Geri Dön

Performance analysis of machine learning for predicting ionic liquid toxicity

İyonik sivi toksisitesinin tahmini için makine öğreniminin performans analizi

PDF İndir

  1. Tez No: 933960
  2. Yazar: SAFA SADAGHIYANFAM
  3. Danışmanlar: DOÇ. DR. YALÇIN İŞLER
  4. Tez Türü: Doktora
  5. Konular: Biyomühendislik, Bioengineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İzmir Katip Çelebi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Teknolojiler Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 113

Özet

İyonik sıvılar (IL'ler), benzersiz fizikokimyasal özellikleriyle, yeşil kimya, enerji depolama ve ilaç endüstrisi gibi çeşitli alanlarda umut verici uygulamalar sunmaktadır. Ancak, çevresel ve biyolojik toksisiteleri konusundaki endişeler, güvenli ve sürdürülebilir kullanımlarını sağlamak için doğru tahmin modellerine duyulan ihtiyacı artırmaktadır. Bu tez, iyonik sıvı toksisitesi tahmini için meta-ensemble çerçeveler, ChemBERTa'dan türetilen gömülemeler ve Grafik Dikkat Ağları (GAT) gibi makine öğrenimi ve derin öğrenim metodolojilerindeki yenilikleri bir araya getiren kapsamlı bir yaklaşım sunmaktadır. Bu yöntemler, geleneksel QSAR modelleri ve klasik makine öğrenimi tekniklerinin sınırlamalarını ele alarak, moleküler tanımlayıcılar, parmak izleri ve grafik tabanlı özellikleri entegre ederek karmaşık yapı-toksisite ilişkilerini eşi görülmemiş bir doğrulukla yakalamaktadır. Önerilen çerçeveler, dayanıklılıklarını ve genellenebilirliklerini kanıtlayan son teknoloji performans metriklerine ulaşmıştır. Ayrıca, dikkat mekanizmaları ve özellik ablation çalışmaları, toksisiteyi etkileyen moleküler faktörleri açıklayarak tahmin modellerinin yorumlanabilirliğini artırmaktadır. Bu çalışma, yalnızca iyonik sıvı toksisitesi tahmini için yenilikçi hesaplama araçları sunmakla kalmayıp, aynı zamanda daha güvenli ve sürdürülebilir kimyasallar tasarlama hedefine de katkıda bulunarak, yeşil kimya prensipleriyle uyum sağlamaktadır.

Özet (Çeviri)

Ionic liquids (ILs), with their unique physicochemical properties, offer promising applications across diverse fields such as green chemistry, energy storage, and pharmaceuticals. However, concerns about their environmental and biological toxicity necessitate accurate predictive models to ensure their safe and sustainable use. This thesis introduces a comprehensive approach to IL toxicity prediction, leveraging advancements in machine learning and deep learning methodologies. By employing a combination of meta-ensemble frameworks, ChemBERTa-derived embeddings, and Graph Attention Networks (GATs), the research captures intricate structure-toxicity relationships with unprecedented accuracy. These methods integrate molecular descriptors, fingerprints, and graph-based features to address the limitations of traditional QSAR models and classical machine learning techniques. The proposed frameworks achieve state-of-the-art performance metrics, demonstrating their robustness and generalizability. Additionally, attention mechanisms and feature ablation studies elucidate the molecular factors influencing toxicity, advancing the interpretability of predictive models. This work not only establishes novel computational tools for IL toxicity prediction but also contributes to the broader goal of designing safer, more sustainable chemicals, aligning with the principles of green chemistry.

Benzer Tezler

  1. Tez No

    690453

    Photocatalytic hydrogen production over ionic liquid coated semiconductors

    İyonik sıvı kaplı yarı iletkenler kullanılarak foto katalitik hidrojen üretimi

    ELİF CAN

    Doktora

    İngilizce

    İngilizce

    2021

    Kimya MühendisliğiBoğaziçi Üniversitesi

    Kimya Mühendisliği Ana Bilim Dalı

    PROF. DR. RAMAZAN YILDIRIM

  2. Tez No

    882794

    Material-to-system analysis of lithium – sulfur and lithium – oxygen batteries

    Lityum-sülfür ve lityum-oksijen bataryalarının malzemeden sisteme analizi

    AYŞEGÜL KILIÇ

    Doktora

    İngilizce

    İngilizce

    2024

    EnerjiBoğaziçi Üniversitesi

    Kimya Mühendisliği Ana Bilim Dalı

    DOÇ. DR. DAMLA EROĞLU PALA

  3. Tez No

    965433

    Catalytic and photocatalytic CO2 conversion into valuable chemicals

    CO2'nin katalitik ve fotokatalitik yollarla değerli kimyasallara dönüşümü

    BEYZA YILMAZ

    Doktora

    İngilizce

    İngilizce

    2025

    Kimya MühendisliğiBoğaziçi Üniversitesi

    Kimya Mühendisliği Ana Bilim Dalı

    PROF. DR. RAMAZAN YILDIRIM

  4. Tez No

    929556

    Active learning for drug blood-brain barrier permeability prediction

    İlaçların kan-beyin bariyeri geçirgenliğini tahmin etmede aktif öğrenme

    AHMED MOHAMED MAHMOUD ELMOSELHY SALEM

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı Üniversitesi

    Veri Bilimi Ana Bilim Dalı

    DOÇ. DR. ÖZNUR TAŞTAN OKAN

  5. Tez No

    826798

    Comparison and analysis of logistic regression, neural networks and naïve bayes machine learning algorithms for predicting child labor in Turkey

    Lojistik regresyon, sinir ağları ve naïve bayes makine öğrenimi algoritmalarının karşılaştırılması ve analizi: Türkiye'de çocuk işçiliğinin öngörülmesi örneği

    MEHMET ROHAT BİNGÖL

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    İstatistikMarmara Üniversitesi

    Ekonometri Ana Bilim Dalı

    PROF. DR. AHMET METE ÇİLİNGİRTÜRK

Geri Dön