Ανάπτυξη υπολογιστικών μεθόδων για το πρόβλημα της επαναστόχευσης φαρμάκων

Σιδέρη, Ιφιγένεια; Sideri, Ifigeneia

dc.contributor.author	Σιδέρη, Ιφιγένεια	el
dc.contributor.author	Sideri, Ifigeneia	en
dc.date.accessioned	2020-11-30T09:40:18Z
dc.date.available	2020-11-30T09:40:18Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52092
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19790
dc.rights	Default License
dc.subject	Επαναστόχευση φαρμάκων	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Αυτο-οργανούμενοι χάρτες	el
dc.subject	Drug repurposing	en
dc.subject	Self organizing maps	en
dc.subject	Artificial neural networks	en
dc.subject	Machine learning	en
dc.subject	Μηχανική μάθηση	el
dc.subject	Drug repositioning	en
dc.subject	Επανατοποθέτηση φαρμάκων	el
dc.title	Ανάπτυξη υπολογιστικών μεθόδων για το πρόβλημα της επαναστόχευσης φαρμάκων	el
dc.title	Development of computational methods for the problem of drug repurposing	en
heal.type	bachelorThesis
heal.classification	Φαρμακοπληροφορική	el
heal.classification	Pharmacoinformatics	en
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2020-09
heal.abstract	Τον τελευταίο καιρό, η επαναστόχευση φαρμάκων έχει αποτελέσει διέξοδο της φαρμακοβιομηχανίας με στόχο τη μείωσης των δαπανών, την ταχύτερη διοχέτευση στην αγορά λόγω μικρότερων αναγκών σε κλινικές δοκιμές αλλά και για αντιμετώπιση κρίσεων, όπως συμβαίνει με την πανδημία COVID-19. Στo πλαίσιo αυτ;o, η παρούσα εργασία αποτελεί μια προσπάθεια υπολογιστικής επαναστόχευσης φαρμάκων μέσω μη επιβλεπόμενης (unsupervised) μηχανικής εκμάθησης και πιο συγκεκριμένα της μεθοδολογίας των Αυτό-οργανωμένων χαρτών (Self Organizing Maps, SOM). Βασίζεται σε δεδομένα σχετικά με την αλληλεπίδραση φαρμάκου-γονιδίων (από τη βάση δεδομένων DrugBank) και το συσχετισμό γονιδίων-μοριακού επιπέδου μέσω της Gene Ontology, για να ομαδοποιήσει τα φάρμακα ως προς την ομοιότητα της δράσης τους σε βιολογικές διαδικασίες. Φάρμακα που εμφανίζουν παρόμοια δράση και κατ’ επέκταση εγγύτητα στην ομαδοποίηση, αποτελούν πιθανούς υποψηφίους για επαναστόχευση. Η μεθοδολογία εφαρμόζεται σε τρεις μελέτες περίπτωσης: μια υποκατηγορία αναλγητικών φαρμάκων, σε αντιυπερτασικά φάρμακα, και τέλος σε φάρμακα που δοκιμάζονται τελευταία για τον SARS-CoV-2.	el
heal.abstract	Lately, in an effort to reduce the significant costs for high risk of new drug discovery and to find a solution for global healthcare emergencies like the current pandemic, pharma industry is putting more and more focus on drug repurposing. To follow on this development, this thesis aims to execute and effort of computational drug repurposing by unsupervised machine learning by utilization of Self-Organizing maps (artificial neural networks). Combining data about drug-gene interactions (by DrugBank) and gene-ontology interactions by GO, it aims to cluster drugs based on their similarity in the effect they exert on biological processes. Drugs with similar way of action are expected to group together and hence create a potential for discovering new repurposing candidates. In order to predict the validity of the results some tests are conducted on a case study of analgesic drugs and on the spatial distribution of the end map of antihypertensives. Lastly, some drugs that showed up in SARS-CoV-2 research lately are being examined.	en
heal.advisorName	Σαρίμβεης, Χαράλαμπος	el
heal.committeeMemberName	Σαρίμβεης, Χαράλαμπος	el
heal.committeeMemberName	Τζαμτζής-Πιλάλης, Νικόλαος	el
heal.committeeMemberName	Καβουσανάκης, Μιχαήλ	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Χημικών Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	82 σ.	el
heal.fullTextAvailability	false