Ανάπτυξη μαθηματικών μοντέλων πρόβλεψης ιδιοτήτων χημικών ουσιών µε τεχνικές βαθιάς μηχανικής μάθησης

Ζαχαρόπουλος, Χρήστος; Zacharopoulos, Christos

dc.contributor.author	Ζαχαρόπουλος, Χρήστος	el
dc.contributor.author	Zacharopoulos, Christos	en
dc.date.accessioned	2022-01-12T10:51:50Z
dc.date.available	2022-01-12T10:51:50Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54295
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21993
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Νευρωνικά δίκτυα γράφων	el
dc.subject	Νευρωνικά δίκτυα εμπρόσθιας τροφοδότησης	el
dc.subject	Ενδοκρινικοί διαταράκτες	el
dc.subject	Χημικός γράφος	el
dc.title	Ανάπτυξη μαθηματικών μοντέλων πρόβλεψης ιδιοτήτων χημικών ουσιών µε τεχνικές βαθιάς μηχανικής μάθησης	el
dc.title	Development of deep learning models for predicting properties of chemical compounds	en
heal.type	bachelorThesis
heal.classification	Βαθιά μηχανική μάθηση	el
heal.classification	Ποσοτικές σχέσεις δομής δράσης	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-10-07
heal.abstract	Τα τελευταία χρόνια, η βαθιά µάθηση (deep learning) έχει βρει εφαρµογή σε ποικίλους τοµείς της καθηµερινότητας και της επιστήµης. Αρχιτεκτονικές βαθιών νευρωνικών δικτύων χρησιµοποιούνται για την εξαγωγή µοντέλων υπολογιστικής όρασης, αναγνώρισης οµιλίας, αλλά και ανακάλυψης ϕαρµάκων και ανάλυσης ιατρικών εικόνων. Στην παϱούσα εργασία, αναπτύσσονται δύο µοντέλα βαθιών νευρωνικών δικτύων µε σκοπό την ταξινόµηση χηµικών ουσιών σε τρεις κλάσεις ανάλογα µε το δυναµικό πρόσδεσής τους στους υποδοχείς οιστρογόνων του ανθρώπινου οργανισµού. Το πρώτο µοντέλο αφορά την επεξεργασία δεδοµένων εισόδου µε τη µορφή περιγραφικών µεταβλητών 2D και 3D µοϱιακής δοµής µέσω ενός βαθιού νευρωνικού δικτύου εµπρόσθιας τροφοδότησης (µοντέλο Multilayer Perceptron - MLP). Η µεθοδολογία αυτή µπορεί να υπαχθεί στις κλασικές µεθοδολογίες Ποσοτικών Σχέσεων Δοµής-Δράσης (Quantitative Structure–Activity Relationship - QSAR). Το δεύτερο µοντέλο νευρωνικών δικτύων δέχεται ως είσοδο χηµικούς γράφους, δηλαδή µη-ευκλείδειες απεικονίσεις της δοµής των χηµικών µορίων, όπου οι κόµβοι αναπαριστούν τα άτοµα και οι ακµές τους χηµικούς δεσµούς µεταξύ των ατόµων (µοντέλο Graph Neural Networks - GNN). Με αυτόν τον τρόπο, επιτυγχάνεται η προτυποποίηση των σχέσεων µεταξύ δοµικών χαρακτηριστικών και βιολογικής δράσης χωρίς να είναι αναγκαία η κατασκευή και επιλογή κατάλληλων περιγραφικών µεταβλητών σε µοριακό επίπεδο. Τα παραπάνω µοντέλα βελτιστοποιούνται και εκπαιδεύονται µε χρήση γλώσσας προγραµµατισµού Python και υπολογιστικών πόρων από το Google Colaboratory, ενώ αξιολογούνται τόσο στα δεδοµένα επαλήθευσης όσο και στα δεδοµένα εκπαίδευσης. Ακόµη, επιχειρείται σύγκριση µε µοντέλο προηγούµενης εργασίας, το οποίο επιλύει το ίδιο πρόβληµα ταξινόµησης τριών κλάσεων χρησιµοποιώντας βαθιά συνελικτικά νευρωνικά δίκτυά µε είσοδο εικόνες χηµικών µορίων (µοντέλο Convolutional Neural Networks - CNN). Συνοπτικά, τα δύο µοντέλα της παρούσας εργασίας προβλέπουν ικανοποιητικά την κλάση ενός ενδοκρινικού διαταράκτη (η ακρίβεια πρόβλεψης ξεπερνάει το 0.7), ενώ παρουσιάζουν καλύτερα αποτελέσµατα από το µοντέλο Convolutional Neural Networks - CNN. Αναφορικά µε την επιµέρους σύγκριση των