Geri Dön

In silico prediction of adverse drug reactions of antidepressant drugs

Antidepresan ilaçların advers ilaç reaksiyonlarının bilgisayar ortamında tahmini

  1. Tez No: 644121
  2. Yazar: SERDAR SİNAN GÜNEŞ
  3. Danışmanlar: DOÇ. DR. HANDE SİPAHİ
  4. Tez Türü: Doktora
  5. Konular: Eczacılık ve Farmakoloji, Pharmacy and Pharmacology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: İngilizce
  9. Üniversite: Yeditepe Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Farmasötik Toksikoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 113

Özet

Advers ilaç reaksiyonları (AİR), dünya genelinde sağlığı tehdit eden en önemli sorunlardan biridir ve ilaç geliştirmenin önündeki önemli bir engeldir. Bu nedenle, bilgisayar-destekli metotların kullanılarak AİR'in erken ve doğru bir şekilde tahmin edilmesi hem oluşabilecek sağlık risklerini azaltmak hem de yüksek maliyetli ve uzun süren klinik araştırmalardan sonra ürünün piyasadan çekilmesini önlemek açısından son derece önemlidir. Bu çalışmada, 27 onaylı antidepresana ait 329 AİR'i tahmin etmek için bir model geliştirildi ve bu amaç için 3 makine öğrenimi algoritması karşılaştırıldı. Bir ilacın kimyasal ve ilaç hedefleri, enzimleri ve taşıyıcıları içeren biyolojik özellikleri, ilacın AİR'i ile entegre edilerek, AİR tahmini için bir makine öğrenimi modeli oluşturuldu. Atom sayısı, formal yük, zagreb indeksi gibi özelliklerin de bulunduğu toplam 338 kimyasal özellik ve sitokrom P450 3A4, sodyum-bağımlı serotonin taşıyıcı, p-glikoprotein 1 gibi özellikleri de barındıran 144 biyolojik özellik kullanıldı. Ayrıca, 329 bilinen AİR, sistem organ sınıflarına (SOS) göre gruplandırıldı ve AİR tahmin etme performansları karşılaştırıldı. 10-katlamalı çapraz-doğrulama tekniği kullanılarak yapılan değerlendirmede, ''Çok Katmanlı Algılayıcı'' algoritmasının diğerlerinden üstün geldiği görüldü. Yapılan tahminlerde %50'nin altında sonuç veren AİR'ler ve F-ölçümü sıfır çıkan AİR'ler başarısız kabul edildi. Bu değerlendirme kriterlerine dayanarak, 329 AİR'den 248'i başarılı bir şekilde tahmin edildi. En iyi performans gösteren özellik grubu; kimyasal ve biyolojik özelliklerin beraber olduğu gruptur, ardından kimyasal özellikler grubu, son olarak da biyolojik özellikler gelmektedir. Kimyasal özellikler grubu, biyolojik özellikler grubu, kimyasal ve biyolojik özelliklerin beraber olduğu grup için ortalama AUC değerleri sırasıyla 0.623, 0.676 ve 0.695'dir. Veri kümesi dengesiz dağıldığından, tahmin modellerini değerlendirmede, F-ölçümü primer ölçüt olarak benimsendi. 21 SOS'dan 5'ine ait AİR'in tamamı kimyasal, biyolojik veya iki özelliğin beraber kullanılmasıyla başarılı bir şekilde tahmin edildi. Model ayrıca indalpin, feniprazin, medifoksamin, zimelidin ve amineptin antidepresanlarının piyasadan çekilmesine neden olan AİR'i başarılı bir şekilde tahmin etmiştir. Kimyasal ve biyolojik özellikler kombinasyonunun, AİR tahmin performansını önemli ölçüde artırabileceği görüldü. Ayrıca, piyasadan çekilen antidepresanların AİR'i tahmin edilerek modelin geçerliliği test edildi. Literatür sayesinde önceden bilinen AİR, yeterli sayıda tahmin edilerek modelin geçerli olduğu görüldü. Sonuç olarak önerilen model, antidepresanların AİR'ini tahmin etme açısından etkili ve umut vericidir.

