Geri Dön

Empowering heterogeneous networks for drug-target affinity prediction

İlaç-hedef bağlılık ilgisi tahmini için heterojen ağları güçlendirme

PDF İndir

  1. Tez No: 731271
  2. Yazar: SELEN PARLAR ÖZÇELİK
  3. Danışmanlar: DOÇ. DR. ARZUCAN ÖZGÜR TÜRKMEN, DOÇ. DR. ELİF ÖZKIRIMLI ÖLMEZ
  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: 2022
  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: 98

Özet

İlaç-hedef bağlılık ilgisi tahmini, bilgisayar destekli ilaç tasarımında, ilaç geliştir- \\me sürecini hızlandırmaya ve çok sayıda bulunan yanlış pozitif oranlarının neden olduğu deneysel doğrulama maliyetlerini düşürmeye yardımcı olabilecek kritik bir aşamadır. Bu nedenle, ilaç-hedef bağlılık ilgisi değerlerini tahmin etmek için bilgisayar ortamında hesaplama algoritmaları geliştirmek ilgi çekici bir araştırma alanı haline gelmiştir. Güncel çalışmalar bu görev için, kolayca bulunabilen biyomolekül dizilerini ve ilaçlarla ve hedeflerle alakalı bilgilerle zenginleştirilmiş heterojen ağları kullanan modeller de dahil olmak üzere, makine öğrenimi yaklaşımlarını kullanır. Bu tezde, hem metin tabanlı hem de ağ tabanlı yaklaşımlardan yararlanan ve ilaç-hedef bağlılık ilgisi değerlerini tahmin eden ilk çalışma olan WideDeepDTA'yı sunuyoruz. WideDeepDTA içerisinde birden fazla biyolojik varlık türü, bu varlıklar arasındaki ilişkiler ve biyomoleküler dil için önceden eğitilmiş dil modellerini içeren homojen ve heterojen ağları barındırır. Tüm bunlar göz önüne alındığında, WideDeepDTA önce ağlarda bulunan tüm düğümler için bir vektör gösterim öğrenme yöntemi olan Metapath2Vec'i kullanarak ilaçların ve hedeflerin düşük boyutlu vektör temsillerini öğrenir. Ardından, öğrenilen temsillere dayanarak ilaç-hedef bağlılık ilgisi değerlerini tahmin eder. WideDeepDTA, BDB veri kümesindeki en başarılı yöntemlerden biri olan DeepDTA'ya kıyasla ilaç-hedef bağlılık ilgisi tahmini görevinde uyumluluk indeksi ve ortalama kare hata başarı metriklerinde iyileşme göstererek zengin temsiller oluşturmayı başarmıştır. Yapılan deneyler, ilaçlar ve proteinler için önceden eğitilmiş dil modellerini heterojen ağlarla birlikte kullanmamın model performansını geliştirdiği göstermektedir. Ayrıca sonuçlar, metin tabanlı temsillerden elde edilen bilgilerle heterojen ağlar güçlendirildiğinde model performansının arttığını göstermektedir.

Özet (Çeviri)

Predicting drug-target binding affinity is a critical phase in computer-aided drug design, which can help accelerate the drug development process and reduce experimental validation costs caused by the significant false-positive rates. Hence, developing in-silico computational algorithms to predict drug-target binding affinity values has become an important research area. Machine learning approaches have been proposed for this task, including models that use readily available biomolecule sequences and heterogeneous networks enriched with drug and target-related information. We present WideDeepDTA, the first study that leverages both text-based and network-based approaches and predicts drug-target binding affinities. Given homogeneous and heterogeneous networks containing multiple types of biological entities, relationships between these entities, and pre-trained language models for biomolecular language, WideDeepDTA first learns the low-dimensional feature representation of drugs and targets using the node embedding technique Metapath2Vec. Then, it predicts affinity values based on the learned features. WideDeepDTA demonstrates its ability to create rich representations in the drug-target affinity prediction task compared to one of the state-of-the-art methods, DeepDTA, on the BDB dataset in terms of concordance index and mean squared error. Experiments indicate that integrating pre-trained language models with heterogeneous information improves model performance, especially while predicting the affinity values between proteins and unseen ligands. Moreover, the results show that the model performance improves when heterogeneous graphs are empowered with the information extracted from text-based representations.

Benzer Tezler

  1. Tez No

    159675

    1982 Anayasası'nda güçlü yürütmenin kökenleri

    The sources of power executive in the 1982 Constitution

    GÖNÜL BAKIR

    Yüksek Lisans

    Türkçe

    Türkçe

    2005

    HukukAnkara Üniversitesi

    Kamu Hukuku Ana Bilim Dalı

    YRD. DOÇ. DR. LEVENT GÖNENÇ

  2. Tez No

    815718

    Türkiye Cumhuriyeti vatandaşı Türk ev işçisi kadınların ve Türkiye Cumhuriyeti vatandaşı olmayan Özbek ev işçisi kadınların çalışma hayatı: Ankara'daki rezidanslar üzerinden bir çalışma

    Working lives of Turkish domestic workers and Uzbek domestic workers in Ankara: A comparative study of Turkish citizens and non-Turkish citizens' residences

    MERVE ÖZYÜKSEL

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    SosyolojiBaşkent Üniversitesi

    Sosyoloji Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ OLGU KARAN

  3. Tez No

    281257

    Empowering of Oromieh University female students in related to their sexual and reproductive health by peer education method

    Urumiye Üniversitesi?nde kız öğrencileri akran eğitimi yöntemiyle cinsel ve üreme sağlığı konusunda güçlendirme

    SOHEİLA RABİEİPOOR

    Doktora

    İngilizce

    İngilizce

    2011

    HemşirelikHacettepe Üniversitesi

    Doğum ve Kadın Hastalıkları Hemşireliği Ana Bilim Dalı

    PROF. DR. LALE TAŞKIN

  4. Tez No

    492332

    Türkiye'de merkezden yereli güçlendirme çabası: Yerel Yönetimler Bakanlığı deneyimi

    Empowering local governments from the centre in Turkey: The experience of Ministry of Local Governments

    DAMLANUR TAT

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Kamu YönetimiHacettepe Üniversitesi

    Siyaset Bilimi ve Kamu Yönetimi Ana Bilim Dalı

    PROF. DR. UĞUR ÖMÜRGÖNÜLŞEN

  5. Tez No

    740373

    Empowering teamwork experience and skills in industrial design studio education through collaborative tools for task management and shared leadership

    Görev yönetimi ve paylaşımlı liderlik için işbirliği araçlarıyla endüstriyel tasarım stüdyo eğitiminde ekip çalışması deneyimi ve becerilerini güçlendirmek

    ITIR GÜNGÖR BONCUKÇU

    Doktora

    İngilizce

    İngilizce

    2022

    Endüstri Ürünleri TasarımıOrta Doğu Teknik Üniversitesi

    Endüstriyel Tasarım Ana Bilim Dalı

    PROF. DR. ÇAĞLA DOĞAN

Geri Dön