Geri Dön

Drug target interaction prediction using artificial intelligence

Yapay kullanarak ilaç hedef etkileşimi tahminizeka

PDF İndir

  1. Tez No: 687451
  2. Yazar: BARAA TAHA YASEEN YASEEN
  3. Danışmanlar: YRD. DOÇ. DR. SEFER KURNAZ
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: İlaç etkileşimi, makine öğrenimi, SVM, derin öğrenme, CNN, ilaç bankası, tahmin, Drug interaction, machine learning, SVM, deep learning, CNN, drug-bank, prediction
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Altınbaş Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 88

Özet

Bu araştırmanın amacı, yapay yöntemlerle ilaç hedef etkileşimi tahmini için bir sistem geliştirmektir. hem makine öğrenimi hem de derin öğrenme temelli geliştirmeyi içeren zeka sistemler. Bu yazıda, uyuşturucu hedefini sınıflandırmak için bir evrişimsel sinir ağı (CNN) modeli kullanıyoruz. ilaç çiftleri arasındaki etkileşimler. DDI-Corpus veri kümesine uygulanan tek CNN modeli, tekli model için 0,82 ± 0,012 F1 puanı ve 0,81 ± 0,015 F1 puanı ile performans onaylı bir derin öğrenme tabanlı evrişimsel sinir ağı (CNN) kullanan topluluk modeli %96,72 doğruluk, bu olağanüstü bir başarıdır. Bu çalışma da yapıldı makine öğrenimi tabanlı sınıflandırıcıları kullanarak vektör makinesini (SVM) destekler. Makine öğrenimi için tabanlı uygulama, eğitim ve test için ilaç bankası veri seti kullanıldı. ana zorluk Bu amaç için makine öğrenimini kullanırken, üzerinde eğitmek için negatif DTI'nin mevcudiyeti söz konusudur. Eğitim makinesi öğrenme modeli, destek vektör makinesi (SVM) altında bir alan elde etti. 0,753 ± 0,006 ROC eğrisi (AUC), hesaplama kaynaklarındaki farkı dikkate alınması, 0,886 ± 0,010 ağ tabanlı son teknoloji yaklaşımının AUC'si ile iyi bir şekilde karşılaştırılır. Birkaç kez test ettikten sonra SVM kullanarak %93,76'lık en iyi doğruluğu elde ettik. Buydu bir şekilde beklenmedik ve farklı DDI türlerini veya belki de farklı DDI araştırmasının bilimsel olarak zamansal evrimini karakterize eden keşif yöntemleri viii yöntem. Ancak, ancak testten sonra keşfedilebilecek farklı DDI türlerini temsil edebilir. yüksek verimli tarama gibi daha sonra işlemek için yeni tekniklerin veya makinelerin icadı. Biz Ayrıca, sonuçlarımız anlamlı olsa da, aralarında gözlenen farklılıkların farklı türden bilimsel yayınlar nispeten küçüktür. Klinikler arasında karşılaştırma yapıldığında raporlama ve bilimsel kanıtlar, farklılıklar özellikle daha büyüktür. Ayrıca, tüm türlerin büyük bir örtüşen ilaç yollarının özelliklerini veya nadir görülenleri temsil edebilen aykırı değerlerin sayısı DDI. Yukarıda belirtildiği gibi, olası altta yatanları çözmek için bu sonucun daha kalitatif bir analizi böyle bir zamansal sistem için mekanikler yakında olacak ve bu nedenle mevcut çalışma. Gelecekteki çalışmalarda, literatürdeki belirli bilgi boşluklarını tahmin etmeye çalışacağız, DDI keşfini tahmin etmek ve muhtemelen yönlendirmek için etkili bir araca işaret ediyor.

