Derin çizge öğrenmesi ile ilaç adayı moleküllerin otomatik şekilde tasarımı
Automated generation of drug candidate molecules with deep graph learning
- Tez No: 814983
- Danışmanlar: DOÇ. DR. TUNCA DOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Biyoistatistik, Biyoteknoloji, Biostatistics, Biotechnology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoenformatik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. TUNCA DOĞAN
- 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
2021
PsikiyatriOndokuz Mayıs ÜniversitesiKlinik Sinir Bilimler Ana Bilim Dalı
PROF. DR. MUSTAFA AYYILDIZ
- 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
2024
BiyoistatistikHacettepe ÜniversitesiBiyoenformatik Ana Bilim Dalı
PROF. DR. TUNCA DOĞAN
- 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
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET TAN
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL