Geri Dön

Prediction of druggability properties of chemicals using machine learning techniques

Makina öğrenmesi tekniklerini kullanarak kimyasalların ilaç olabilirliğinin tahmin edilmesi

  1. Tez No: 632498
  2. Yazar: GAMZE EGE KAHYA
  3. Danışmanlar: DOÇ. DR. ARZUCAN ÖZGÜR TÜRKMEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 91

Özet

İlaç keşfi, yeni ilaç tasarlama ve geliştirme sürecidir ancak bu alanda yapılan araştırmalar maliyetlidir ve uzun zaman almaktadır. Piyasada ilaç benzeri bir çok molekül önerilmiş olmasına rağmen, onaylanan ve piyasaya sürülen ilaçların sayısı çok düşüktür, çünkü ilaç aday moleküllerinin çoğu düşük farmakokinetik özelliklere sahiptir. Bu nedenle, ilaç benzeri moleküllerin Emilim, Dağılım, Metabolizma, Boşaltım, Zehirlilik özelliklerinin erken değerlendirilmesi, maliyetli ve başarısız çalışmalardan kaçınılabilinmesi açısından ilaç endüstrisi için oldukça önemlidir. Amacımız, ilaç aday moleküllerinin ilaç olabilme özelliklerini öngören bir yaklaşım ortaya koymak ve ADMET özellikleri ile moleküler tanımlayıcılar arasındaki ilişkileri belirtmektir.\par Bu tez çalışmasında, k en yakın komşu, destek vektör makineleri ve rastgele orman olmak üzere 3 farklı makine öğrenme algoritması kullanarak, moleküllerin ilaç olabilme özelliklerini tahmin etmek için 4 farklı molekül temsilini, 9 ADMET özelliği veri kümesi üzerinde inceleyip karşılaştırıyoruz. Tüm moleküler gösterimler arasında, morgan parmak izinin doğruluk ve F-ölçümü açısından daha iyi performans gösterdiğine, ancak parametre ayarlama ve algoritma eğitim süresinin parmak izi gösterimleri ile daha uzun olduğu sonucuna vardık. Makine öğrenme algoritmaları söz konusu olduğunda, morgan parmak izi kullanılan DVMS, daha yüksek doğruluk ve F-ölçümü göstermektedir. Moleküler tanımlayıcılardan oluşan vektör temsili ile RF sınıflandırıcısını kullanarak her ADMET özelliği için en etkili moleküler tanımlayıcıyı değerlendiriyoruz. Bazı veri kümeleri için, morgan parmak izi temsiline en çok katkıda bulunan tanımlayıcıyı ekleyerek yaptığımız deneylerde değerlendirme metriklerinde artış gözlemekteyiz.

Özet (Çeviri)

Drug discovery is the process of designing and developing new medicine. The research and clinical experiments for new drug proposals are costly and take a long time. Although there has been proposed a lot of drug-like molecules, the number of drugs that are confirmed by regulating bodies and released to the market is very low. That is because most of the drug candidate molecules have low pharmacokinetic properties. Therefore, early assessments of ADMET properties have gained extreme importance for pharmaceutical industry, to be able to avoid costly failures. Here, our aim is to come up with an approach that reliably predicts druggability features of drug candidate molecules as well as to point out the relations between ADMET properties and molecular descriptors. \par In this thesis study, we examine and compare 4 different molecule representations to predict druggability features of molecules, using 3 different machine learning algorithms; namely k-nearest neighbor, support vector machine classifier and random forest on 9 ADMET property datasets. We conclude that among all molecular representations, morgan fingerprint performs better in terms of accuracy and F-measure, however run time for parameter tuning and train is longer with fingerprint representations. As far as the machine learning algorithms are concerned, SVM classifier with morgan fingerprint performs better with higher accuracy and F-measure. With descriptor vector representation, we examine a set of molecular descriptors and using RF classifier, we evaluate most effective molecular descriptor for each ADMET property. For some datasets, we add the most contributive descriptor to morgan fingerprint representation and report an increase on evaluation metrics.

Benzer Tezler

  1. Development of a computer based monitoring system and ıts usage for power shovels monitoring

    Bilgisayara dayalı bir izleme sisteminin geliştirilmesi ve elektrikli ekskavatörlerin izlenmesinde kullanımı

    MEHMET ALİ HİNDİSTAN

    Doktora

    İngilizce

    İngilizce

    1997

    Maden Mühendisliği ve MadencilikOrta Doğu Teknik Üniversitesi

    Maden Mühendisliği Ana Bilim Dalı

    PROF. DR. CELAL KARPUZ

  2. Prediction of financial performance in İstanbul Stock Exchange: A comparative analysis

    İstanbul Menkul Kıymetler Borsası finansal performans tahmini: Karşılaştırmalı analiz

    ÖZGÜR TÜRETKEN

    Yüksek Lisans

    İngilizce

    İngilizce

    1999

    İşletmeOrta Doğu Teknik Üniversitesi

    İşletme Ana Bilim Dalı

    DR. SEZA DANIŞOĞLU RHOADES

  3. Prediction of learned despain in rats using artificial neural networks

    Yapay sinir ağlarıyla sıçanlarda öğrenilmiş çaresizlik tahmini

    İPEK ORUÇ

    Yüksek Lisans

    İngilizce

    İngilizce

    1999

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. A. C. CEM SAY

  4. Prediction of failure of commercial banks in Turkey

    Türkiye'deki ticari bankaların iflas tahminleri

    BÜLENT YAĞLI

    Yüksek Lisans

    İngilizce

    İngilizce

    1996

    Bankacılıkİhsan Doğramacı Bilkent Üniversitesi

    İşletme Yönetimi Ana Bilim Dalı

    DOÇ. DR. GÜLNUR MURADOĞLU

  5. Zihinsel ve işitme engelliler okullarında görev yapan yönetici ve öğretmenlerde tükenmişliğin kestirilmesi

    Prediction of burnout levels of the teachers and administrators working in the special education schools for the hearing impaired and mentally retarded children

    ÖMAY ÇOKLUK

    Yüksek Lisans

    Türkçe

    Türkçe

    1999

    Eğitim ve ÖğretimAnkara Üniversitesi

    Özel Eğitim Ana Bilim Dalı

    DOÇ. DR. BÜLBİN SUCUOĞLU

    DOÇ. DR. NİLGÜN KÖKLÜ