Geri Dön

İlaç – hedef etkileşiminde (DTI) proteinlerin etkili özelliklerinin belirlenmesinde yapay zeka algoritmaları tabanlı bir çerçeve geliştirme

Development of a framework based on artificial intelligence algori̇thms to determi̇ne the effective properties of proteins in the drug-target interacti̇on (DTİ)

PDF İndir

  1. Tez No: 977908
  2. Yazar: SARA NAGHIB ZADEH
  3. Danışmanlar: PROF. ZÜMRÜT SATI
  4. Tez Türü: Doktora
  5. Konular: Yönetim Bilişim Sistemleri, Management Information Systems
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İstanbul Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Enformatik Ana Bilim Dalı
  12. Bilim Dalı: Enformatik Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışma, ilaç-hedef etkileşimi (İHE) (Drug Target Interaction (DTI)) tahmininin iyileştirilmesine odaklanmaktadır. Bu alan, ilaç keşfi sürecinde temel bir öneme sahiptir. Geleneksel deneysel yöntemlerin karmaşık ve yüksek maliyetli doğası ile biyolojik verilerin hızla artan hacmi dikkate alındığında, makine öğrenmesi ve derin öğrenme yaklaşımlarının kullanımı kaçınılmaz hale gelmiştir. Bu bağlamda, bu çalışmada ilaç-hedef etkileşimlerinin tahmin doğruluğunu artırmayı amaçlayan çok aşamalı bir yaklaşımı içeren bütünleşik bir çerçeve önerilmektedir. Bu çalışma kapsamında önerilen yöntemsel çerçeve, ham verilerin toplanması, ilaç ve protein verilerinden anlamlı özelliklerin çıkarılması, özellik seçimi ve boyut indirgeme, veri dengesinin sağlanması ve makine öğrenmesi algoritmalarının uygulanması aşamalarını içermektedir. Çalışmada dört temel protein sınıfı (Enzim )Enzyme (EN)) , iyon kanalları (Ion Channel (IC)) , G proteinine bağlı reseptörler (G Protein-Coupled Receptor (GPCR)( , Nükleer Reseptör) Nuclear Receptor (NR) )) incelenmiştir. Veriler güvenilir biyoinformatik veri tabanlarından elde edilmiş; ilaç özellikleri FP2 moleküler parmak izi ile, protein özellikleri ise (Amino Acid Composition) AAC)), Dipeptit Kompozisyonu (Dipeptide Composition) DPC)( ve Pseudo-Konum-Özel Skorlama Matrisi (Pseudo Position-Specific Scoring Matrix) PsePSSM)( gibi istatistiksel tanımlayıcılar aracılığıyla temsil edilmiştir. Bu özelliklerin bütünleştirilmesi sonucunda, ilaç ve hedef protein arasındaki biyokimyasal ilişkileri yansıtan birleşik özellik vektörleri oluşturulmuştur. Boyut indirgeme ve etkili özellik seçimi amacıyla Temel Bileşenler Analizi (TBA) (Principal Component Analysis (PCA)) yöntemi uygulanmıştır. Bu yöntem, verideki en yüksek varyansı koruyarak özellik uzayını 100 boyuta indirgemiş ve böylece modelin öğrenme hızı ile genel verimliliğini anlamlı ölçüde artırmıştır. İlaç-hedef etkileşimlerinin tahmininde karşılaşılan temel zorluklardan biri veri dengesizliğidir; bilinen etkileşimlerin sayısı, bilinmeyen etkileşimlere kıyasla oldukça sınırlıdır. Bu sorunun üstesinden gelmek amacıyla, bu tezde Siyam Sinir Ağı (SSA) (Siamese Neural Network (SNN)) ve SMOTE-Tomek yöntemlerini birleştiren hibrit bir yaklaşım önerilmiştir. Önerilen bu kombinasyon, verilerin istatistiksel dengesini sağlarken aynı zamanda örnekler arasındaki karmaşık benzerlik örüntülerinin etkin bir biçimde öğrenilmesine olanak tanımaktadır. Böylece geliştirilen model, baskın sınıfa yönelik yanlılığı azaltarak gerçek ilaç-hedef etkileşimlerini yüksek doğrulukla ayırt edebilmiştir. Ön işleme ve veri dengeleme aşamalarının ardından, nihai sınıflandırıcı olarak Destek Vektör Makineleri (Support Vector Machine (SVM)) algoritması seçilmiştir. Bu seçim, Random Forest, Decision Tree ve sinir ağı tabanlı alternatif modellerle yapılan kapsamlı karşılaştırmalar sonucunda gerçekleştirilmiştir. Önerilen yaklaşımın performansı, doğruluk (Accuracy), kesinlik (Precision), duyarlılık (Recall), F1 skoru ve ROC-AUC gibi farklı değerlendirme ölçütleriyle analiz edilmiştir. Elde edilen bulgular, önerilen akıllı çerçevenin tüm veri kümelerinde yüksek doğrulukla çalıştığını ve bazı kombinasyonlarda %100'e yakın sonuçlar verdiğini ortaya koymuştur. En başarılı sonuçlar, NR ve IC veri kümelerinde, PSEAAC-PSEPSSM ve GAAC-DDE özellik kombinasyonlarının Destek Vektör Makineleri ve Rastgele Orman algoritmalarıyla birlikte kullanılmasıyla elde edilmiştir. Ayrıca, GPCR ve EN veri kümeleri de yüksek F1 ve AUC değerleriyle güçlü genellenebilirlik ve kararlılık sergilemiştir.

