Machine learning methods for drug-target binding affinity prediction

Gkekas, Thomas; Γκέκας, Θωμάς

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