştır. Chemogenomic profillerin kullanılmasına dayanan yaklaşımlar arasında yer alan GRASP meta-sezgisel algoritması 0.94 doğruluk ve 0.82 AUC sonucuyla E.Coli veri kümesinde en iyi sonucu vermiştir. Öte yandan topoloji verilerinin de öğrenme sürecinde kullanılması amacıyla geliştirilen orijinal bir yaklaşımla gene E. Coli veri kümesinde sırasıyla 0.91 ve 0.71, doğruluk ve AUC sonucuna ulaşılmıştır. Öte yandan tez kapsamında ayrıca ilaçların kimyasal özellikleri verisinin kullanılması durumunda ne yapılabileceği üzerinde durulmuştur. Bu kapsamda, karar ağaçları ve karar ormanları gibi yöntemlerin de kullanılmasıyla yapılan çeşitli çalışmalar sonucunda iki özelliğin (XLogP3 ve Q_PC) sinerji ilişkisinin belirlenmesi kapsamında diğer 300 civarındaki kimyasal özelliğe göre daha çok yardımcı olabileceği belirlenmiştir. Her ne kadar XLogP3 bilimsel yazında zaten bu kapsamda etkili bir özellik olarak daha önceden belirlenmiş ise de, yapılmış olan analizler Q_PC'nin de XLogP3 kadar işe yarar olabileceğini göstermektedir. Bu tez de bu kapsamda geliştirilen yaklaşımlar, yöntemler ve bunların performanslarının belirlenmesine yönelik yapılan çeşitli analizlerin sonuçları sunulmaktadır.
Özet (Çeviri)
Antibiotic resistance has become an important health threat across the world during recent years. One of the solutions to reduce antibiotic resistance is to find ways in order to use efficient amounts of antibiotics in treatments. It has been seen that some antibiotics are synergistic, i.e, if they are administered together, they will boost the individual antibacterial and antifungal effects. Identification of synergistic antibiotics can be of significant assistance to medical practitioners in order to optimize the amount of antibiotics to be used. In this thesis we have conducted a set of analyses using data mining based approaches. Chemogenomic profiles and chemical properties of drugs have been utilized to predict synergy between them. Two datasets, E. Coli and yeast were used in order to perform the analysis. GRASP meta-heuristic algorithm was implemented on chemogenomic features in order to predict synregies which yielded in 0.94 accuracy and 0.82 Area Under ROC curve for E. Coli dataset. In order to further explore the chemogenomic features, we suggest a novel algorithm to predict synergy. This algorithm resulted in Area Under ROC curve and accuracy of 0.71 and 0.91, respectively for E. Coli dataset. Next, two chemical features, XLogP3 and Q PC- were used to perform the analysis by employing decision trees and random forest classifiers. Our analysis indicate that Q PC- chemical feature can be as discriminative as XLogP3 which has been used in literature previously. Employing chemical features resulted in most accurate prediction among the implemented methods. In this thesis, details of the above-stated methods and algorithms will be presented.
Benzer Tezler
- Deep learning-based methods for drug synergy prediction
İlaç sinerjisi tahmini için derin öğrenme tabanlı yöntemler
HALİL İBRAHİM KURU
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDULLAH ERCÜMENT ÇİÇEK
DOÇ. DR. ÖZNUR TAŞTAN OKAN
- Toplu öğrenme ile ilaç kombinasyonlarının sinerji skor tahmini
Prediction of drug combinations' synergy score by ensemble learning
IŞIKSU EKŞİOĞLU
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET TAN
- Unveiling the true impact of drug and cell line representations in drug synergy prediction
İlaç sinerjisi tahmininde ilaç ve hücre hattı temsillerinin gerçek etkisinin ortaya çıkarılması
EMİNE BEYZA ÇANDIR SOYDEMİR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiMühendislik ve Doğa Bilimleri Ana Bilim Dalı
DOÇ. DR. ÖZNUR TAŞTAN OKAN
- Prediction of drug-drug interactions from chemogenomic and gene-gene interactions and analysis of drug-drug interactions
İlaç-ilaç etkileşimlerinin kemogenomik ve gen-gen etkileşimlerinden tahmini ve analizi
AZAT AKHMETOV
Yüksek Lisans
İngilizce
2013
BiyolojiSabancı ÜniversitesiBiyoloji Bilimleri ve Biyomühendislik Ana Bilim Dalı
YRD. DOÇ. DR. MURAT ÇOKOL
- Predicting drug sensitivity in cancer cell lines using contextualized prior knowledge networks and graph neural networks
Kanser hücre kültüründe ilaç duyarlılığının bağlamsallaştırılmış önceki bilgi ağları ve grafik sinir ağları kullanılarak tahmin edilmesi
DENİZ GERMEN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET HALİT SEYFULLAH OĞUZTÜZÜN
PROF. DR. MEHMET VOLKAN ATALAY