HEAL DSpace

Βαθιά εκμάθηση για ανακάλυψη φαρμάκων με παρόμοια βιολογική δράση

DSpace/Manakin Repository

Show simple item record

dc.contributor.author Μεϊμέτης, Νικόλαος el
dc.contributor.author Meimetis, Nikolaos en
dc.date.accessioned 2020-12-07T16:03:43Z
dc.date.available 2020-12-07T16:03:43Z
dc.identifier.uri https://dspace.lib.ntua.gr/xmlui/handle/123456789/52349
dc.identifier.uri http://dx.doi.org/10.26240/heal.ntua.20047
dc.rights Default License
dc.subject Βαθιά εκμάθηση el
dc.subject Ανακάλυψη φαρμάκων el
dc.subject Φάρμακα el
dc.subject Πρόβεψη βιολογικού αποτελέσματος el
dc.subject Βιοπληροφορική el
dc.subject Deep Learning en
dc.subject Omics en
dc.subject Biological effect en
dc.subject Compound screening en
dc.subject Drug discovery en
dc.title Βαθιά εκμάθηση για ανακάλυψη φαρμάκων με παρόμοια βιολογική δράση el
dc.title Deep learning for compound biological effect screening en
heal.type bachelorThesis
heal.classification Αρχές βιολογικής μηχανικής el
heal.classification Εισαγωγή στους υπολογιστές el
heal.classification Εμβιομηχανική και βιοϊατρική τεχνολογία el
heal.classification Στατιστική el
heal.classification Επιστήμη των υπολογιστών el
heal.language en
heal.access campus
heal.recordProvider ntua el
heal.publicationDate 2020-02-19
heal.abstract Predicting whether a chemical structure shares a desired biological activity can have a significant impact for in-silico compound screening in early drug discovery. In this study, we developed a deep learning model where compound structures are represented as graphs and then linked to their biological footprint. To make the problem computationally tractable, compound differences were mapped to biological alterations. The model uses graph convolutions to encode the molecular graphs by aggregating features and automatically extracting and identifying the important ones. Finally, deep ensembles were utilized in order to boost performance and quantify predictive uncertainty. The proposed model was able to identify structurally dissimilar compounds that share similar biological activity with high precision. en
heal.abstract Προβλέποντας εάν κάποιες χημικές δομές μοιράζονται μια επιθυμητή βιολογική επίδρασημπορεί να έχει μεγάλη επίδραση στην “in-silico” ανίχνευση σύνθετων χημικών ουσιών, σταπρώιμα στάδια της ανακάλυψης φαρμάκων. Στην παρούσα μελέτη, αναπτύχθηκε έναμοντέλο βαθιάς εκμάθησης όπου οι χημικές δομές αντιπροσωπεύονται ως γράφοι και έπειτασυνδέονται με το βιολογικό τους αποτύπωμα. Για να καταστεί το πρόβλημα υπολογιστικάεπιλύσιμο, οι διαφορές των χημικών ουσιών αντιστοιχίστηκαν σε βιολογικές εναλλαγές καιδιαφορές. Το μοντέλο χρησιμοποιεί “Graph Convolutions” για να κωδικοποιήσει τουςμοριακούς γράφους, αθροίζοντας χαρακτηριστικά και αποσπώντας και αναγνωρίζοντας τασημαντικά. Τέλος, η εκπαίδευση πραγματοποιείται με έναν συναθροιστικό τρόπο,παρέχοντας μια εκτίμηση για την αβεβαιότητα. Το προτεινόμενο μοντέλο καθίσταται ικανόνα αναγνωρίσει με μεγάλη ακρίβεια δομικά ανόμοιες χημικές ουσίες που όμως μοιράζονταιόμοια βιολογική δράση. el
heal.advisorName Αλεξόπουλος, Λεωνίδας el
heal.committeeMemberName Προβατίδης, Χριστόφορος el
heal.committeeMemberName Αλεξόπουλος, Λεωνίδας el
heal.committeeMemberName Κυριακόπουλος, Κωνσταντίνος el
heal.academicPublisher Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Μηχανολογικών Κατασκευών και Αυτομάτου Ελέγχου el
heal.academicPublisherID ntua
heal.fullTextAvailability false


Files in this item

This item appears in the following Collection(s)

Show simple item record