Βαθιά εκμάθηση για ανακάλυψη φαρμάκων με παρόμοια βιολογική δράση

Μεϊμέτης, Νικόλαος; Meimetis, Nikolaos

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