Tez No	İndirme	Tez Künye	Durumu
338587		Predicting the binding affinities of drug-protein interaction by analyzing the images of binding sites / Bağlanma alanlarının görüntülerini inceleyerek ilaç-protein etkileşiminin bağlanma eğiliminin tahmin edilmesi Yazar:ÖZLEM ERDAŞ Danışman: PROF. DR. FERDANUR ALPASLAN ; PROF. DR. MEHMET ERDEM BÜYÜKBİNGÖL Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2013 100 s.
Protein-ligand etkileşimlerinin analizi güvenli ve etkili ilaçların tasarımında, ilaç keşfi ve geliştirilmesinde önemli rol oynamaktadır. Yakın zamanda, bilinen protein-ligand etkileşimlerinin belirli özelliklerini öğrenerek bilinmeyen protein-ligand etkileşimlerinin tahmininde akıllı yöntemler kullanan makine öğrenimi metotları ilaç tasarımı konusunda yararlı bulunmuştur. Bu tezin amacı, Eğilim Tahmini için Sıkıştırılmış Görüntüler (CIFAP) adında yapısal benzerlik taşıyan protein-ligand komplekslerinin bağlanma eğilimlerinin tahmininde kullanılmak üzere yeni hesaplamalı bir model geliştirmektir. Burada sunulan yeni metot, hesaplamalı eğilim bilgisinin proteinlerin inhibitörleri ile bağlandıkları bölgede belirlenen iki boyutlu elektrostatik potansiyel görüntüleri kullanarak elde edilen bir protein-ligand modeline dayalıdır. İki boyutlu görüntülerden elde edilen örüntüler tahminsel bir model etmekte kullanıldı ve bu modelin gücü Kısmi En Küçük Kareler Regresyonu (PLSR), Destek Vektör Regresyonu (SVR) ve Adaptif Nöro-Bulanık Çıkarsama Sistemi (ANFIS) yöntemleri ile test edildi. Deneyler iki farklı protein-ligand kompleks sisteminde gerçekleştirildi. Bu sistemler, CHK1-tienopiridin türevleri ve CASP3-izatin sülfonamid türevleri bileşikleriydi. Görüntü piksellerinden bağlanma yüzeylerine yakın olanlarının bağlanma eğilimini açıklamakta daha iyi olduğu gözlendi. Bununla birlikte, SVR ve ANFIS ile karşılaştırıldığında deneysel ve tahmin edilen bağlanma eğilimleri arasında en düşük hata ve en yüksek korelasyonu sağlayan PLSR?ın CIFAP için en umut verici yöntem olduğu tespit edildi. Burada sunulan algoritmanın farmakofora dayalı ilaç tasarımında, özellikle bağlanma eğilimlerinin tahmininde, büyük bir potansiyele sahip olduğu görülmektedir.
Analysis of protein-ligand interactions plays an important role in designing safe and efficient drugs, contributing to drug discovery and development. Recently, machine learning methods have been found useful in drug design, which utilize intelligent techniques to predict unknown protein-ligand interactions by learning from specific properties of known protein-ligand interactions. The aim of this thesis is to propose a novel computational model, Compressed Images for Affinity Prediction (CIFAP), to predict binding affinities of structurally related protein-ligand complexes. The novel method presented here is based on a protein-ligand model from which computational affinity information is obtained by utilizing 2D electrostatic potential images determined for the binding site of the proteins with its inhibitors. The patterns obtained from the 2D images were used for building a predictive model whose strength was tested using Partial Least Squares Regression (PLSR), Support Vector Regression (SVR) and Adaptive Neuro-Fuzzy Inference System (ANFIS) in comparison. The experiments were conducted on two distinct protein-ligand complex systems, which were complexes of CHK1-thienopyridine derivatives and CASP3-isatin sulfonamide derivatives. It is observed that the pixels of the images which are close to the surfaces of the interaction site have better explanation of the binding affinity. Moreover, PLSR is found to be the most promising prediction method for CIFAP as compared to SVR and ANFIS with the lowest error and the highest correlation between the observed and experimental binding affinities. The computational algorithm presented here is proposed to have a great potential in pharmacophore-based drug design, especially in prediction of binding related properties.