Özet (Çeviri)

This thesis study focuses on improving the prediction of drug–target interactions (DTI), a field that holds fundamental importance in the drug discovery process. Given the complexity and high cost of traditional experimental methods, along with the rapidly growing volume of biological data, the application of machine learning and deep learning approaches has become indispensable. In this context, an integrated multi-stage framework is proposed to enhance the accuracy of drug–target interaction predictions. The proposed methodological framework includes several key stages: data collection, extraction of meaningful features from drug and protein data, feature selection and dimensionality reduction, data balancing, and the application of machine learning algorithms. Four major classes of target proteins) Enzymes (EN), Ion Channels (IC), and G Protein-Coupled Receptors (GPCR), Nuclear Receptor (NR)) were analyzed. Data were obtained from reliable bioinformatics databases. Drug features were represented using FP2 molecular fingerprints, while protein features were described through statistical descriptors such as Amino Acid Composition (AAC), Dipeptide Composition (DPC), and Pseudo Position-Specific Scoring Matrix (PsePSSM). The integration of these features produced unified feature vectors that effectively capture the biochemical relationships between drugs and their target proteins. To achieve dimensionality reduction and efficient feature selection, Principal Component Analysis (PCA) was applied. This method reduced the feature space to 100 dimensions while preserving the highest variance in the data, thereby improving both the learning speed and overall efficiency of the model. One of the main challenges in DTI prediction is data imbalance, as the number of known interactions is significantly smaller than that of unknown ones. To address this issue, a hybrid approach combining Siamese Neural Networks (SNN) with the SMOTE-Tomek technique was developed. This combination not only ensured statistical balance in the dataset but also enabled the model to effectively learn complex similarity patterns among samples. Consequently, the proposed model successfully reduced bias toward the dominant class and accurately distinguished true drug–target interactions. After preprocessing and data balancing, the Support Vector Machine (SVM) algorithm was selected as the final classifier, following extensive comparisons with alternative models, including Random Forest, Decision Tree, and neural network–based methods. The performance of the proposed approach was evaluated using multiple metrics, including Accuracy, Precision, Recall, F1-score, and ROC-AUC. The results demonstrated that the proposed intelligent framework achieved high accuracy across all datasets, reaching near-perfect performance in certain combinations. The best outcomes were obtained for the NR and IC datasets when the PseAAC–PsePSSM and GAAC–DDE feature combinations were used in conjunction with Support Vector Machines and Random Forest algorithms. Furthermore, the GPCR and EN datasets also exhibited high F1 and AUC values, indicating strong generalization ability and stability of the proposed method.

Benzer Tezler

  1. 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

  2. Tez No

    940302

    Enhancing multimodal drug-target interaction prediction with domain adaptation

    Alan adaptasyonu ile çok kipli ilaç-hedef etkileşim tahmininin iyileştirilmesi

    ARDAN YILMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    Prof. Dr. MEHMET HALİT SEYFULLAH OĞUZTÜZÜN

    PROF. DR. MEHMET VOLKAN ATALAY

  3. Tez No

    533832

    Bos taurus enolaz enzimini kodlayan genin yapıya dayalı ilaç tasarımı yönünde moleküler ve enzimatik analizlerinin yapılması

    Structural, molecular and enzymatic analysis of Bos taurus enolase towards structure-based drug design

    EMRAH SARIYER

    Doktora

    Türkçe

    Türkçe

    2018

    BiyomühendislikYıldız Teknik Üniversitesi

    Biyomühendislik Ana Bilim Dalı

    PROF. DR. DİLEK TURGUT BALIK

    DOÇ. DR. ÖZKAN DANIŞ

  4. Tez No

    974347

    Room-temperature apo structure of human SIRT2 solved by X-ray crystallography and its application in targeted cancer drug development

    İnsan apo SIRT2 yapısının x-ışını kristalografisi ile oda sıcaklığında çözülmesi ve hedefe yönelik kanser ilaç geliştirilmesinde uygulaması

    SEYİDE SEDA PAYDOS

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Tıbbi BiyolojiKoç Üniversitesi

    Moleküler Biyoloji ve Genetik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HASAN DEMİRCİ

    DOÇ. DR. HALİLİBRAHİM ÇİFTÇİ

  5. Tez No

    706674

    Kolorektal kanser hücrelerinde siRNA aracılı NILCO inhibisyonunun MDR1 geni üzerine olası etkisinin araştırılması

    Investigation of potential effect of siRNA-mediated NILCO inhibition on MDR1 gene in colorectal cancer cells

    AYSEL GÜLTEKİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    FizyolojiEskişehir Osmangazi Üniversitesi

    Fizyoloji Ana Bilim Dalı

    PROF. DR. NİLÜFER ERKASAP

Geri Dön