µοντέλων, το µοντέλο Graph Neural Networks - GNN υπερτερεί, έστω και σε µικρο βαθµό, του µοντέλου Multilayer Perceptron - MLP σε όλες τις µετρικές τιµές αξιολόγησης. Τέλος, οι προοπτικές περαιτέρω βελτίωσης της προβλεπτικής ικανότητας του µοντέλου Graph Neural Networks - GNN µέσα από την ενσωµάτωση σύγχρονων και στιβαρότερων στρωµάτων νευρωνικής ανταλλαγής µηνυµάτων αναδεικνύουν το σηµαντικό ερευνητικό ενδιαφέρον γύρω από την πρόβλεψη ιδιοτήτων χηµικών ουσιών µε αρχιτεκτονικές νευρωνικών δικτύων που επεξεργάζονται δοµές γράφων.	el
heal.abstract	Over the last years, deep learning has found application in various fields of daily life and science. Deep neural networks architectures are being used for the ectraction of models dealing with problems concerning a diverse range of challenging tasks, such as computer vision, speech recognition, medical images analysis and drug discovery. In this thesis, two models of deep neural networks that perform the task of 3-class classification of chemical compounds depending on their estrogen receptor binding strength are developed. The first model processes input data in the form of 2D and 3D molecular structure descriptors using a deep feedforward neural network (Multilayer Perceptron - MLP model). This approach can be seen as a regular Quantitative Structure–Activity Relationship (QSAR) approach. The second model’s inputs are chemical graphs, i.e. non-euclidean illustrations of molecules, where nodes and edges represent atoms and bonds respectively (Graph Neural Networks - GNN model). In this way, modeling of the relationship between the structural features and the biological activity is achieved without the need for the generation and proper choice of molecular descriptors. The above models have been optimized, trained and evaluated using Python and computational resources from Google Colaboratory. Furthermore, they are compared with a previous work’s model, which is dealing with the same 3-class classification problem using molecular image-based deep convolutional neural networks (Convolutional Neural Networks - CNN model). Briefly, both of the models developed in the current thesis satisfactorily predict the class of an edocrine disrupting chemical (accuracy overcomes 0.7), while, in general, they are performing better than the Convolutional Neural Networks - CNN model. It is a fact that the Graph Neural Networks - GNN model outperforms Multilayer Perceptron - MLP model in all of the evaluation metrics, even in a small degree. Finally, the prospects for further improvement of Graph Neural Networks - GNN model’s forecasting ability through integration with state-of-the-art and more powerful neural message passing layers highlight the importance of research surrounding chemical properties prediction using graph-processing neural networks structures.	en
heal.advisorName	Σαρίμβεης, Χαράλαμπος	el
heal.committeeMemberName	Κυρανούδης, Χρήστος	el
heal.committeeMemberName	Θεοδώρου, Θεόδωρος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Χημικών Μηχανικών. Τομέας Ανάλυσης, Σχεδιασμού και Ανάπτυξης Διεργασιών και Συστημάτων (ΙΙ)	el
heal.academicPublisherID	ntua
heal.numberOfPages	120 σ.	el
heal.fullTextAvailability	false