Geri Dön

Predicting possible drug repositioning using computational methods

Hesaplama yöntemleri kullanarak olası ilaç yeniden konumlandırmasını tahmin etme

PDF İndir

  1. Tez No: 995861
  2. Yazar: ESLAM AHMED ALI ALI ABUSHAABAN
  3. Danışmanlar: PROF. DR. REDA ALHAJJ
  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: 2026
  8. Dil: İngilizce
  9. Üniversite: İstanbul Medipol Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Bilimleri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

İlaç geliştirme, genellikle 10-15 yıl süren ve onaylanan her bileşik başına 2 milyar doları aşan maliyetlerle uzun ve pahalı bir süreçtir. İlaç yeniden konumlandırma—mevcut ilaçlar için yeni terapötik kullanımların belirlenmesi—klinik uygulamaya geçişi hızlandırmak amacıyla kanıtlanmış güvenlik profillerinden yararlanarak umut verici bir alternatif sun- maktadır. Bu tez, biyomedikal bilgi grafikleri ile alana özgü büyük dil modellerini bir- leştirerek hesaplamalı ilaç yeniden konumlandırma için Graf Tabanlı Erişimle Zengin- leştirilmiş Üretim (GraphRAG) uygulamasını araştırmaktadır. 129.375 varlık ve 4 mily- onun üzerinde ilişki içeren kapsamlı bir biyomedikal bilgi grafiği olan PrimeKG ile ter- apötik alana özgü bir dil modeli olan TxGemma-9B-Chat'i entegre eden bir GraphRAG işlem hattı geliştirilmiştir. İşlem hattı, varlık çözümleme için SapBERT gömmeleri kul- lanmakta ve aday belirleme için çoklu graf geçiş stratejileri uygulamaktadır. Dört farklı yapılandırmayı karşılaştıran bir ablasyon çalışması gerçekleştirilmiştir: temel örüntü ta- banlı erişim, büyük dil modeli planlı geçiş, örüntü tabanlı çok atlamalı erişim ve tam hibrit yaklaşım. repoDB kıyaslama veritabanına karşı yapılan değerlendirmede temel yapılandırma için Hits@10 %49,6 ve Ortalama Karşılıklı Sıralama (MRR) 0,218 elde edilmiştir. Örüntü tabanlı çok atlamalı erişim, 0,271 MRR değeri ile en yüksek perfor- mansı göstererek temel yapılandırmaya göre %24,4'lük bir iyileşme sağlamıştır. Dikkat çekici bir şekilde, büyük dil modeli planlı graf geçişi çok atlamalı stratejilerle birleştir- ildiğinde erişim kalitesini artırmamış; bu durum, yapılandırılmış biyomedikal bilgi grafik- leri için belirlenimci örüntü tabanlı yaklaşımların esnek büyük dil modeli planlamasından daha etkili olduğunu göstermiştir. SapBERT kullanılarak gerçekleştirilen varlık çözüm- leme 0,909 F1 puanı elde etmiştir. PubMed ve ClinicalTrials.gov üzerinden yapılan klinik doğrulama, tahminlerin %31,5'inin destekleyici klinik kanıta sahip olduğunu ve graf ta- banlı puanlar ile klinik doğrulama oranları arasında istatistiksel olarak anlamlı bir kore- lasyonbulunduğunu ortaya koymuştur(p = 0,0061). Bulgular, GraphRAG'ın açık mekanis- tik açıklamalar yoluyla yorumlanabilirliği korurken rekabetçi performans elde ederek ilaç yeniden konumlandırma için uygulanabilir bir yaklaşım sunduğunu göstermektedir. Op- timal mimari, alana özgü dil modellerini sorgu planlayıcıları yerine kanıt sentezleyici- leri olarak konumlandırırken, örüntü tabanlı erişimin yapılandırılmış bilgi navigasyonunu üstlenmesini öngörmektedir.

