HEAL DSpace

Machine learning methods for drug-target binding affinity prediction

DSpace/Manakin Repository

Show simple item record

dc.contributor.author Gkekas, Thomas en
dc.contributor.author Γκέκας, Θωμάς el
dc.date.accessioned 2020-12-17T08:00:51Z
dc.date.available 2020-12-17T08:00:51Z
dc.identifier.uri https://dspace.lib.ntua.gr/xmlui/handle/123456789/52579
dc.identifier.uri http://dx.doi.org/10.26240/heal.ntua.20277
dc.rights Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα *
dc.rights.uri http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ *
dc.subject Μηχανική μάθηση el
dc.subject Ανάλυση δεδομένων el
dc.subject Μοντελοποίηση el
dc.subject Βαθεία μάθηση el
dc.subject Νευρωνικά δίκτυα el
dc.subject Artificial neural networks en
dc.subject Machine learning el
dc.subject Artificial intelligence el
dc.subject Data analysis el
dc.subject Modelling el
dc.title Machine learning methods for drug-target binding affinity prediction el
dc.title Μέθοδοι μηχανικής μάθησης για πρόβλεψη δύναμης πρόσδεσης φαρμάκου-πρωτεΐνης en
dc.contributor.department Τμήμα Μηχανολογικών Κατασκευών και Αυτομάτου Ελέγχου - Εργαστήριο Βιοϊατρικών Συστημάτων el
heal.type bachelorThesis
heal.classification Computer Science en
heal.classification Bioinformatics en
heal.classification Mathematics el
heal.classification Data analysis el
heal.classification Bio-engineering el
heal.classification Drug Discovery el
heal.language en
heal.access free
heal.recordProvider ntua el
heal.publicationDate 2020-10
heal.abstract Measuring the binding affinity from ligand-protein interactions is one of the most important stages at drug development and drug design. Computational drug discovery has rapidly evolved nowadays, decreasing significantly trials’ time and number of new compounds, by deducting those that have computationally been rejected. For that reason, in this diploma thesis, some computational models will be suggested based on machine learning and especially on deep learning, which will be able to learn major features from the drugs’ chemical structures, in order to predict with high accuracy the binding affinity with specific proteins. Deep learning models will consist of graph convolutional networks, that are responsible for encoding the chemical structures and extract features from them. Moreover, methods like multitask or one-shot learning will be implemented due to high efficiency and performance to similar applications. Eventually, the aim is to improve the generalization performance with new methods in comparison with older models. en
heal.abstract Ο υπολογισμός της δύναμης ζεύξης από τις αντιδράσεις μεταξύ ενός φαρμάκου και μίας πρωτεΐνης αποτελεί ένα από τα πιο σημαντικά στάδια στην ανάπτυξη και σχεδιασμό φαρμάκων. Ο υπολογιστικός σχεδιασμός φαρμάκων έχει αναπτυχθεί ραγδαία τα τελευταία χρόνια, μειώνοντας σημαντικά τον χρόνο και τον όγκο δοκιμών σε νέες δομές φαρμάκων, αφαιρώντας αυτές που έχουν αποδειχθεί υπολογιστικά ως μη αποδεκτές. Για αυτό το λόγο, σε αυτή τη διπλωματική εργασία, θα προταθούν υπολογιστικά μοντέλα βασισμένα στη μηχανική μάθηση και συγκεκριμένα στη βαθεία μάθηση, τα οποία θα είναι ικανά να μαθαίνουν βασικά χαρακτηριστικά από τις χημικές δομές των φαρμάκων ούτως ώστε να προβλέπουν με υψηλή ακρίβεια τη δύναμη ζεύξης τους με ορισμένες πρωτεΐνες. Τα μοντέλα βαθείας μάθησης θα αποτελούνται από συνελικτικά δίκτυα γράφων, τα οποία είναι υπεύθυνα για την κωδικοποίηση των χημικών τύπων των μορίων φαρμάκων και για την σωστή εξαγωγή χαρακτηριστικών αυτών. Ακόμη, μέθοδοι όπως η εκμάθηση πολλαπλών καθηκόντων και η one-shot τεχνική θα εφαρμοσθούν εξαιτίας της υψηλής τους αποτελεσματικότητας και απόδοσης σε παρόμοιες εφαρμογές. Τελικώς, ο στόχος της εργασίας είναι η βελτίωση της απόδοσης των μοντέλων ανεξαρτήτως δυσκολίας και διαχωρισμό των δεδομένων με νέες μεθόδους σε σχέση με παλιότερες μελέτες. el
heal.advisorName Αλεξόπουλος, Λεωνίδας el
heal.committeeMemberName Αλεξόπουλος, Λεωνίδας el
heal.committeeMemberName Κυριακόπουλος, Κωνσταντίνος el
heal.committeeMemberName Προβατίδης, Χριστόφορος el
heal.academicPublisher Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Μηχανολογικών Κατασκευών και Αυτομάτου Ελέγχου el
heal.academicPublisherID ntua
heal.numberOfPages 58 p. el
heal.fullTextAvailability false


Files in this item

The following license files are associated with this item:

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα Except where otherwise noted, this item's license is described as Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα