Ανάπτυξη αλγορίθμου επιβλεπόμενης μάθησης για την βελτίστοποίηση στόχευσης δραστικών ουσιών

Abstract

Ο σκοπός αυτής της διπλωματικής εργασίας αφορά την ανάπτυξη αλγορίθμου επιβλεπόμενης μάθησης, και συγκεκριμένα Support Vector Machines, για την βελτιστοποίηση στόχευσης δραστικών ουσιών. Αναλύονται τα στάδια εξέλιξης μιας δραστικής ουσίας, και οι βασικές ιδιότητες των SVM. Οι μετρήσεις που χρησιμοποιούνται από τον αλγόριθμο προέρχονται από κυτταρικές σειρές ηπατικού καρκίνου στις οποίες έχουν χορηγηθεί ουσίες με γνωστά αποτελέσματα, και νέες ουσίες για τις οποίες θα γίνει μια πρόβλεψη σχετικά με την αποτελεσματικότητα τους. Για την ανάπτυξη του αλγορίθμου γράφτηκε κώδικας σε περιβάλλον MATLAB και το toolbox που χρησιμοποιήσαμε για τη διαδικασία της δυαδικής κατηγοριοποίησης, τόσο για την εκπαίδευση στην οποία δουλεύαμε με γνωστές ουσίες, όσο και για την πρόβλεψη με τις νέες ουσίες είναι το LIBSVM toolbox.

The scope of this thesis involves the development of an algorithm concerning supervised machine learning methods, specifically Support Vector Machines, which is used for the optimization of active compound targeting. We analyze the way an active compound is developed, and the basic functions of Support vector machines. The data that the algorithm utilizes come from hepatic cancer cell lines which have been treated to compounds, the results of which we are familiar with, and new compounds for which we will attempt to predict whether they will function properly or not. The algorithm was compiled using MATLAB and the toolbox we used for the process of binary classification, both for training when working with known compounds and predicting when working with new compounds, is the LIBSVM toolbox.