Geri Dön

Derin çizge öğrenmesi ile ilaç adayı moleküllerin otomatik şekilde tasarımı

Automated generation of drug candidate molecules with deep graph learning

  1. Tez No: 814983
  2. Yazar: ATABEY ÜNLÜ
  3. Danışmanlar: DOÇ. DR. TUNCA DOĞAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyoistatistik, Biyoteknoloji, Biostatistics, Biotechnology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyoenformatik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 105

Özet

Yeni ilaç adayı moleküllerin keşfi, ilaç geliştirme sürecinde önemli bir adımdır. Yapay zekâ alanında son yıllarda sıkça kullanılmaya başlanan üretici derin öğrenme, belirlenen bir tema içinde gerçekçi sentetik veri üretme konusunda umut vaat eden bir yaklaşım olarak ön plana çıkmaktadır. Bu yaklaşım, ilaç keşfi ve malzeme bilimi alanlarındaki ihtiyaçları karşılamak adına yeni moleküllerin tasarlanması için potansiyel vadetmektedir. Bunun yanında, bu modellerin ilaç geliştirme süreçlerinde kullanılabilirlikleri, biyolojik hedefe özgü moleküller üretme yeteneklerine bağlıdır. Bu çalışmada, seçilen hedef proteinlerle etkileşime girecek ilaç adayı moleküllerin de novo tasarımı için özel olarak oluşturulmuş yeni bir üretici sistem olan“DrugGEN”geliştirilmiştir. Sistem, bileşikleri ve protein yapılarını çizgeler olarak temsil eder ve bunları çizge dönüştürücü (“Transformer”) içeren iki adet seri şekilde bağlı üretken rekabetçi ağ (“Generative Adversarial Network”, GAN) kullanarak işlemektedir. Sistemin eğitim veri seti, ChEMBL veri tabanından elde edilen ilaç benzeri bileşik kayıtları ve hedefe özgü biyoaktif molekülleri içeren büyük bir veri kümesinden oluşturulmuştur. Geliştirilen model, farklı kanser tiplerinde kritik öneme sahip olan AKT1 proteinini hedefleyecek yeni moleküller tasarlaması amacıyla eğitime tabi tutulmuştur. DrugGEN modelinin performansı temel ölçütler kullanılarak, literatürdeki diğer yöntemlerle karşılaştırmalı biçimde değerlendirilirmiştir. Bunun yanında, üretilen sonuçlar üzerinde açıklayıcı veri analizi gerçekleştirilmiştir. Sonuçlar, DrugGEN tarafından de novo olarak tasarlanan moleküllerin orijinalliğini kanıtlamıştır. Ayrıca, çıktıların fizikokimyasal ve yapısal olarak AKT1 proteinin bilinen ligandlarıyla karşılaştırılabilir olduğu gösterilmiştir. Sonuç olarak, bu çalışmada derin öğrenme algoritmaları ve geniş çaplı kimyasal ve biyolojik veri kullanılarak seçili proteinleri hedefleme yeteneğine sahip tamamen yeni moleküllerin tasarımını otomatik biçimde gerçekleştiren bir yapay zekâ modeli geliştirilmiştir.

Özet (Çeviri)

The discovery of new drug candidate molecules is an important step in the process of drug development. Deep generative learning, a frequently used approach in the field of artificial intelligence in recent years, has emerged as a promising method for generating realistic synthetic data within a defined theme. This approach holds potential for designing new molecules to meet the needs of drug discovery and materials science. Additionally, the utility of these models in the drug development process depends on their ability to generate molecules specific to the biological target. In this study, a new generative system called“DrugGEN”has been developed specifically for the de novo design of drug candidate molecules that will interact with selected target proteins. The system represents compounds and protein structures as graphs and processes them using two sequentially connected generative adversarial networks (GANs) incorporating graph transformers. The training dataset of the system was created from a large collection of drug-like compound records and target-specific bioactive molecules obtained from the ChEMBL database. The developed model was trained with the aim of designing new molecules targeting the AKT1 protein, which plays a critical role in various cancer types. The performance of the DrugGEN model was evaluated comparatively with other methods in the literature using fundamental criteria. In addition, explanatory data analysis was performed on the generated results. The results demonstrated the novelty of molecules designed de novo by DrugGEN. Furthermore, it was shown that the outputs were comparable to the known ligands of the AKT1 protein both in terms of physicochemical properties and structure. Consequently, in this study, an artificial intelligence model was developed using deep learning algorithms and extensive chemical and biological data to automatically design completely novel molecules with the ability to target selected proteins.

Benzer Tezler

  1. Prediction of drug response in cancer using hybrid deep neural networks

    Hibrit derin sinir ağları ile kanserde ilaç yanıt tahmini

    BURAKCAN İZMİRLİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. TUNCA DOĞAN

  2. Dikkat eksikliği ve hiperaktivite bozukluğu olan çocukların yüz tanıma becerilerinin ölçülmesi ve yüz davranışlarının bilgisayarlı analizi

    Assessment of face recognition abilities and digital analysis of facial movements of the children with attention deficit hyperactivity disorder

    KORAY MEHMET ZEYNEL KARABEKİROĞLU

    Doktora

    Türkçe

    Türkçe

    2021

    PsikiyatriOndokuz Mayıs Üniversitesi

    Klinik Sinir Bilimler Ana Bilim Dalı

    PROF. DR. MUSTAFA AYYILDIZ

  3. Proteinlerin subselüler yerleşimlerinin görüntü, sekans ve interaktom verisi tabanlı tahmini

    Image, sequence and interactome based prediction of subcellular localization of proteins

    ECEM KUŞCUOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    BiyoistatistikHacettepe Üniversitesi

    Biyoenformatik Ana Bilim Dalı

    PROF. DR. TUNCA DOĞAN

  4. Çizge sinir ağları ve derin takviyeli öğrenme kullanarak otomatik molekül üretimi

    Automated molecule generation using graph neural networks and deep reinforcement learning

    RIZA IŞIK

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET TAN

  5. A memory and meta learning based solution in graph continual learning

    Çizgelerdeki sürekli öğrenme probleminde hafıza ve meta öğrenme temelli çözüm

    ALTAY ÜNAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖZDE ÜNAL