Hyperparameter optimization of autoencoders for deeplearning of collective variables
Kollektif değişkenlerin derin öğrenmesi için otokodlayıcıların hiperparametreoptimizasyonu
- Tez No: 879953
- Danışmanlar: DOÇ. DR. BETÜL URALCAN KILAVUZ
- Tez Türü: Yüksek Lisans
- Konular: Kimya Mühendisliği, Chemical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 107
Özet
Proteinlerin konformasyon şekillerini anlamak, ilaç keşif çalışmalarında proteinlerin etki mekanizmasını çözümlemek için gereklidir. Moleküler dinamik (MD) simülasyonları, protein dinamiği gerçekçi simülasyonunu mümkün kılmıştır. Ancak, geniş MD veri setlerini işlemenin yüksek hesaplama gereksinimleri, etkili boyut indirgeme tekniklerini zorunlu kılmaktadır. Bu amaçla ilgili tez çalışmasında, MurD ve adenozin kinaz (AdK) proteinlerinin MD simülasyonlarından kollektif değişkenlerin (protein hareketlerinin indirgenmiş temsilleri) çıkarılması için yarı denetimli bir otokodlayıcı (SAE) uygulanmıştır. Bu model, geleneksel otokodlayıcıya göre, protein dinamiklerini yeniden oluşturmada daha iyi sonuçlar elde ederek önemli ölçüde üstün performans göstermiştir. Araştırma, genetik algoritma kullanılarak yarı denetimli otokodlayıcı mimarisinin optimizasyonunu da keşfetmiş ve elde edilen kollektif değişkenlerin kalitesini artırmıştır. Cα atomu koordinatları ve dihedral açıları gibi özelliklere odaklanarak ve modelin hiperparametrelerini ayarlayarak, proteinler içindeki esas hareketleri yakalama kabiliyetimizi ilerletmiştir. Ayrıca, yarı denetimli yaklaşım, özellikle fonksiyonel geçişler için kritik olan MurD'nin C-terminal bölgesi gibi yüksek derecede hareketli protein bölgelerini ele almakta önemli bir iyileşme göstermiştir. Bu bulgular, biyoinformatikte makine öğreniminin simülasyon veri analizini geliştirme potansiyelini ortaya koymaktadır.
Özet (Çeviri)
Understanding the conformational space of proteins is integral to deciphering the mechanism of action of the proteins in drug-discovery studies. Molecular dynamics (MD) simulations have enabled the realistic simulation of protein dynamics. However, the computational demands of processing extensive MD data necessitate efficient dimensionality reduction techniques. An automated method for extraction of collective variables (reduced representations of protein movements) for the accurate representation of inherent dynamics of proteins is important. For this purpose, this thesis involves implementation of a semi-supervised autoencoder (SAE) for the extraction of collective variables from MD simulations of MurD and adenosine kinase (AdK) proteins, selected for their distinct dynamic states. This model, which incorporates extra output nodes coming from the latent layer and encoder hidden layers carrying the extra information such as opening angle, significantly outperforms the traditional vanilla autoencoder by achieving better results in reconstructing protein dynamics. The research also explores the optimization of the semi-supervised autoencoder architecture using genetic algorithm and enhances the quality of the extracted collective variables. By focusing on features such as Cα coordinates and dihedral angles, and adjusting the model's hyperparameters, the study advances our ability to capture the essential movements within proteins. Moreover, the semi-supervised approach shows an important improvement in handling the highly flexible regions of proteins, particularly the C-terminal domain of MurD, which is crucial for its functional transitions. The findings also shows the potential of machine learning in bioinformatics to refine simulation data analysis.
Benzer Tezler
- Integrating fuzzy logic into deep autoencoders for interpretability and clustering
Yorumlanabilirlik ve öbekleme için bulanık mantığın derin özkodlayıcılara entegre edilmesi
KUTAY BÖLAT
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- Derin öğrenme ile insan edimlerinin tanınması
Human action recognition using deep learning
TAYYİP ÖZCAN
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER BAŞTÜRK
- Kablosuz haberleşme için uçtan uca otokodlayıcı tasarımı
End to end autoencoder design for wireless communication
MUSTAFA BAYRAM AYAZ
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET ERTUĞRUL ÇELEBİ
- Tracking and observing the fetal movements by using deep learning methods
Derin öğrenme yöntemlerini kullanarak fetal hareketleri izleme ve gözlemleme
HAAD AKMAL
Doktora
İngilizce
2024
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT HARDALAÇ
- Machine learning based network anomaly detection
Makine öğrenmesi tabanlı ağ anomali tespiti
HİLAL HACILAR
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURCU GÜNGÖR
PROF. DR. VEHBİ ÇAĞRI GÜNGÖR