Geri Dön

Enhancing multimodal drug-target interaction prediction with domain adaptation

Alan adaptasyonu ile çok kipli ilaç-hedef etkileşim tahmininin iyileştirilmesi

PDF İndir

  1. Tez No: 940302
  2. Yazar: ARDAN YILMAZ
  3. Danışmanlar: Prof. Dr. MEHMET HALİT SEYFULLAH OĞUZTÜZÜN, PROF. DR. MEHMET VOLKAN ATALAY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  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: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 118

Özet

İlaç–hedef etkileşimi tahmini, geniş genomik ve moleküler veri uzayında etiket eksikliği nedeniyle biyoenformatik ve kimyasal-enformatik alanlarında zorlu bir problem olarak karşımıza çıkar. Bu problem, ilaç ve protein olmak üzere iki girdiyi kullanarak ikili sınıflandırma biçiminde modellenebilir ve çok kipli öğrenme yaklaşımıyla ele alınabilir. Farklı kiplerden gelen özelliklerin etkileşimini doğrudan incelemek için en yeni algoritmalardan olan çapraz dikkat (cross-attention) mekanizmasını kullanıyoruz. Ancak eğitim ve test aşamalarında verinin dağılımı genellikle farklılık gösterdiğinden, rastgele eğitim/test bölünmeleri gerçekçi olmayan ve iyimser sonuçlara yol açmaktadır. Daha gerçekçi bir senaryo için, eğitim ve test kümelerinde istatistiksel olarak farklı ilaç–protein çiftleri kullanarak bir alan kayması (domain shift) oluşturuyoruz. Bu kaymayı gidermek amacıyla, asıl sınıflayıcının yanı sıra alan uyarlama yöntemlerini kullanarak, kaynak ve hedef dağılımları aynı alana hizalayabilen alan-bağımsız bir nitelik çıkarıcı eğitiyoruz. Bunun için, çekişmeli (adversarial) eğitim ve (bildiğimiz kadarıyla DTI tahmini bağlamında daha önce kullanılmamış olan) Maksimum Ortalama Farklılık (MMD) Kayıp Fonksiyonu gibi ileri düzey yöntemlerden yararlanıyoruz. Çok kipli öğrenme ve alan uyarlamasını bir araya getiren yaklaşımımız, yaygın olarak kullanılan BindingDB veri kümesinde literatürdeki en iyi yöntemlerle karşılaştırıldığında çeşitli metriklerde üstün veya benzer performans sergilemekte ve alan kayması durumunda dahi etkinliğini kanıtlamaktadır.

Özet (Çeviri)

Drug-target interaction (DTI) prediction remains challenging due to the scarcity of annotated data in a vast input space. We treat DTI prediction as a binary classification problem with two inputs (drugs and proteins) and employ a state-of-the-art cross-attention mechanism to fuse these modalities. However, the data distribution typically differs between training and inference settings, making standard random splits overly optimistic. To simulate realistic conditions, we use dissimilar drug-protein pairs in training and test sets, introducing a domain shift. We then apply domain adaptation to learn a domain-invariant feature extractor, aligning source and target distributions alongside a primary classifier. In particular, we leverage advanced methods, including Maximum Mean Discrepancy (MMD) Loss—which, to the best of our knowledge, has not been used previously for DTI prediction—and adversarial training for robust feature extraction. Our multimodal learning with domain adaptation achieves performance on par with the state of the art on the widely used BindingDB dataset, demonstrating the effectiveness of our approach even under domain shifts.

Benzer Tezler

  1. Tez No

    907100

    A new model and approach for assessing equity in public transport

    Toplu taşımada eşitliğin değerlendirilmesi için yeni bir model ve yaklaşım

    KAYA KASIMOĞLU

    Doktora

    İngilizce

    İngilizce

    2024

    Ulaşımİstanbul Teknik Üniversitesi

    Ulaştırma Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT ERGÜN

  2. Tez No

    816241

    Deep learning approaches for autism spectrum dis-order diagnosis: Ensemble archtectures and multi-modal analysis

    Otizm spektrum bozukluğu teşhisi için derin öğrenme yaklaşımları: Topluluk mimarileri ve multimodal analiz

    ASSIL JABY

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Yapay Zeka Ana Bilim Dalı

    PROF. DR. MD BAHARUL ISLAM

  3. Tez No

    859205

    Empowering multimodal multimedia information retrieval through semantic deep learning

    Semantik derin öğrenme yoluyla multimodal multimedya bilgi erişimini güçlendirme

    SAEID SATTARI

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET HALİT SEYFULLAH OĞUZTÜZÜN

    PROF. DR. ADNAN YAZICI

  4. Tez No

    958029

    Derin öğrenme tabanlı multimodal ürün arama sisteminin geliştirilmesi

    Development of a deep learning based multimodal product retrieval system

    ENİS GÜMÜŞTAŞ

    Doktora

    Türkçe

    Türkçe

    2025

    İstatistikMimar Sinan Güzel Sanatlar Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. AYÇA ÇAKMAK PEHLİVANLI

  5. Tez No

    454939

    Films as a 'multimodal Way' to improve learners' reading skills and enhance cultural awareness in English Language and Literature Departments

    İngiliz Dili Edebiyatı Bölümlerinde öğrencilerin okuma becerilerini geliştirmek ve kültürel farkındalığı artırmak için 'çokmodlu Yöntem' olarak filmler

    NURCİHAN YÜRÜK

    Doktora

    İngilizce

    İngilizce

    2016

    Eğitim ve ÖğretimHacettepe Üniversitesi

    İngiliz Dili ve Edebiyatı Ana Bilim Dalı

    DOÇ. DR. ARİF SARIÇOBAN

Geri Dön