Geri Dön

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

PDF İndir

  1. Tez No: 815631
  2. Yazar: M.TALEB ALBRIJAWI
  3. Danışmanlar: PROF. DR. REDA ALHAJJ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyomühendislik, Biyoteknoloji, Bioengineering, Biotechnology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: İstanbul Medipol Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Mühendisliği ve Biyoenformatik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 76

Özet

Yeni ilaç keşif süreci hala uzun süren çalışmalar ve yüksek maliyetler gerektiren bir süreç olarak devam etmektedir. Bir ilacın piyasaya sürülebilmesi için çeşitli aşamaların başarıyla tamamlanması gerekmektedir. Bu uzun süreçte laboratuvar çalışmaları ve klinik deneylerle ilacın kalitesi, güvenliği ve etkinliği gibi kriterler değerlendirilmektedir. Ancak, koronavirüs pandemisi gibi acil ve son derece karmaşık hastalıklar durumunda, ilaç keşif süreci, ilaç tasarımcıları için büyük zorluklar ortaya çıkarmıştır. Özellikle virüs salgınları ile mücadelede, virüslerin adaptif yetenekleriyle sürekli olarak yenilikçi stratejilere ve yeni teknolojilerin keşif sürecine entegre edilmesine ihtiyaç duyulduğu görülmektedir. Son zamanlarda, mevcut ilaçların farklı hastalıkların tedavisinde yeniden kullanılması ve hızlı testlerin geliştirilmesi gibi“ilaç yeniden konumlandırma”adı verilen yaklaşımlar büyük ilgi çekmiştir. Bu yöntemler, yapay zeka teknolojilerinin uygulanmasıyla birlikte ciddi tehlike oluşturan hastalıkların tedavisinde önemli ilerlemeler sağlanmıştır. Bu yeni yöntemler sayesinde, HIV gibi enfeksiyonlara karşı büyük başarılar elde edilmiştir. Bunlardan biri LSTM (Long Short-Term Memory) tabanlı modeldir. Bu model, metin veya müzik gibi yaratıcı içeriklerin üretiminde, özellikle doğal dil işleme (Natural Language Processing - NLP) alanında büyük bir yetenekle dikkat çekmektedir. Bu model, araştırmacıların ilaç keşif sürecinde yenilikçi moleküllerin üretiminde kullanılmasıyla büyük bir başarı elde etmiştir. Bu gelişme, gelecekteki ilerlemelerde umut verici sonuçlar sunarak yeni fırsatlar ortaya çıkarmıştır. Bu araştırmada, HIV-1 proteazına karşı etkili olabilecek yeni moleküllerin tasarımında“LSTM-ProGen”adlı bir üretici modelin kullanımı önerilmiştir. Bu model, HIV-1 proteazıyla etkileşime girebilecek moleküllerin üretimi için LSTM tabanlı bir üretim modelidir. ChEMBL veri tabanından elde edilen moleküller, LSTM-ProGen modelinin aşamalı bir eğitim sürecinden geçirilmiştir. Bu süreçte, modelin yeni molekül üretme yeteneklerini ve moleküler kalitesini artırmak için çeşitli yöntemler uygulanmıştır. Yeni üretilen moleküller, ilaç benzeri özellikler gibi çeşitli performans ölçütleriyle ayrıntılı olarak analiz edilmiştir. Moleküler kenetleme yöntemiyle yapılan analizler sonucunda, HIV proteazına karşı etkili olduğu tespit edilen 12 aday molekül belirlenmiştir. LSTM-ProGen, yüksek optimizasyon teknikleriyle geliştirilmiştir ve hedef proteine özgü etkili ilaç adayları tasarlamak için büyük potansiyele sahiptir. Bu inovasyon sistemi, gelecekte ilaç tasarımı ve geliştirilmesi alanında önemli katkılar sağlayabilir.

Özet (Çeviri)