Özet (Çeviri)

Drug development is a lengthy and expensive process, typically requiring 10-15 years and over $2 billion per approved compound. Drug repositioning—identifying new ther- apeutic uses for existing drugs—offers a promising alternative by leveraging established safety profiles to accelerate clinical translation. This thesis investigates the application of Graph Retrieval-Augmented Generation (GraphRAG) for computational drug reposi- tioning, combining biomedical knowledge graphs with domain-specialized large language models. A GraphRAG pipeline was developed integrating PrimeKG, a comprehensive biomedical knowledge graph containing 129,375 entities and over 4 million relationships, with TxGemma-9B-Chat, a therapeutics-specialized language model. The pipeline em- ploys SapBERT embeddings for entity resolution and implements multiple graph traver- sal strategies for candidate identification. An ablation study compared four configura- tions: baseline pattern-based retrieval, LLM-planned traversal, pattern-based multi-hop retrieval, and a full hybrid approach. Evaluation against the repoDB benchmark database yielded a Hits@10 of 49.6% and Mean Reciprocal Rank (MRR) of 0.218 for the base- line configuration. Pattern-based multi-hop retrieval achieved the highest performance with an MRR of 0.271, representing a 24.4% improvement over baseline. Notably, LLM- planned graph traversal did not improve retrieval quality when combined with multi-hop strategies, suggesting that deterministic pattern-based approaches are more effective than flexible LLM planning for structured biomedical knowledge graphs. Entity resolution us- ing SapBERT achieved an F1 score of 0.909. Clinical validation through PubMed and ClinicalTrials.gov demonstrated that 31.5% of predictions had supporting clinical evi- dence, with a statistically significant correlation between graph-based scores and clinical validation rates (p = 0.0061). The findings indicate that GraphRAG provides a viable approach for drug repositioning, achieving competitive performance while maintaining interpretability through explicit mechanistic explanations. The optimal architecture po- sitions domain-specialized language models as evidence synthesizers rather than query planners, with pattern-based retrieval handling structured knowledge navigation.

Benzer Tezler

  1. Tez No

    371825

    Analysing drug targets using ligand similarity

    İlaç hedeflerinin ligand benzerliği yoluyla analizi

    HAKİME ÖZTÜRK

    Yüksek Lisans

    İngilizce

    İngilizce

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ARZUCAN ÖZGÜR TÜRKMEN

    DOÇ. DR. ELİF ÖZKIRIMLI ÖLMEZ

  2. Tez No

    943478

    Deep learning-based methods for drug synergy prediction

    İlaç sinerjisi tahmini için derin öğrenme tabanlı yöntemler

    HALİL İBRAHİM KURU

    Doktora

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ABDULLAH ERCÜMENT ÇİÇEK

    DOÇ. DR. ÖZNUR TAŞTAN OKAN

  3. Tez No

    687451

    Drug target interaction prediction using artificial intelligence

    Yapay kullanarak ilaç hedef etkileşimi tahminizeka

    BARAA TAHA YASEEN YASEEN

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. SEFER KURNAZ

  4. Tez No

    459335

    Ağırlandırılmış gen ko-ekspresyon ağ analizininden (WGCNA) elde edilen biyobelirteçlerin kullanılmasıyla malign melanomda ilaç seçimi

    Drug selection for malignant melanoma using biomarkers generated by weighted gene co-expression network analysis (WGCNA)

    SEMİH ALPSOY

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    BiyomühendislikOrta Doğu Teknik Üniversitesi

    Sağlık Bilişimi Ana Bilim Dalı

    YRD. DOÇ. DR. AYBAR CAN ACAR

    DOÇ. DR. ALİ OSMAY GÜRE

  5. Tez No

    730587

    Enfeksiyon hastalıkları servisinde yatarak antibiyotik tedavisi alanhastalarda görülen advers olaylar ve ilişkili risk faktörlerinin belirlenmesi ve ilaca ait kısa ürün bilgisi ile kıyaslanması

    Determination of adverse events and associated risk factors in patients receiving antibiotic treatment in the infectious diseases service and their comparison with the summary of product characteristics of the drug

    ORÇUN SOYSAL

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    Enfeksiyon Hastalıkları ve Klinik MikrobiyolojiSağlık Bilimleri Üniversitesi

    Enfeksiyon Hastalıkları ve Klinik Mikrobiyoloji Ana Bilim Dalı

    PROF. DR. İRFAN ŞENCAN

Geri Dön