Empowering heterogeneous networks for drug-target affinity prediction
İlaç-hedef bağlılık ilgisi tahmini için heterojen ağları güçlendirme
- Tez No: 731271
- Danışmanlar: DOÇ. DR. ARZUCAN ÖZGÜR TÜRKMEN, DOÇ. DR. ELİF ÖZKIRIMLI ÖLMEZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Doğal dil işleme, Hedef bağlılığı, Yapay sinir ağları, Natural language processing, Goal commitment, Artificial neural networks
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
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
- Değişim yönetiminin incelenmesi ve kuramsal bir modelin geliştirilmesi
The study of management of change and the development of an institutional model
ADNAN ERKMENOL
- Developing the mentoring program at Eastern Mediterranean University English preparatory school in notern Cyprus
Kuzey Kıbrıs Doğu Akdeniz Üniversitesi hazırlık okulundaki“mentoring”programının geliştirilmesi
FERYAL VARANOĞULLARI
- Yabancı sermaye şirketlerinin Türkiye'de gelişimi: En büyük 175 yabancı sermaye yatırımı örneğinde inceleme
Development of foreign capital firms in Turkey:Study of 175 major foreign investment
GAMZE AKINCI
Yüksek Lisans
Türkçe
1997
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiŞehir Planlama Ana Bilim Dalı
PROF. DR. VEDİA DÖKMECİ
