ارائه­ دهنده:
مریم صباحی

 استاد راهنما:
دکتر حسین رحمانی

هیات داوری: 
دکتر حسن نادری
دکتر محمود نشاطی

زمان:
 ۱۴۰۱/۰۶/۲۰

ساعت ۱۶:۰۰
 

دانشجو مریم صباحی دانشجوی کارشناسی ارشد آقای دکتر حسین رحمانی روز یکشنبه مورخ  ۲۰ شهریور ماه ساعت ۱۶:۰۰ از پروژه کارشناسی ارشد خود تحت عنوان "پیش‌بینی اثرات جانبی داروها با استفاده از روش‌های مبتنی بر شبکه‌های عصبی" دفاع خواهند نمود. 

چکیده پایان نامه:
دارو‌ها به هدف درمان بیماری ساخته ‌می‌شوند، با این حال بیشتر آن‌ها هنگام درمان بیماری ممکن است اثرات منفی تحت عنوان عوارض جانبی داشته‌ باشند. تشخیص اثرات جانبی دارو‌ها همواره فرآیندی زمان‌بر و پر‌هزینه‌ بوده‌است. به طور مثال برآورد می‌شود که فرایند تولید دارو، از شناسایی هدف تا استفاده بالینی، می‌تواند تا ۱۴ سال و هزینه ۸۰۰ میلیون دلار طول بکشد. رویکرد‌های متعارف برای پیش‌بینی اثرات جانبی در طی فرایند تولید دارو سنجش‌های آزمایشگاهی و حیوانی است. با این حال امکان تشخیص تمام عوارض جانبی در محیط آزمایشگاهی وجود ندارد و این اثرات جانبی کشف نشده می‌توانند ضرر‌های بسیاری برای بیمار و همچنین شرکت تولید‌کننده‌ی دارو داشته‌باشند. به‌طور مثال در آمریکا تخمین زده می‌شود که عوارض جانبی چهارمین عامل اصلی مرگ‌و‌میر باشند و همچنین عامل یک سوم از عدم موفقیت دارو‌ها در طی فرایند تولید، اثرات جانبی دارو شناخته شده‌است. با توجه به نکات گفته‌شده کارامد‌تر است که در آغاز فرآیند‌ تولید دارو، با بیشترین دقت ممکن اثرات جانبی آن محاسبه و سنجیده شود. در نتیجه مطالعه در رابطه با اثرات جانبی دارو‌ها و پیش‌بینی آن‌ها از اهمیت بالایی برخور‌دار است.
در این پایان‌نامه ما به مسئله پیش‌بینی اثرات جانبی از دو منظر مختلف نگاه کردیم. در روش اول مسئله به صورت یک مسئله رده‌بند چند-برچسبی تعریف شد و یک روش مبتنی بر رده‌بند‌های ترکیبی ارائه دادیم. همچنین به منظور بهبود نتایج از خودرمزگذارها برای کاهش بعد ویژگی‌های دارویی استفاده کردیم. در روش دوم مسئله به عنوان پیش‌بینی برچسب در گراف عنوان شد و روشی مبتنی بر شبکه‌های عصبی گرافی ارائه دادیم. به این منظور گراف شباهت دارو-دارو را ساخته و در رابطه با معیارهای شباهت دارویی بحث کردیم. با توجه به معیار AUC روش اول و دوم ما در مقایسه با روش‌های پیشین به ترتیب ۲ و ۵ درصد بهبود داشته‌اند.

واژه‌های کلیدی: عوارض جانبی، یادگیری‌عمیق، شبکه‌های عصبی عمیق، شبکه‌های عصبی گرافی، یادگیری‌ماشین، پیش‌بینی اثرات جانبی

 

دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی