Deep learning for signaling network embeddings and inferring them from a compound’s chemical structure

Ζαζάς, Ιωάννης-Γεώργιος; Zazas, Ioannis-Georgios

dc.contributor.author	Ζαζάς, Ιωάννης-Γεώργιος	el
dc.contributor.author	Zazas, Ioannis-Georgios	en
dc.date.accessioned	2022-10-10T10:08:29Z
dc.date.available	2022-10-10T10:08:29Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55880
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23578
dc.rights	Default License
dc.subject	Σηματοδοτικά Δίκτυα	el
dc.subject	Signaling Networks	en
dc.subject	Βαθιά Μάθηση	el
dc.subject	Πρωτεϊνες	el
dc.subject	Deep Learning	en
dc.subject	Proteins	en
dc.title	Deep learning for signaling network embeddings and inferring them from a compound’s chemical structure	en
dc.title	Βαθιά μάθηση για την κωδικοποίηση σηματοδοτικών δικτύων και την εξαγωγή τους από την χημική δομή μιας ένωσης	el
heal.type	bachelorThesis
heal.classification	Βιοπληροφορική	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-06-22
heal.abstract	During the last years, big data and deep learning have become a very effective and state of the art method to deal with many demanding and difficult problems, in multiple scientific fields, from traditional computer science to finance and biology. Up to the present, deep learning was rarely used as a method by bioinformaticians, who prefer gene expression data and try to understand the mechanism of action of drugs to promote research on topics like early drug discovery. To deal with signaling networks, it is more common to use network analysis and dynamical systems modeling. For this thesis, we develop a specific class of graph convolutional neural network, using a very effective architecture that achieves maximum discriminative power among other GNNs’ and apply this model to a dataset of biological (protein) signaling networks. We prove that our model can effectively cluster compounds with similar mechanisms of action together and identify compounds with similar signaling networks. Finally, we use the data produced from this model and try to train a model to infer a protein signaling network from a compound’s chemical structure.	en
heal.abstract	Τα τελευταία χρόνια, τα μεγάλα δεδομένα και η βαθιά μάθηση έχουν γίνει μια πολύ αποτελεσματική και τελευταίας τεχνολογίας μέθοδος για την αντιμετώπιση πολλών απαιτητικών και δύσκολων προβλημάτων, σε πολλαπλά επιστημονικά πεδία, από την παραδοσιακή επιστήμη των υπολογιστών μέχρι τη χρηματοδότηση και τη βιολογία. Μέχρι σήμερα, η βαθιά μάθηση χρησιμοποιήθηκε σπάνια ως μέθοδος από βιοπληροφορικούς, οι οποίοι προτιμούν τα δεδομένα γονιδιακής έκφρασης και προσπαθούν να κατανοήσουν τον μηχανισμό δράσης των φαρμάκων για την προώθηση της έρευνας σε θέματα όπως η πρώιμη ανακάλυψη φαρμάκων. Για την αντιμετώπιση των δικτύων σηματοδότησης, είναι πιο συνηθισμένο να χρησιμοποιείται η ανάλυση δικτύου και η μοντελοποίηση δυναμικών συστημάτων. Για αυτή τη διπλωματική εργασία, αναπτύσσουμε μια συγκεκριμένη κατηγορία συνελικτικού νευρωνικού δικτύου γραφημάτων, χρησιμοποιώντας μια πολύ αποτελεσματική αρχιτεκτονική που επιτυγχάνει μέγιστη ισχύ διαχωρισμού μεταξύ άλλων τέτοιων δικτύων και εφαρμόζουμε αυτό το μοντέλο σε ένα σύνολο δεδομένων βιολογικών (πρωτεϊνικών) δικτύων σηματοδότησης. Αποδεικνύουμε ότι το μοντέλο μας μπορεί να ομαδοποιήσει αποτελεσματικά ενώσεις με παρόμοιους μηχανισμούς δράσης και να αναγνωρίσει ενώσεις με παρόμοια δίκτυα σηματοδότησης. Τέλος, χρησιμοποιούμε τα δεδομένα που παράγονται από αυτό το μοντέλο και προσπαθούμε να εκπαιδεύσουμε ένα μοντέλο ώστε να συμπεράνει ένα δίκτυο σηματοδότησης πρωτεΐνης από τη χημική δομή μιας ένωσης	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 σ.	el
heal.fullTextAvailability	false