Target-based drug discovery through contrastive learning and latent optimization
Karşılaştırmalı öğrenme ve saklı vektör optimizasyonundan yararlanarak hedef bazlı ilaç keşfi
- Tez No: 882823
- Danışmanlar: PROF. ARZUCAN ÖZGÜR TÜRKMEN, DOÇ. DR. ELİF ÖZKIRIMLI ÖLMEZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biyoteknoloji, Eczacılık ve Farmakoloji, Computer Engineering and Computer Science and Control, Biotechnology, Pharmacy and Pharmacology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 52
Özet
Proteinleri hedef alan yeni bileşiklerin geliştirilmesi ilaç keşfi sürecinde önemli bir adımdır. Birçok çalışma, yalnızca protein dizilerine dayalı olarak hedefe özgü moleküller üretmeye odaklanmıştır. Ancak bu modeller yalnızca etkileştiği bilinen protein-ligand çiftlerini dikkate alır. Bunu yaparak etkileşmediği bilinen moleküllerden gelecek bilgiyi göz ardı eder. Bu tezde, hedefe yönelik ilaç üretimi için hem etkileştiği bilinen hem de etkileşmeyen protein-ligand çiftlerini kullanan ve karşılaştırmalı öğrenme temelli ConGen modelini sunuyoruz. ConGen'in iki aşaması vardır: karşılaştırmalı öğrenme ve saklı vektör optimizasyonu. Karşılaştırmalı öğrenme aşamasında ConGen, etkileştiği bilinen molekülleri hedef proteinlerinin yakınında ve etkileşime girmeyen molekülleri daha uzakta kümeleyerek, protein ve molekül temsillerini ortak bir uzayda göstermeyi öğrenir. Saklı vektör optimizasyonu aşamasında ConGen bu uzayı hedef proteinin temsiline yakın temsilleri bulmak için kullanır. Bu yaklaşım, moleküllerin ve proteinlerin paylaştığı uzayı verimli bir şekilde kullanarak, belirli bir hedef için tasarlanmış moleküllerin üretilmesini sağlar. En iyi öğrenme hedefini belirlemek için farklı karşılaştırmalı öğrenme fonksiyonları karşılaştırılmıştır. En iyi performans gösteren öğrenme fonksiyonları modeli diğer çalışmalarla karşılaştırmak için kullanılmıştır. ConGen'in karşılaştırmalı öğrenme ve gizli optimizasyon aşamalarının etkinliği, bu iki bileşenin kontrollü olarak çıkarıldığı deneyler ile gösterilmiştir. Dahası ConGen'in mimarisi ilaç-hedef etkileşimi tahmini için kullanılmış ve sonuçlar bir miktar iyileştirilmiştir. Son olarak hedefe dayalı ilaç üretim modellerinin çevrimiçi bir kullanılabilecek bir web servisi geliştirilmiştir.
Özet (Çeviri)
The development of novel compounds targeting proteins of interest is an important step in the process of drug discovery to cure diseases. Several studies have focused on generating target-specific molecules based on protein sequences alone. However, these models consider only interacting protein-ligand pairs, overlooking the informative value of non-interacting pairs. In this thesis, we introduce ConGen, a novel contrastive learning-based approach for targeted drug generation that effectively utilizes both interacting and non-interacting pairs. ConGen consists of two stages: contrastive learning and latent optimization. In the contrastive learning stage, ConGen learns to map protein and molecule representations into a shared space, clustering interacting molecules near their target proteins and non-interacting molecules farther away. In the latent optimization stage, ConGen uses this space to identify representations that are close to the representation of the target protein. This approach enables the generation of molecules that are specifically designed for a particular target by efficiently utilizing the arrangements in the shared latent space. Different contrastive learning loss functions are compared and the best performing functions are used to benchmark the model against other studies. The effectiveness of ConGen's contrastive learning and latent optimization stages are demonstrated using an ablation study. Moreover, the architecture of ConGen is easily adapted for the drug-target interaction prediction task, where it achieves results slightly better than the baseline. Lastly, a web service has been developed to deploy target-based drug generative models, enabling researchers to create and evaluate new drug molecules efficiently.
Benzer Tezler
- 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
M.TALEB ALBRIJAWI
Yüksek Lisans
İngilizce
2023
Biyomühendislikİstanbul Medipol ÜniversitesiBiyomedikal Mühendisliği ve Biyoenformatik Ana Bilim Dalı
PROF. DR. REDA ALHAJJ
- Probabilistic latent factor modelsfor transformative drug discovery
Başlık çevirisi yok
MURAT CAN COBANOGLU
- Kanser terapide potansiyel axl inhibitörler için ligand ve hedefe dayalı sanal tarama ve moleküler modelleme çalışmaları
Ligand and target based virtual screening and molecular modeling studies for potential axl inhibitors in cancer therapy
NEBAHAT ŞAHİN
Yüksek Lisans
Türkçe
2023
BiyofizikÇanakkale Onsekiz Mart ÜniversitesiTıbbi Sistem Biyolojisi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FERAH CÖMERT ÖNDER
PROF. DR. BÜLENT ÖZPOLAT
- Developing a detailed framework for covalent docking, implementation and comparative assessment of different tools on a benchmark set of protein-ligand complexes
Kovalent kenetlenme metodunun ayrıntılı prosedürünün çıkarılması, kontrol ve özgün olarak belirlenecek protein-küçük molekül çiftleri üzerinde uygulanması ve sonuçların karşılaştırmalı analizi
AHMET CAN TEKELİ
Yüksek Lisans
İngilizce
2024
Biyomühendislikİstanbul Medeniyet ÜniversitesiBiyomühendislik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SALİHA ECE ACUNER ZORLUUYSAL
- A virtual screening procedure combining pharmacophore filtering and molecular docking with the lie method
Başlık çevirisi yok
GÜZİN TUNCA