Geri Dön

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

PDF İndir

  1. Tez No: 887280
  2. Yazar: ALPEREN DALKIRAN
  3. Danışmanlar: PROF. DR. MEHMET VOLKAN ATALAY
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 138

Özet

Yapay zekâ destekli ilaç-hedef etkileşimi (DTI) tahmin yöntemlerindeki ilerlemeler, genellikle birçok hedef protein için mevcut olmayan kapsamlı eğitim verileri gerektirir. Bu sınırlama, ilaç adayları ile yeterince incelenmemiş proteinler arasındaki etkileşimleri tahmin etmek için etkili hesaplamalı modellerin geliştirilmesini engeller ve ilaç keşfinde önemli bir zorluk oluşturur. Bu sorunu ele almak için, sınırlı eğitim verisine sahip proteinler ile ilaç adayları arasındaki etkileşimleri tahmin etmek amacıyla derin transfer öğrenmesini kullanmayı araştırıyoruz. Yaklaşımımız, önce büyük, genelleştirilmiş bir kaynak eğitim veri seti üzerinde derin bir sinir ağı sınıflandırıcısı eğitmek ve ardından bu önceden eğitilmiş ağı daha küçük, özel bir hedef eğitim veri seti üzerinde yeniden eğitmek veya ince ayar yapmak üzerine kuruludur. Sistematik değerlendirme yoluyla, hedef veri seti 100'den az bileşik içerdiğinde transfer öğreniminin performansı önemli ölçüde artırdığını gösteriyoruz. Bunun üzerine, açık etiketlere ihtiyaç duymadan zengin grafik yerleştirmeleri oluşturmak için karşıt öğrenme kullanan yeni bir kendi kendine gözetimli öğrenme çerçevesi öneriyoruz. Yöntemimiz, ayrıntılı yerel yapısal öznitelikleri yüksek seviyeli moleküler özelliklerle entegre eden çift yönlü bir yerel-küresel strateji kullanır. Bu yaklaşım, modelin detaylı ve aktarılabilir grafik temsilleri öğrenmesini sağlar ve DTI ve moleküler özellik tahminleri gibi çeşitli alt görevler için etkili olduğunu kanıtlar. Sonuç olarak, bu çalışma, sınırlı eğitim verisi olan senaryolarda DTI tahmini için transfer öğrenme ve karşıt öğrenme ile kendi kendine gözetimli öğrenmeyi birleştirmenin değerini vurgulamaktadır. Çerçevemiz, zengin grafik yerleştirmeleri oluşturabilen sağlam ve aktarılabilir modeller sunarak, ilaç-hedef etkileşimlerinin doğru tahmin edilmesini ve yeterince incelenmemiş proteinler için yeni terapötiklerin keşfini desteklemektedir.

Özet (Çeviri)

Advances in AI-driven drug-target interaction (DTI) prediction methods require extensive training data, which is often unavailable for many target proteins. This limitation prevents the development of effective computational models for predicting interactions between drug candidates and these understudied proteins, posing a significant challenge in drug discovery. To address this issue, we investigate the use of deep transfer learning for predicting interactions between drug candidates and proteins with limited training data. Our approach involves first training a deep neural network classifier on a large, generalized source training dataset and then reusing this pre-trained network for re-training or fine-tuning on a smaller, specialized target training dataset. Through systematic evaluation, we show that transfer learning significantly improves performance when the target dataset contains fewer than 100 compounds. Building on this, we propose a novel self-supervised learning framework that uses contrastive learning to generate rich graph embeddings without the need for explicit labels. Our method employs a dual local-global strategy integrating detailed local structural attributes with high-level molecular features. This approach allows the model to learn detailed and transferable graph representations, proving effective for various downstream tasks such as DTI and molecular property predictions. In conclusion, this study highlights the value of combining transfer learning and self-supervised learning with contrastive learning for DTI prediction, especially in scenarios with limited training data. Our framework provides robust and transferable models capable of generating rich graph embeddings, facilitating accurate predictions of drug-target interactions and supporting the discovery of novel therapeutics for understudied proteins.

Benzer Tezler

  1. Tez No

    518290

    Deepkinzero: Zero-shot learning for predicting kinase phosphorylation sites

    Deepkinzero: Kinaz fosforilasyon yerlerinin sıfır örnek öğrenim ile tahmini

    IMAN DEZNABI

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    Assist. Prof. Dr. ABDULLAH ERCÜMENT ÇİÇEK

    Assist. Prof. Dr. ÖZNUR TAŞTAN OKAN

  2. Tez No

    840182

    Moleküler modelleme yöntemleri ile organik yarı iletkenlerin bant aralıklarının incelenmesi ve bilgisayar destekli ilaç tasarımı

    Investigation of band gap of organic semiconductors by molecular modeling methods and computer aided drug design

    PINAR SEYİTDANLIOĞLU

    Doktora

    Türkçe

    Türkçe

    2023

    KimyaHacettepe Üniversitesi

    Kimya Ana Bilim Dalı

    PROF. DR. CANAN ÜNALEROĞLU

    PROF. DR. PERVİN ÜNAL CİVCİR

  3. Tez No

    555039

    Kitosan temelli kontrollü salım sistemlerinin sentez ve karakterizasyonu

    Synthesis and characterization of chitosan based controlled release systems

    AHMET KÜÇÜKÇALIK

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Kimyaİstanbul Teknik Üniversitesi

    Kimya Ana Bilim Dalı

    DOÇ. DR. CÜNEYT HÜSEYİN ÜNLÜ

  4. Tez No

    817409

    Alzheimer modelinde: ilaç-hedef etkileşim tahmini

    Drug-target interaction prediction in the alzheimer model

    MÜNEVVER DEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    BiyomühendislikSüleyman Demirel Üniversitesi

    Biyomühendislik Ana Bilim Dalı

    PROF. DR. SELÇUK ÇÖMLEKÇİ

    PROF. DR. ECİR UĞUR KÜÇÜKSİLLE

  5. Tez No

    687451

    Drug target interaction prediction using artificial intelligence

    Yapay kullanarak ilaç hedef etkileşimi tahminizeka

    BARAA TAHA YASEEN YASEEN

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. SEFER KURNAZ

Geri Dön