Tez No	İndirme	Tez Künye	Durumu
687451		Drug target interaction prediction using artificial intelligence / Yapay kullanarak ilaç hedef etkileşimi tahminizeka Yazar:BARAA TAHA YASEEN Danışman: YRD. DOÇ. DR. SEFER KURNAZ Yer Bilgisi: ALTINBAŞ ÜNİVERSİTESİ / LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ / ELEKTRİK VE BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Anahtar Kelime:	Onaylandı Doktora İngilizce 2021 88 s.
Bu araştırmanın amacı, yapay yöntemlerle ilaç hedef etkileşimi tahmini için bir sistem geliştirmektir. hem makine öğrenimi hem de derin öğrenme temelli geliştirmeyi içeren zeka sistemler. Bu yazıda, uyuşturucu hedefini sınıflandırmak için bir evrişimsel sinir ağı (CNN) modeli kullanıyoruz. ilaç çiftleri arasındaki etkileşimler. DDI-Corpus veri kümesine uygulanan tek CNN modeli, tekli model için 0,82 ± 0,012 F1 puanı ve 0,81 ± 0,015 F1 puanı ile performans onaylı bir derin öğrenme tabanlı evrişimsel sinir ağı (CNN) kullanan topluluk modeli %96,72 doğruluk, bu olağanüstü bir başarıdır. Bu çalışma da yapıldı makine öğrenimi tabanlı sınıflandırıcıları kullanarak vektör makinesini (SVM) destekler. Makine öğrenimi için tabanlı uygulama, eğitim ve test için ilaç bankası veri seti kullanıldı. ana zorluk Bu amaç için makine öğrenimini kullanırken, üzerinde eğitmek için negatif DTI'nin mevcudiyeti söz konusudur. Eğitim makinesi öğrenme modeli, destek vektör makinesi (SVM) altında bir alan elde etti. 0,753 ± 0,006 ROC eğrisi (AUC), hesaplama kaynaklarındaki farkı dikkate alınması, 0,886 ± 0,010 ağ tabanlı son teknoloji yaklaşımının AUC'si ile iyi bir şekilde karşılaştırılır. Birkaç kez test ettikten sonra SVM kullanarak %93,76'lık en iyi doğruluğu elde ettik. Buydu bir şekilde beklenmedik ve farklı DDI türlerini veya belki de farklı DDI araştırmasının bilimsel olarak zamansal evrimini karakterize eden keşif yöntemleri viii yöntem. Ancak, ancak testten sonra keşfedilebilecek farklı DDI türlerini temsil edebilir. yüksek verimli tarama gibi daha sonra işlemek için yeni tekniklerin veya makinelerin icadı. Biz Ayrıca, sonuçlarımız anlamlı olsa da, aralarında gözlenen farklılıkların farklı türden bilimsel yayınlar nispeten küçüktür. Klinikler arasında karşılaştırma yapıldığında raporlama ve bilimsel kanıtlar, farklılıklar özellikle daha büyüktür. Ayrıca, tüm türlerin büyük bir örtüşen ilaç yollarının özelliklerini veya nadir görülenleri temsil edebilen aykırı değerlerin sayısı DDI. Yukarıda belirtildiği gibi, olası altta yatanları çözmek için bu sonucun daha kalitatif bir analizi böyle bir zamansal sistem için mekanikler yakında olacak ve bu nedenle mevcut çalışma. Gelecekteki çalışmalarda, literatürdeki belirli bilgi boşluklarını tahmin etmeye çalışacağız, DDI keşfini tahmin etmek ve muhtemelen yönlendirmek için etkili bir araca işaret ediyor. Anahtar Kelimeler: İlaç etkileşimi, makine öğrenimi, SVM, derin öğrenme, CNN, ilaç bankası, tahmin
The aim of this research is to develop a system for drug target interaction prediction using artificial intelligence which involves development of both machine learning and deep learning-based systems. In this paper, we use a convolutional neural network (CNN) model, to classify drug-target interactions between drug pairs. Applied to the DDI-Corpus dataset, the single CNN model achieve performance with an F1-score of 0.82 ± 0.012 for the single model and 0.81 ± 0.015 for the ensemble model using deep learning based convolutional neural network (CNN) with an approved accuracy of 96.72% which is an extra-ordinary achievement. This work has also been performed using the machine learning based classifiers support vector machine (SVM). For machine learning based implementation, drug-bank dataset was used for the training and testing. The main challenge when using machine learning for this purpose is the availability of negative DTI to train on. Training machine learning model, the support vector machine (SVM) achieved an area under the ROC curve (AUC) of 0.753 ± 0.006, which taking the difference in computational resources into consideration compares well to the AUC of 0.886 ± 0.010 network-based state-of-the-art approach. We achieved and best accuracy of 93.76% using SVM after testing several times. This was somehow unexpected and may well represent different types of DDI, or perhaps different discovery methods, characterizing the temporal evolution of DDI investigation by the scientific viii method. It may well represent different types of DDI that could only be discovered after the invention of new techniques or machinery to process then, such as high-throughput screening. We must also note that, even though our results are significant, the observed differences among scientific publications of different type are relatively small. When comparing between clinical reporting and scientific evidence, the differences are notably larger. Also, all types have a large number of outliers, which may represent the peculiarities of overlapping drug pathways or rare DDI. As noted above, a more qualitative analysis of this result to disentangle possible underlying mechanics for such temporal system will be forthcoming and thus outside of the scope of the present work. In future work we will attempt to predict specific knowledge gaps in the literature, pointing towards an effective means of predicting and possibly driving DDI discovery. Keywords: Drug interaction, machine learning, SVM, deep learning, CNN, drug-bank, prediction