The undeniable urgency of the quest to discover groundbreaking antiviral drugs far removed from traditional approaches has been dramatically exemplified by the COVID-19 pandemic. Additionally, the ongoing battle against drug resistance in viruses further underscores this need to surpass conventional methods and bridge the gap for the benefit of humanity. While traditional approaches rely on manual exploration by experts, which require a significant amount of effort, time, and money, innovative strategies to combat the virus's adaptive nature and safeguard effective treatment options are required, especially in the fight against the HIV virus, which still poses a serious challenge. Drug repurposing strategies involve identifying new therapeutic uses for existing drugs that have already been approved or are in advanced stages of development. These approaches leverage the extensive knowledge and vast libraries of compounds that have undergone testing and safety assessments. Using these strategies, many of the challenges associated with traditional drug discovery can be passed and lead to the discovery of innovative treatment options for diseases with unmet medical needs, providing hope for patients who may have exhausted conventional treatment options. In parallel, through the magic of artificial intelligence, these innovative strategies hold tremendous promise for accelerating drug discovery and development. Particularly, the emergence of deep generative models has gained attention due to their high ability to generate new data that obeys the underlying distribution of the training data. These models have unveiled the potential for automating the discovery process with their extensive capability to synthesize new molecules with diverse chemical properties and features. Various approaches have been put forth to tackle this task, but controlling and guiding the generation process has proved challenging, accompanied by increasing complexity and computational demands. To truly revolutionize real-world drug development pipelines, it is essential to empower these models with the capability to design molecules tailored to specific targets, thereby driving the field towards remarkable progress. LSTM-based generative models have inspired researchers for their proficiency in processing sequential data in natural language applications. Building upon this foundation, they have embarked on a captivating exploration, employing these models to generate innovative molecules by interpreting them as snippets of text. Encouragingly, these models have exhibited promising outcomes, fueling optimism for future advancements. An application of an LSTM-based deep generative model named“LSTM-ProGen”is proposed to be tailored explicitly for the de novo design of drug candidate molecules that interact with a specific target protein (HIV-1 protease). LSTM-ProGen distinguishes itself by employing a long-short-term memory (LSTM) architecture, augmented with protein-protease interaction knowledge, to generate novel molecules with remarkable precision and target specificity against the HIV-1 protease inhibitor. Following an extensive training process involves fine-tuning LSTM-ProGen on a diverse range of compounds sourced from ChEMBL, a reputable database. The model was optimized to meet specific requirements, with multiple iterations to enhance its predictive capabilities and ensure it generates molecules that exhibit favorable target interactions. The training process encompasses an array of performance evaluation metrics, such as drug-likeness properties. LSTM-ProGen outperforms previous state-of-the-art generative models, demonstrating a significant leap forward in the generation of target-specific drug candidate molecules. Our evaluation includes extensive silico analysis using molecular docking and PCA-based visualization to explore the chemical space that the new molecules cover compared to those in the training set. These evaluations reveal that a subset of 12 de novo molecules generated by LSTM-ProGen exhibit a striking ability to interact with target proteins, rivaling or even surpassing the efficacy of native ligands. LSTM-ProGen represents a transformative breakthrough in the area of drug discovery. By leveraging the power of LSTM networks, our model enables the automated design of target-specific drug candidate molecules. The implications of LSTM-ProGen are far-reaching, as it has the potential to be extended to expedite the drug development process and pave the way for the discovery of novel therapeutic options for druggable targets in various diseases. With further refinement and validation, LSTM-ProGen holds promise as a versatile tool for designing efficacious and customized drug candidates tailored to specific targets and diseases.

Benzer Tezler

  1. Tez No

    821822

    Açıklanabilir yapay zeka modelleri ile ilaç yeniden konumlandırılması için benzetim ortamları geliştirilmesi

    Developing simulation environments for drug repurposing with explainable artificial intelligence models

    İLHAN UYSAL

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. UTKU KÖSE

  2. Tez No

    807400

    Integration and analysis of biological data for computational drug discovery

    İşlemsel ilaç keşfi için biyolojik verinin entegrasyonu ve analizi

    HEVAL ATAŞ GÜVENİLİR

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Sağlık Bilişimi Ana Bilim Dalı

    PROF. DR. MEHMET VOLKAN ATALAY

    DOÇ. DR. TUNCA DOĞAN

  3. Tez No

    724240

    Friedreich ataksisi modelinde hesaplamalı ilaç keşfi: Açıklanabilir yapay zekâ teknolojisi

    Computational drug discovery in the Friedreich ataxy model: Explainable ai technology

    KEVSER KÜBRA KIRBOĞA

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    BiyomühendislikSüleyman Demirel Üniversitesi

    Biyomühendislik Ana Bilim Dalı

    PROF. DR. ECİR UĞUR KÜÇÜKSİLLE

    DOÇ. DR. UTKU KÖSE

  4. Tez No

    887280

    Drug-target interaction prediction by transfer learning for proteins with few bioactive compound data

    Az biyoaktif bileşik verisi olan proteinler için aktarım yolu ile öğrenerek ilaç-hedef ilişki tahmini

    ALPEREN DALKIRAN

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET VOLKAN ATALAY

  5. Tez No

    904941

    Multiview contrastive autoencoder-transformer approach for protein-protein interface representation: Unveiling biological and functional insights

    Protein-protein arayüzü gösterimi için çoklu görünümlü karşılaştırmalı otomatik kodlayıcı-transformatör yaklaşımı: Biyolojik ve işlevsel içgörülerin ortaya çıkarılması

    DAMLA ÖVEK

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    PROF. DR. ATTİLA GÜRSOY

    PROF. DR. ZEHRA ÖZLEM KESKİN ÖZKAYA

Geri Dön