ارائه­ دهنده:

  اساتید راهنما:

 استاد راهنما: دکترحسین رحمانی

هیات داوری: 
دکتر حسن نادری
دکتر صادق علی اکبری


زمان:
 ۱۴۰۱/۰۴/۰۵

ساعت ۰۹:۰۰
 

خانم مینا طباطبائی دانشجوی کارشناسی ارشد آقایان دکتر حسین رحمانی روز یکشنبه مورخ  ۵ تیر ماه ساعت ۹:۰۰ از پروژه کارشناسی ارشد خود تحت عنوان "پیش‌بینی ترکیبات دارویی جدید با استفاده از شبکه‌های عصبی" دفاع خواهند نمود.

چکیده پایان نامه:
تحقیقات نشان داده است که ترکیب داروها در مقایسه با تجویز دارو به صورت منفرد در معالجه بیماری‌های پیچیده مانند سرطان، فشار‌خون و بیماری‌های مسری اثر بخشی بیشتر و عوارض جانبی کمتری را به‌همراه دارد و توجه محققان و شرکت‌های دارویی بسیاری را به خود جلب کرده است. تاثیرات ترکیب دارو‌ها می‌تواند هم‌افزایی یا متعارض باشد. یک ترکیب دارویی در صورتی هم‌افزایی دارد که تاثیر ترکیب داروها بیشتر از مجموع تاثیر آن‌ها به صورت انفرادی باشد و در حالت عکس با یکدیگر در تعارض هستند. از طرفی شناسایی ترکیبات جدید دارویی به عنوان یک روش درمانی موثر به دلیل زیاد بودن تعداد حالات ترکیب داروها زمان‌بر و پرهزینه است و استفاده از روش‌های محاسباتی برای پیش‌بینی ترکیبات دارویی موثر باعث محدود کردن تعداد آزمایش‌های تجربی می‌شود. در این پایان‌نامه، ما به پیشنهاد دو روش پیش‌بینی ترکیبات دارویی مبتنی بر شبکه‌عصبی می‌پردازیم و به این منظور به استخراج طیف متنوعی از ویژگی‌ها از جمله ساختار شیمیایی، بیولوژیکی، داده‌های متنی مقالات پزشکی، و ویژگی‌های تعاملات شبکه‌های بیولوژیکی داروها پرداختیم. در این راه، سعی بر غلبه بر چالش‌های مجموعه‌داده‌ها برای ترکیب‌های موجود، که شامل داده‌های کم و پراکنده و عدم تعادل نمونه‌های مثبت و منفی داریم. ما از نمونه‌گیری منفی برای ایجاد داده‌های تعادلی استفاده کردیم و از روش‌های نظم‌دهی مختلف بهره بردیم تا شانس بیش‌برازش مدل ناشی از داده‌های آموزشی کوچک را کاهش دهیم. علاوه بر این، خودرمزگذار و تحلیل مؤلفه اصلی به عنوان رویکردهای کاهش ابعاد برای به دست آوردن نمایش نهفته از داده‌های پراکنده استفاده می‌شود. در روش پیشنهادی دیگر از ترکیبی از مدل‌های خودرمزگذار گرافی که از شبکه عصبی گرافی استفاده می‌کنند، برای اولویت‌بندی ترکیبات دارویی جدید و مؤثر بالقوه استفاده می‌کنیم. در نهایت علاوه بر ارزیابی عددی، به ساخت گرافی از ترکیبات دارویی پیش‌بینی‌شده جدید که از نظر بیولوژیکی با الگوهای جالب تفسیر می‌شوند، پرداختیم. میانگین امتیاز AUC هشت مدل‌ قبلی نیز با روش‌های پیشنهادی مقایسه شده است و دو روش شبکه عصبی پیشخور و گرافی به ترتیب به طور متوسط ۸٪ و ۷.۵٪ در مقایسه با سایر مدل‌ها بهتر عمل کرده‌ است.

واژه‌های کلیدی: ترکیبات دارویی، ترکیبات دارویی هم‌افزا، روش‌های محاسباتی، یادگیری عمیق، شبکه‌های عصبی عمیق، شبکه‌های عصبی‌ گرافی

دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی