Derin öğrenme yöntemleriyle sentetik protein tasarımı
Synthetic protein design with deep learning methods
- Tez No: 937403
- Danışmanlar: DOÇ. DR. ÖZKAN UFUK NALBANTOĞLU, DOÇ. DR. ALİ TEVFİK UNCU
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biyoistatistik, Computer Engineering and Computer Science and Control, Biostatistics
- Anahtar Kelimeler: Derin Öğrenme, Sentetik Protein, Sezgisel Optimizasyon, Sentetik Veri Tabanı, Deep Learning, Heuristic Optimization, Synthetic Protein, Synthetic Database
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoinformatik Sistemler Biyolojisi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 112
Özet
Bu tez çalışmasında, doğal proteinlerin sınırlarını aşarak istenilen üç boyutlu yapıya katlanabilen sentetik proteinlerin tasarımı için bir derin öğrenme modeli geliştirilmesi amaçlanmıştır. Geliştirilen model, yalnızca üç boyutlu yapıyı dikkate almakla kalmayıp, aynı zamanda proteinlerin in vitro ortamda üretilebilmesi için gerekli biyofiziksel özellikleri de göz önünde bulundurarak kapsamlı bir tasarım stratejisi sunmayı hedefler. Bu doğrultuda, sentetik protein tasarımında başarılı olabilmek için, yapay zeka tabanlı yöntemlerin yanı sıra yapısal odaklı yaklaşımın ötesine geçen sezgisel bir optimizasyon yöntemi geliştirilmiştir. Geliştirilen bu yöntem, doğal proteinlerin fiziksel özelliklerini optimize ederken, aynı zamanda fonksiyonlarını koruyan bir yapı sergilemektedir. Söz konusu optimizasyon yaklaşımı, protein uzayının işlevsel yapılara katlanmaya uygun alt uzayında gezinerek yapısal bilgiyi sabit tutar ve bu uzaydaki fiziksel özellikleri iyileştirir. Bu çalışmada geliştirilen optimizasyon yöntemi, protein tasarımı modellerinin eğitimi için kullanılan CATH veri tabanını optimize etmek için uygulanmıştır. Bu süreçte oluşturulan sentetik veri tabanı, daha önce tasarım süreçlerinde başarılı sonuçlar elde eden grafik sinir ağı modelinin yeniden eğitilmesi için kullanılmıştır. Sonuç olarak, sentetik veri tabanıyla eğitilen model, hedeflenen proteinin fonksiyonunu koruyacak şekilde yapıya bağlı kalırken, aynı zamanda biyofiziksel özellikleri iyileştirilmiş tasarımlar önermeyi başarmıştır. Ayrıca, bu çalışma kapsamında geliştirilen optimizasyon yöntemiyle oluşturulan veri tabanı, literatürdeki ilk sentetik veri tabanı olma özelliğini taşımaktadır.
Özet (Çeviri)
In this thesis study, the aim is to develop a deep learning model for designing synthetic proteins that can fold into a desired three-dimensional structure, surpassing the constraints of natural proteins. The developed model not only considers the three-dimensional structure but also provides a comprehensive design strategy by taking into account the biophysical properties necessary for proteins to be producible in vitro. In this context, to achieve success in synthetic protein design, a heuristic optimization method has been developed that goes beyond structural-focused approaches and integrates artificial intelligence-based methods. This method optimizes the physical properties of natural proteins while maintaining their functional integrity. The proposed optimization approach explores a subspace of the protein space that is suitable for folding into functional structures, preserving structural information while improving physical properties within this subspace. The optimization method developed in this study has been applied to optimize the CATH database, which is commonly used for training protein design models. The synthetic dataset generated through this process has been utilized to retrain a graph neural network model that has previously demonstrated success in design processes. As a result, the model trained on the synthetic dataset successfully proposed designs that adhere to the target protein's structure while improving its biophysical properties. Furthermore, the dataset generated using the optimization method developed in this study represents the first synthetic dataset of its kind in the literature.
Benzer Tezler
- Derin çizge öğrenmesi ile ilaç adayı moleküllerin otomatik şekilde tasarımı
Automated generation of drug candidate molecules with deep graph learning
ATABEY ÜNLÜ
Yüksek Lisans
İngilizce
2023
BiyoistatistikHacettepe ÜniversitesiBiyoenformatik Ana Bilim Dalı
DOÇ. DR. TUNCA DOĞAN
- EEG sinyallerinden derin öğrenme ile sentetik sinyal üretme
Producing synthetic signals from EEG signals with deep learning
HÜSEYİN YILMAZ
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSiirt ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MELİH KUNCAN
- Incremental construction of Markov chains with dependence on non-temporal domains
Uzamsal bağımlılığı dikkate alan Markov zincirlerinin artımlı yapılandırılması
ZEYNEP KUMRALBAŞ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA BORAHAN TÜMER
- Anomaly detection using machine learning techniques: A comparative study on first payment default prediction in retail loans
Yapay öğrenme yöntemleriyle anomali saptanması: Bireysel kredilerde ilk ödemede batma tahmini üzerine karşılaştırmalı bir çalışma
AHMET TALHA YİĞİT
Yüksek Lisans
İngilizce
2022
Bankacılıkİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Semantik derin öğrenme kullanılarak nesnelerin kategorize edilmesi ve sınıflandırılması
Categorization and classification of objects using semantic deep learning
EMRE AKDEMİR
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. NECAATTİN BARIŞÇI