Multi-View Drug Target Interaction Prediction

Abstract

Σκοπός της διπλωματικής ήταν η μελέτη και ανάπτυξη μεθόδου μηχανικής μάθησης, για την πρόβλεψη αλληλεπιδράσεων μεταξύ βιολογικών στόχων και φαρμάκων (Drug-Target Interaction DTI). Η εύρεση των χημικών αλληλεπιδράσεων μεταξύ βιολογικών στόχων και φαρμάκων, είναι ένα ιδιαίτερα σημαντικό βήμα για την επιλογή αυτών των χημικών ουσιών που μπορούν να προσδεθούν σε κάποιο θεραπευτικό στόχο, με σκοπό την ανάπτυξη νέων φαρμάκων και την επανατοποθέτηση υπαρχόντων φαρμάκων για την αντιμετώπιση διαφορετικών ασθενειών. Καθώς οι πειραματική επαλήθευση αυτών των αλληλεπιδράσεων είναι μια χρονοβόρα διαδικασία μεγάλου κόστους, υπάρχει ανάγκη για αξιόπιστες προβλέψεις αλληλεπιδράσεων, που θα επιτρέψουν πιο σταχωμένες πειραματικές επαληθεύσεις. Πέρα από τις παραδοσιακές υπολογιστικές μεθόδους πρόβλεψης χημικών αλληλεπιδράσεων (ligand ή docking based), τα τελευταία χρόνια μέθοδοι μηχανικής μάθησης έχουν δείξει ανώτερα αποτελέσματα, αξιοποιώντας αποτελεσματικά δεδομένα τόσο των στόχων όσο και των φαρμάκων. Στα πλαίσια της εργασίας προτείνουμε μία μέθοδο μηχανικής μάθησης stacking ensemble, για την πρόβλεψη αλληλεπιδράσεων μεταξύ φαρμάκων και βιολογικών στόχων, αξιοποιώντας δεδομένα πολλαπλών όψεων, καθώς και την έννοια του local imbalance, ως πληροφορία που συμβάλει στη επιλογή των καταλληλότερων όψεων τη στιγμή της πρόβλεψης