Özet (Çeviri)

Adverse drug reactions (ADRs) are one of the leading health risks throughout the world, and a major handicap in drug advancement. Therefore, early and accurate prediction of ADRs by computer-aided methods is extremely important for decreasing health threats, along with preventing product withdrawal after clinical trials which need long time and high cost. In this study, we built a model to predict 329 known ADRs of 27 approved antidepressant drugs, and we examined three machine learning algorithms in order to find which one is better for this duty. We integrated the known ADRs of a drug with the drug's chemical and biological properties, including drug targets, enzymes and transporters for prediction of ADR in our predictive model. A total of 338 chemical properties such as atom counts, formal charge, zagreb index and 144 biological properties such as cytochrome P450 3A4, sodium-dependent serotonin transporter and p-glycoprotein 1 were used. In addition, 329 known ADRs were grouped according to their system organ classes (SOCs) and compared the performances of ADR predictions. This assessment, based on a ten-fold cross-validation, showed that the multilayer perceptron algorithm surpassed the others. ADRs which have F-measure value zero and below 50% accuracy were considered as unsuccessful. Depending on these evaluation criterias, 248 out of 329 ADRs were successfully predicted. The best performing attribute group was the chemical plus biological, followed by the chemical and biological. The mean AUC values are 0.623, 0.676, and 0.695 for chemical, biological, and all attributes, respectively. Since imbalanced dataset is present, the F-measure is adopted as the primary metric to evaluate the prediction models. Among ADRs of the 21 SOCs, only ADRs belonging to 5 SOCs were predicted successfully by chemical, biological or all attributes. Also, the ADRs related to withdrawal of indalpine, pheniprazine, medifoxamine, zimelidine and amineptine were successfully predicted by our model. The results showed that the combination of attributes can significantly improve the ADR prediction performance. Furthermore, for validation, we predicted ADRs related to withdrawn antidepressants. The results showed the validity of our approach, predicting satisfactory amount of previously known ADRs from the literature. In conclusion, the proposed approach is an efficient and promising tool for predicting ADRs of antidepressants.

Benzer Tezler

  1. Prediction of drug-drug interaction by using profile fingerprint vectors and protein similarities

    İlaç-ilaç etkileşimlerini profil parmak izi vektörleri ve protein benzerlikleri kullanarak tahmin etme

    SELMA DERE

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SERKAN AYVAZ

  2. Targeting cancer epigenetic modifiers: The design of isoform-selective histone deacetylase inhibitors

    Kanser epigenetik modifiye edicilerin hedeflenmesi: İzoforma özel seçimli histon deasetilaz inhibitör dizaynı

    ABDULLAHİ İBRAHIM UBA

    Doktora

    İngilizce

    İngilizce

    2018

    BiyokimyaKadir Has Üniversitesi

    Biyoenformatik Ana Bilim Dalı

    PROF. DR. KEMAL YELEKÇİ

  3. In Siliko toksikoloji yöntemleri ve uygulamaları üzerine araştırmalar

    In Silico research on toxicology methods and applications

    GÖKHAN EGEMEN KARACA

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Eczacılık ve FarmakolojiHacettepe Üniversitesi

    Eczacılık Ana Bilim Dalı

    PROF. DR. SUNA SABUNCUOĞLU

  4. Evaluation of comedogenicity and irritancy potential of some cosmetic ingredients using in silico methods

    Komedojenite ve cilt irritasyon potensiyeli olan kozmetik bileşenlerinin in silico methodlar ile değerlendirilmesi

    SEBLA ÖZTAN AKTÜRK

    Doktora

    İngilizce

    İngilizce

    2023

    Farmasötik ToksikolojiYeditepe Üniversitesi

    Farmasötik Toksikoloji Ana Bilim Dalı

    PROF. DR. HANDE SİPAHİ

  5. Docking studies on selected sapogenins targeting androgen and estrogen receptors

    Androjen ve östrojen reseptörlerini hedefleyen seçilmiş sapogeninler üzerinde doking çalışmaları

    YİĞİT EGE ÇÖMLEKÇİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Biyomühendislikİzmir Yüksek Teknoloji Enstitüsü

    Biyomühendislik Ana Bilim Dalı

    PROF. DR. ERDAL BEDİR