Makine öğrenme yaklaşımlarının biyoinformatikte ilaç geliştirme probleminde kullanılması
Using machine learning approaches in drug development problem in bioinformatics
- Tez No: 840112
- Danışmanlar: PROF. DR. ÇAĞDAŞ HAKAN ALADAĞ
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 58
Özet
İlaç araştırma ve geliştirme sürecinin odak noktasında insan vardır. Hastanın, hastalığını yenmesine yardım etmek ve yaşam kalitesini iyileştirmek amaçlanır. İlaç geliştirme sürecinde yenilikçi ilaçların etkin, güvenilir ve mümkün olan en kısa sürede hastaların kullanımına sunulacak tedaviler olması amaçlanır. Ancak bir ilacın keşfedilerek tıbbın hizmetine sunulması zaman alıcı ve yüksek maliyet gerektirir. Son yıllarda ise bilişim teknolojilerinin gelişmesi ve biyoinformatik tabanlı uygulamalar sayesinde bu sürecin daha az maliyetle ve hızlı bir şekilde klinik aşamaya geçilmesinde gelişme sağlanmıştır. Bu tez çalışmada Tip-2 diyabet tedavisi için, DPP-4 inhibitörleri kullanılarak ve makine öğrenme yaklaşımları yardımıyla ilaç adayı olabilecek moleküllerin tespit edilebilmesi amaçlanmıştır. ChEMBL veri tabanından elde edilen veriler 10 adet makine öğrenimi algoritmalarıyla ve yapay sinir ağı modeliyle analiz edilmiştir. Modellerin performanslarının karşılaştırılmasında Hata Kareler Ortalaması Karekök (HKOK) ölçütleri ile değerlendirilmiştir. Uygulama sonucunda, en iyi öngörüleri üreten makine öğrenme yaklaşımlarının Rastgele Orman ve tek tabakalı ileri beslemeli sinir ağı olduğu görülmüştür. Bu iki yöntemin birbirlerine yakın öngörü sonuçları verdiği gözlemlenmiştir. Modellerin performanslarının değerlendirilmesinde, literatürde en yaygın ölçüt olan kök ortalama kare hatası değerine göre, Rastgele Orman modeli daha yüksek performans gösterdiği için optimum model olarak seçilmiştir. Yapılan bu çalışma sonuçlarına göre, Tip-2 diyabet tedavisi için ilaç adayı olabilecek moleküllerin tespit edilmesinde Rastgele Orman yaklaşımı kullanmanın iyi sonuçlar ürettiği görülmüştür.
Özet (Çeviri)
Humans are at the center of the drug research and development process. It is aimed to help the patient overcome his illness and improve his quality of life. In the drug development process, innovative drugs are aimed to be effective, reliable and treatments that will be offered to patients as soon as possible. However, the discovery of a drug and putting it into the service of medicine requires time consuming and high cost. In recent years, thanks to the development of information technologies and bioinformatics-based applications, progress has been made in moving this process to the clinical stage with less cost and quickly. In this thesis, it is aimed to detect molecules that can be drug candidates for the treatment of Type-2 diabetes by using DPP-4 inhibitors and with the help of machine learning approaches. The data obtained from the ChEMBL database were analyzed with 10 machine learning algorithms and artificial neural network model. In comparison of the performances of the models, the Root Mean Square Error (RMSE) criteria were evaluated. As a result of the application, it has been seen that the machine learning approaches that produce the best predictions are Random Forest and a single layer feedforward neural network. It has been observed that these two methods give predictive results close to each other. In the evaluation of the performances of the models, the Random Forest model was chosen as the optimum model because it showed higher performance than the root mean square error value, which is the most common criterion in the literature. According to the results of this study, it has been seen that using the Random Forest approach produces good results in detecting molecules that can be drug candidates for the treatment of Type-2 diabetes.
Benzer Tezler
- Biyoinformatik veri sınıflandırma problemleri için boyut indirgemeye dayalı öznitelik seçimi yaklaşımlarının geliştirilmesi
Developing dimensionality reduction based feature selection approaches for bioinformatic data classification problems
UMAY GÜLFEM ELGÜN
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZKAN UFUK NALBANTOĞLU
- Deep learning for antimicrobial peptide recognition
Antimikrobiyal peptit tanıma için derin öğrenme
HÜSEYİN OKAN SOYKAM
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAcıbadem Mehmet Ali Aydınlar ÜniversitesiBiyoistatistik ve Biyoinformatik Ana Bilim Dalı
DOÇ. DR. GÜNSELİ BAYRAM AKÇAPINAR
- Derin öğrenmeye dayalı olarak yeni nesil dizileme verilerinin kümelenmesi
Clustering next generation sequencing data based on deep learning
UĞUR TOPRAK
Doktora
Türkçe
2022
BiyoistatistikAnkara ÜniversitesiBiyoistatistik Ana Bilim Dalı
DOÇ. DR. BEYZA DOĞANAY ERDOĞAN
- Derin öğrenme yöntemi ile protein ikincil yapı tahmini
Protein secondary structure prediction using deep learning method
EZGİ ÇAKMAK
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. İHSAN HAKAN SELVİ
- Sayısal patoloji görüntülerinin analizinde yenilikçi derin öğrenme yaklaşımlarının geliştirilmesi
Development of innovative deep learning approaches in the analysis of digital pathology images
YUSUF ÇELİK
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT KARABATAK