Network structure vs chemical information in drug-drug interaction prediction

Κεφάλας, Γεώργιος; Kefalas, George

dc.contributor.author	Κεφάλας, Γεώργιος	el
dc.contributor.author	Kefalas, George	en
dc.date.accessioned	2022-10-31T07:51:43Z
dc.date.available	2022-10-31T07:51:43Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56030
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23728
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	Αλληλεπιδράσεις Φαρμάκων	el
dc.subject	Δικτυακές Αναπραστάσεις Φαρμάκων	el
dc.subject	Χημικές Αναπαραστάσεις Φαρμάκων	el
dc.subject	Γραφοθεωρητικά Χαρακτηριστικά Αλληλεπιδράσεων Φαρμάκων	el
dc.subject	Δίκτυα Πληροφορίας	el
dc.subject	Drug-Drug Interaction Prediction	en
dc.subject	DrugBank	en
dc.subject	mol2vec	en
dc.subject	node2vec	en
dc.subject	Graph Topological Features	en
dc.title	Network structure vs chemical information in drug-drug interaction prediction	en
heal.type	bachelorThesis
heal.classification	Data Science	en
heal.classification	Machine Learning	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-07-12
heal.abstract	Σε αυτή την εργασία μελετάμε τις αλληλεπιδράσεις μεταξύ φαρμακευτικών ουσιών. Πιο συγκεκριμένα, εξερευνούμε τη πληροφορία που μπορεί να αντλήσει κάποιος μέσα από τον γράφο γνώσης που προκύπτει αν θεωρήσουμε κάθε φάρμακο ως κόμβο και κάθε αλληλεπίδραση δύο φαρμάκων ως ακμή μεταξύ των αντίστοιχων κόμβων - τη γνώση αυτή ονομάζουμε δικτυακή ή γραφική πληροφορία. Παράλληλα αξιοποιούμε τον χημικό τύπο από τη δραστική ουσία ενός φαρμάκου για να αποτυπώσουμε τις χημικές ιδιότητές του και να εξάγουμε αυτό που ονομάζουμε στη συνέχεια ως χημική πληροφορία. Στόχος μας είναι να συγκρίνουμε τη δικτυακή πληροφορία με την χημική πληροφορία πάνω στο πρόβλημα της εκτίμησης αλληλεπιδράσεων μεταξύ φαρμάκων. Για να το κάνουμε αυτό, επιστρατεύουμε δύο μεθόδους που εμπνεύστηκαν από τον χώρο της μηχανικής μάθησης, και συγκεκριμένα από τον τομέα επεξεργασίας φυσικής γλώσσας: το mol2vec και το node2vec. Οι μέθοδοι αυτοί μας βοηθούν να παράξουμε διανυσματικές αναπαραστάσεις, τόσο βάσει της χημικής πληροφορίας, όσο και της δικτυακής πληροφορίας, από τα φάρμακα που έχουμε στη διάθεσή μας. Αξιοποιούμε αυτές τις αναπαραστάσεις για να αναπτύξουμε και να εκπαιδεύσουμε ταξινομητές βασισμένους σε νευρωνικά δίκτυα οι οποίοι με δεδομένο ένα ζεύγος φαρμάκων ως είσοδο, δίνουν ως έξοδο μια εκτίμηση για το αν τα φάρμακα αυτά αλληλεπιδρούν. Μέσω της σύγκρισης των αποτελεσμάτων των ταξινομητών μας σε ένα κατάλληλο σύνολο ελέγχου κατορθώνουμε να παράξουμε χρήσιμα συμπεράσματα για τα γραφοθεωρητικά χαρακτηριστικά που προσδιορίζουν για ένα φάρμακο του γράφου γνώσης (γράφος γνωστών αλληλεπιδράσεων) αν είναι προτιμότερο να μελετηθεί βάσει της χημικής ή της δικτυακής πληροφορίας που υπάρχει διαθέσιμη για αυτό. Για τα πειράματά μας χρησιμοποιούμε τη βάση δεδομένων DrugBank και στη πορεία της εξόρυξης και προετοιμασίας των δεδομένων μας επιστρατεύουμε διάφορα εργαλεία της υπολογιστικής χημείας, όπως τα RDKit και PubChem καθώς και τη βιβλιοθήκη NetworkX για να επεξεργαστούμε υπολογιστικά γράφους δεδομένων.	el
heal.abstract	This thesis compares network information against chemical information for the problem of drug interaction prediction. Drug interactions can be studied as a network, with the drugs represented as nodes, and interactions as edges. There is also the additional information of the chemical formula of each drug. We apply two embedding mechanisms, mol2vec and node2vec, on the problem of predicting Drug-Drug Interactions (DDIs). These mechanisms, respectively, convert drugs into vectors using the chemical information of the underlying chemical compound and the network information from the graph of drug interactions. Our goal is to compare Single Link Prediction models that are based on each embedding method by exploring the topological features of the drug interactions graph that make each approach more efficient in making correct predictions. We base our experiments on the DrugBank data set and use various computational chemistry tools such RDKit and PubChem, along with NetworkX, in order to create the chemical and structural embeddings for each drug.	en
heal.advisorName	Stafylopatis, Andreas-Georgios	en
heal.committeeMemberName	Stafylopatis, Andreas-Georgios	en
heal.committeeMemberName	Kollias, Stefanos	en
heal.committeeMemberName	Stamou, Giorgos	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	73 σ.	el
heal.fullTextAvailability	false