Deepside: Predicting drug side effects with deep learning
Deepsıde: İlaçların ters ve yan etkilerini tahmin etmek için derin öğrenme
- Tez No: 595553
- Danışmanlar: DR. ÖĞR. ÜYESİ ABDULLAH ERCÜMENT ÇİÇEK, DR. ÖĞR. ÜYESİ ÖZNUR TAŞTAN OKAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Klinik denemelerde ortaya çıkan ve öngörülemeyen yan etkilerden kaynaklanan ilaç başarısızlıkları, katılımcılar için ciddi sağlık riskleri oluşturur ve önemli finansal kayıplara neden olmaktadır. Öte yandan yan etki tahmin algoritmaların ilaç tasarım sürecini yönlendirme potensiyeli vardır. LINCS L1000 veri kümesi, farklı hüçre hatlarında farkı zamana noklarında bir çok ilacın farklı dozda uygulandığı, geniş bir gen ifade veri seti içermektedir. Literatürdeki en güncel yaklaşım, sadece LINCS L1000'deki yüksek kaliteli deneylere dayanmakta ve farklı deneylerin büyük bir kısmını model dışında bırakmaktadır. Bu çalışmada, derin öğrenme temelli bir yaklaşımla geriye kalan kayıtlı deneylere ait verilerden daha fazla bilginin elde edilip edilemeyeceğini araştırmaktayız. (i) LINCS L1000 projesinden gen ifade verilerini, (ii) ilaçların kimyasal yapı parmak izlerini, (iii) SMILES ilaç yapısının dizi gösterimini ve (iv) ilaçların atom çözünürlüğündeki moleküler yapılarını kullanan 6 farklı derin öğrenme mimarisi ile deneyler yapmaktayız. Ilaç moleküler yapısı, kimyasal yapıları ve gen ifade özelliklerini kullanan çok katmanlı algılayıcı (MLP) tabanlı model, %88'lik mikro-AUC ve %79'luk makro-AUC'ye ulaşabilmekte ve bu sayede daha yüksek yan etki tahmini imkanı sunmaktadır. Her ne kadar farklı derin öğrenme modelleri ile güçlü gösterimler çıkarılmış olsa da, kimyasal yapının gen ifade profillerinden daha iyi bir tahmin güçlü olduğunu da gözlemlemekteyiz. Son olarak, sadece ilaçların SMILES dizilerini kullanan evrişimli sinir ağı tabanlı model, hem gen ifadesi hem de kimyasal yapı özelliklerini aynı anda kullanan modellerden daha iyi bir performans sunmaktadır.
Özet (Çeviri)
Drug failures due to unforeseen adverse effects at clinical trials pose health risks for the participants and cause substantial financial losses. Side effect prediction algorithms, on the other hand, have the potential to guide the drug design process. LINCS L1000 dataset provides a vast resource of gene expression profiles across different cell lines that are induced with different dosages taken at different time points. The state-of-the-art approach in the literature relies on high-quality experiments in LINCS L1000 and discards a large portion of the recorded experiments. In this study, we investigate whether more information can be extracted from this remaining set of experiments with a deep learning-based approach. We experiment with 6 different deep learning architectures that use (i) gene expression data from the LINCS L1000 project, (ii) chemical structure fingerprints of drugs, (iii) SMILES string representation of drug structure, and (iv) the atomic structure of the drug molecules. The multilayer perceptron (MLP) based model which uses chemical structures and gene expression features achieve 88% micro- AUC and 79% macro-AUC, thus offering better performance in comparison to the state-of-the-art studies on side effect prediction. We observe that the chemical structure is more predictive than the gene expression profiles despite the fact that the features are extracted with different deep learning models. Finally, the convolutional neural network-based model that uses only SMILES strings of the drugs provides 82% macro-AUC, and 88%micro-AUC improvements, better performing than the models that use gene expression and chemical structure features simultaneously.
Benzer Tezler
- Novel centrality, topology and hierarchical-aware link prediction in dynamic networks
Dinamik ağlarda merkezilik, topoloji ve hiyerarşik tabanlı bağlanti tahmini
ABUBAKHARI SSERWADDA
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
YRD. DOÇ. ALPER ÖZCAN
- Inclusion of interactions in mathematical modelling of implant assisted magnetic drug targeting
Başlık çevirisi yok
ADİL MARDİNOĞLU
- 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
- A fast 3d flow field prediction around bluff bodies using deep learning
Derin öğrenme kullanılarak küt cisimler etrafındaki 3 boyutlu akış alanının tahmini
FARHAD NEMATI TAHER
Yüksek Lisans
İngilizce
2023
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDUSSAMET SUBAŞI
- Benchmarking the binding affinity predictors over the spike: ACE2 deep mutagenesis dataset
Bağlanma afinite tahmin algoritmalarının spike: ACE2 derinmutagenez bağlanma verileri üzerinde değerlendirilmesi
EDA ŞAMİLOĞLU TENGİRŞEK
Yüksek Lisans
İngilizce
2022
BiyofizikDokuz Eylül ÜniversitesiMoleküler Biyoloji ve Genetik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EZGİ KARACA EREK