Özet (Çeviri)

The aim of this research is to develop a system for drug target interaction prediction using artificial intelligence which involves development of both machine learning and deep learning-based systems. In this paper, we use a convolutional neural network (CNN) model, to classify drug-target interactions between drug pairs. Applied to the DDI-Corpus dataset, the single CNN model achieve performance with an F1-score of 0.82 ± 0.012 for the single model and 0.81 ± 0.015 for the ensemble model using deep learning based convolutional neural network (CNN) with an approved accuracy of 96.72% which is an extra-ordinary achievement. This work has also been performed using the machine learning based classifiers support vector machine (SVM). For machine learning based implementation, drug-bank dataset was used for the training and testing. The main challenge when using machine learning for this purpose is the availability of negative DTI to train on. Training machine learning model, the support vector machine (SVM) achieved an area under the ROC curve (AUC) of 0.753 ± 0.006, which taking the difference in computational resources into consideration compares well to the AUC of 0.886 ± 0.010 network-based state-of-the-art approach. We achieved and best accuracy of 93.76% using SVM after testing several times. This was somehow unexpected and may well represent different types of DDI, or perhaps different discovery methods, characterizing the temporal evolution of DDI investigation by the scientific viii method. It may well represent different types of DDI that could only be discovered after the invention of new techniques or machinery to process then, such as high-throughput screening. We must also note that, even though our results are significant, the observed differences among scientific publications of different type are relatively small. When comparing between clinical reporting and scientific evidence, the differences are notably larger. Also, all types have a large number of outliers, which may represent the peculiarities of overlapping drug pathways or rare DDI. As noted above, a more qualitative analysis of this result to disentangle possible underlying mechanics for such temporal system will be forthcoming and thus outside of the scope of the present work. In future work we will attempt to predict specific knowledge gaps in the literature, pointing towards an effective means of predicting and possibly driving DDI discovery.

Benzer Tezler

  1. Tez No

    721494

    İlaç-ilaç etkileşimlerini makine öğrenmesiyle tespit eden tahmin modeli

    Forecast model determining drug-drug interactions by machine learning

    AHMET ŞENER

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Medeniyet Üniversitesi

    Biyolojik Veri Bilimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ARAFAT SALİH AYDINER

  2. Tez No

    815631

    Ai for drug discovery LSTM-driven drug design using selfies for target-focused de novo generation of HIV-1 protease inhibitor candidates in the treatment of AIDS

    Yapay zeka tabanlı LSTM destekli ilaç tasarımı: AIDS tedavisinde selfıes kullanarak HIV-1 proteaz odaklı inhibitör adaylarının tasarlanması

    M.TALEB ALBRIJAWI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Biyomühendislikİstanbul Medipol Üniversitesi

    Biyomedikal Mühendisliği ve Biyoenformatik Ana Bilim Dalı

    PROF. DR. REDA ALHAJJ

  3. Tez No

    817409

    Alzheimer modelinde: ilaç-hedef etkileşim tahmini

    Drug-target interaction prediction in the alzheimer model

    MÜNEVVER DEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    BiyomühendislikSüleyman Demirel Üniversitesi

    Biyomühendislik Ana Bilim Dalı

    PROF. DR. SELÇUK ÇÖMLEKÇİ

    PROF. DR. ECİR UĞUR KÜÇÜKSİLLE

  4. Tez No

    633414

    Deep learning for prediction of drug-target interaction space and protein functions

    İlaç-hedef protein etkileşim uzayı ve protein fonksiyonlarının tahmini için derin öğrenme

    AHMET SÜREYYA RİFAİOĞLU

    Doktora

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET VOLKAN ATALAY

    PROF. DR. RENGÜL ÇETİN ATALAY

  5. Tez No

    882823

    Target-based drug discovery through contrastive learning and latent optimization

    Karşılaştırmalı öğrenme ve saklı vektör optimizasyonundan yararlanarak hedef bazlı ilaç keşfi

    BURAK CAN KOBAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. ARZUCAN ÖZGÜR TÜRKMEN

    DOÇ. DR. ELİF ÖZKIRIMLI ÖLMEZ

Geri Dön