Ανακάλυψη φαρμάκων με χρήση βαθιάς μάθησης

Μετζάκης, Ιωάννης; Metzakis, Ioannis

dc.contributor.author	Μετζάκης, Ιωάννης	el
dc.contributor.author	Metzakis, Ioannis	en
dc.date.accessioned	2025-05-07T08:16:23Z
dc.date.available	2025-05-07T08:16:23Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61875
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29571
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Βαθιά Μάθηση	el
dc.subject	Δίκτυα Μακράς Βραχυπρόθεσμης Μνήμης	el
dc.subject	Μεταφορά Μάθησης	el
dc.subject	Ανακάλυψη Φαρμάκων	el
dc.subject	Επαναλαμβανόμενα Νευρωνικά Δίκτυα	el
dc.subject	Deep Learning	en
dc.subject	LSTM	en
dc.subject	Transfer Learning	en
dc.subject	Drug Discovery	en
dc.subject	RNN	en
dc.title	Ανακάλυψη φαρμάκων με χρήση βαθιάς μάθησης	el
dc.title	Drug discovery using deep learning techniques	en
heal.type	bachelorThesis
heal.classification	Νευρωνικά Δίκτυα	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2024-11-07
heal.abstract	Η παρούσα διπλωματική εργασία παρουσιάζει την εφαρμογή τεχνικών Βαθιάς Μάθησης και συγκεκριμένα παραγωγικών επαναλαμβανόμενων νευρωνικών δικτύων (RNNs) με χρήση Δικτύων Μακράς Βραχυπρόθεσμης Μνήμης (LSTM) για εκ νέου σχεδιασμό φαρμάκων (de novo drug design), με στόχο τον περιορισμό της αναζήτησης στον τεράστιο χημικό χώρο και τη βελτιστοποίηση της συγκεκριμένης διαδικασίας. Για τα δεδομένα εκπαίδευσης και επαλήθευσης του μοντέλου έχει χρησιμοποιηθεί η βάση ChEMBL22. Παραδοσιακά, οι περισσότερες μέθοδοι για δημιουργία νέων φαρμάκων βασίζονταν στον έλεγχο των υφιστάμενων ενώσεων. Αναπαραστώντας όμως τις μοριακές δομές ως SMILES συμβολοσειρές, το LSTM μοντέλο συλλαμβάνει τη σύνταξη αυτών των αναπαραστάσεων με μεγάλη ακρίβεια, δίνοντας τη δυνατότητα για απευθείας δημιουργία νέων ενώσεων. Πέρα από την εκ νέου δημιουργία ενώσεων, το οποίο είναι και το βασικό αντικείμενο της εργασίας, αναλύεται η διαδικασία βελτιστοποίησης του μοντέλου με εφαρμογή της τεχνικής μεταφοράς μάθησης σε συγκεκριμένα σύνολα δεδομένων στόχων, επιτρέποντας έτσι τη δημιουργία μορίων που είναι δομικά παρόμοια με γνωστές βιοδραστικές ενώσεις, και ελαχιστοποιώντας την εξάρτηση από εκτεταμένα δεδομένα εκπαίδευσης. Τέλος, εξετάζεται και η τεχνική δημιουργίας φαρμάκων με βάση κάποιο υπάρχον τμήμα του τελικού στόχου (fragment-based drug discovery / FBDD), κατά την οποία η διαδικασία παραγωγής ξεκινάει από ήδη γνωστά ενεργά μόρια, επεκτείνοντάς τα σε μεγαλύτερες, πιο σύνθετες μοριακές δομές. Συνεπώς, η διπλωματική αυτή εστιάζει στη δημιουργία νέων φαρμάκων με βάση συγκεκριμένες προδιαγραφές-στόχους, στη βελτιστοποίηση μέσω μεταφοράς μάθησης σε διαφορετικά δεδομένα-στόχους, καθώς και στον σχεδιασμό μορίων με προυπάρχουσα βάση, ακόμα και σε σενάρια χαμηλών δεδομένων.	el
heal.abstract	The following thesis presents the application of Deep Learning techniques, and specifically generative recurrent neural networks (RNNs) using Long Short-Term Memory networks (LSTMs) for de novo drug design, with the goal of narrowing down the vast chemical space and optimizing the drug discovery process. ChEMBL22 dataset has been used for model training and validation. Traditionally, most methods for discovering new drugs relied on screening existing compounds. However, by representing molecular structures as SMILES strings, the LSTM model captures the syntax of these representations with great accuracy, enabling the direct generation of new compounds. Beyond the generation of novel compounds, which is the main scope of this thesis, the process of model optimization through the application of transfer learning techniques on specific target datasets, allowing the generation of molecules that are structurally similar to known bioactive compounds and minimizing the dependency on extensive training data, is also analyzed. Finally, the technique of fragment-based drug discovery is examined, in which the drug generation process initiates from already known active molecules and extends them into larger, more complex molecular structures. Thus, this thesis focuses on the generation of new drugs based on specific target specifications, optimization through transfer learning across different target datasets, as well as the design of molecules from pre-existing scaffolds, even in low-data scenarios.	en
heal.advisorName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.advisorName	Σιόλας, Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	75 σ.	el
heal.fullTextAvailability	false