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
- Tez No: 887280
- Danışmanlar: PROF. DR. MEHMET VOLKAN ATALAY
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
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
- Deepkinzero: Zero-shot learning for predicting kinase phosphorylation sites
Deepkinzero: Kinaz fosforilasyon yerlerinin sıfır örnek öğrenim ile tahmini
IMAN DEZNABI
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. ABDULLAH ERCÜMENT ÇİÇEK
Assist. Prof. Dr. ÖZNUR TAŞTAN OKAN
- Digital alan kalp hastalarının ilaç kullanımına uyumu ve uyumu etkileyen faktörler
The Drug adaptability of heart patients taking digitalis and factors affecting the adaptability
MÜYESSER ERDEM
Yüksek Lisans
Türkçe
1987
HemşirelikCumhuriyet ÜniversitesiHemşirelik Ana Bilim Dalı
YRD. DOÇ. DR. YUSUF SARIOĞLU
- Tamoxifenin testis dokusuna etkisinin ışık ve elektronmikroskop düzeylerinde incelenmesi
Investigating of the effect of tamoxifen on the testes tissue at light and electronmicroscopical levels
RECEP KUTLUBAY
Yüksek Lisans
Türkçe
1987
MorfolojiCumhuriyet ÜniversitesiHistoloji ve Embriyoloji Ana Bilim Dalı
DOÇ. DR. ERDOĞAN GÜRSOY
- Nevşehir ekolojik koşullarında azotlu gübrenin datura türlerinde verim ve alkaloid oranına etkileri üzerine araştırma
Başlık çevirisi yok
MEHMET DEMİR
- Naproksenin postoperatif dentoolveoler ağrıya olan analjezik etkisinin klinik olarak araştırılması
Başlık çevirisi yok
FATMA BULAT
Doktora
Türkçe
1987
Diş HekimliğiAnkara ÜniversitesiAğız, Diş ve Çene Cerrahisi Ana Bilim Dalı
DOÇ. DR. SELAHATTİN OR