Geri Dön

Hyperparameter optimization of autoencoders for deeplearning of collective variables

Kollektif değişkenlerin derin öğrenmesi için otokodlayıcıların hiperparametreoptimizasyonu

PDF İndir

  1. Tez No: 879953
  2. Yazar: NURDAN ÖZKARAASLAN
  3. Danışmanlar: DOÇ. DR. BETÜL URALCAN KILAVUZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Kimya Mühendisliği, Chemical Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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 di￾mensionality reduction techniques. An automated method for extraction of collective variables (reduced representations of protein movements) for the accurate representa￾tion 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 algo￾rithm 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

  1. Tez No

    701473

    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

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TUFAN KUMBASAR

  2. Tez No

    610032

    Derin öğrenme ile insan edimlerinin tanınması

    Human action recognition using deep learning

    TAYYİP ÖZCAN

    Doktora

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALPER BAŞTÜRK

  3. Tez No

    841479

    Kablosuz haberleşme için uçtan uca otokodlayıcı tasarımı

    End to end autoencoder design for wireless communication

    MUSTAFA BAYRAM AYAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET ERTUĞRUL ÇELEBİ

  4. Tez No

    860665

    Tracking and observing the fetal movements by using deep learning methods

    Derin öğrenme yöntemlerini kullanarak fetal hareketleri izleme ve gözlemleme

    HAAD AKMAL

    Doktora

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik MühendisliğiGazi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. FIRAT HARDALAÇ

  5. Tez No

    898126

    Machine learning based network anomaly detection

    Makine öğrenmesi tabanlı ağ anomali tespiti

    HİLAL HACILAR

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BURCU GÜNGÖR

    PROF. DR. VEHBİ ÇAĞRI GÜNGÖR

Geri Dön