شماره راهنما :
1198 دكتري
پديد آورنده :
لطفي شهرضا، مريم
عنوان :
ارائه يك روش تلفيقي مبتني بر شبكه براي جايگزيني دارويي
گرايش تحصيلي :
مهندسي كامپيوتر- نرم افزار
محل تحصيل :
اصفهان: دانشگاه صنعتي اصفهان، دانشكده برق و كامپيوتر
صفحه شمار :
ده، [۱۷۳]ص.: مصور، جدول، نمودار
استاد راهنما :
ناصر قديري مدرس، رسول موسوي
استاد مشاور :
ژاله ورشوساز، جيمز گرين
توصيفگر ها :
جايگزيني دارو , شبكههاي پيچيده , شبكههاي نامتجانس , انتشار برچسب , يادگيري نيمه نظارتي
استاد داور :
زينب مالكي، الهام محمودزاده
تاريخ ورود اطلاعات :
1397/03/07
رشته تحصيلي :
برق و كامپيوتر
دانشكده :
مهندسي برق و كامپيوتر
كد ايرانداك :
ID1198 دكتري
چكيده فارسي :
چكيده ارائه داروهاي جديد به روش تجربي هنوز يك فرايند زمانبر و پرهزينه است و گستردگي دادههاي موجود در اين حوزه بر پيچيدگي كار ميافزايد يافتن درمانهاي جديد بر مبناي داروهاي موجود جايگزيني دارو يك رويكرد نوين براي توسعه دارو با هزينه كمتر سريعتر و با امنيت باالتر را ارائه مينمايد معموال اثرگذاري داروي مصرف شده براي درمان يك بيماري از طريق پروتئينهاي هدف0 آن درسلول اتفاق ميافتد از اينرو در مطالعات مربوط به داروها بررسي رابطه بين سه مفهوم دارو پروتئين هدف و بيماري در كنار هم ضروري است اغلب روشهاي محاسباتي موجود براي جايگزيني دارو روشهاي يادگيري ماشين مبتني بر شباهت بين داروها و شباهت بين اهداف دارويي ميباشند در اين روشها عالوه بر استفاده از دادههاي زيستي محدود به عنوان ورودي خروجيها نيز به شكل مناسب و قابل استفاده براي محققين علوم زيستي و پزشكي ارائه نشدهاند از سوي ديگر رويكرد كلي اغلب اين روشها حالت نظارتي دارد در حالي كه تاكنون براي تامين نمونههاي منفي در اين حوزه راهكار قابل قبولي ارائه نشده است عدم توجه به ساختارهاي محلي و سراسري ارتباطات بين مفاهيمي چون داروها اهداف دارويي و بيماريها در كنار هم و نبود مدل مناسب براي استفاده از ساختارهاي توپولوژيكي اين ارتباطات در كنار مفاهيم زيستي از ديگر علل ناكارآمدي روشهاي موجود براي جايگزيني دارو ميباشد رويكرد اصلي ما در اين پژوهش تحليل گرافها و شبكههاي پيچيده در بررسي داروها و اثرات درماني آنها ميباشد با توجه به ماهيت دادههاي موجود استفاده از روشهاي نيمهنظارتي در اولويت قرار ميگيرد بر اين مبنا در تحقيق انجام شده ما يك روش انتشار برچسب براي پيشبيني ارتباطات دارو هدف دارو بيماري و بيماري هدف ارائه نمودهايم با نام Heter LP كه در آن از تلفيق منابع اطالعاتي مختلفي در سطوح مختلف زيستي براي يافتن روابط جديد استفاده ميشود روابط پيشبيني شده در واقع برجستهترين روابط در بين ميليونها رابطه هستند كه براي بررسيهاي بيشتر به محققين مربوطه پيشنهاد داده ميشوند از مهمترين مزاياي Heter LP نسبت به روشهاي قبلي ميتوان به تلفيق موثر دادههاي ورودي عدم نياز به نمونههاي منفي و استفاده از ويژگيهاي محلي و سراسري شبكه در كنار هم اشاره كرد كه نتايج حاصل از تحليلهاي آماري انجام شده كارايي روش پيشنهادي را به اثبات ميرساند دو مرحله كلي در اين روش پيشنهادي ميتوان در نظر گرفت 0 ساخت يك شبكه نامتجانس4 اين مرحله در واقع مدلسازي دادهاي كار محسوب ميگردد و در آن جمعآوري و آمادهسازي دادهها و ساخت ماتريسهاي اوليه انجام ميشود 4 پيشبيني تعامالت بالقوه با كمك روشهاي محاسباتي در اين مرحله يك الگوريتم انتشار برچسب جديد در شبكههاي نامتجانس ارائه مينماييم كه خود شامل دو بخش ميباشد يك بخش نگاشت3 و ديگري يك بخش تكرار شونده براي تعيين برچسبهاي نهايي كل رئوس شبكه در نهايت براي ارزيابي كار به كمك 10 fold cross validation به محاسبه AUC و AUPR پرداخته و نتايج را با بهترين روشهاي موجود هم در زمينه انتشار برچسب در شبكههاي نامتجانس و هم در زمينه جايگزيني دارو مورد مقايسه قرار دادهايم كه مقدار AUC و AUPR مربوط به روش Heter LP به ترتيب برابر 25651 و 59751 بدست آمد در حالي كه ميانگين AUC و AUPR براي بهترين روشهاي موجود در اين حوزه به ترتيب 99851 و 37551 ميباشد عالوه بر اين به يك سري ارزيابيهاي تجربي توانايي شناسايي تعامالت براي عوامل جديد و بررسي تعامالت پيشبيني شده در مستندات پزشكي موجود پرداخته و تعدادي مورد مطالعاتي خاص را نيز مورد بررسي قرار دادهايم عمال در ارزيابيهاي تجربي انجام شده برتري از آن Heter LP شده است به طوري كه بسياري از موارد مهم تنها بوسيله Heter LP بدرستي پيشبيني شدهاند كلمات كليدي جايگزيني دارو شبكههاي پيچيده شبكههاي نامتجانس انتشار برچسب يادگيري نيمه نظارتي 1 Protein targets 2 Heterogeneous network 3 Projection
چكيده انگليسي :
166 Abstract Drug development is still a time consuming and costly process and the breadth of available data in this area makes it more complicated Using existing drugs for diseases which are not developed for their treating drug repositioning provides a new approach to developing drugs at a lower cost faster and more secure Usually the therapeutic effect of drugs occurs through their targets in the cell Therefore it is necessary to consider the relationship between the three concepts of drug target and disease together Although drug repositioning has attracted many researchers attentions recently and various computational methods have been proposed in this area their effectiveness is a significant challenge preventing them to be widely accepted Most of the computational methods available for drug repositioning are machine learning methods based on the similarity between drugs and similarity between drug targets In addition to limited usage of biological data as inputs the outputs of these methods are also not well suited to biological and medical sciences research On the other hand the general approach of most of existing drug repositioning methods is supervised learning that requires positive as well as negative training instances So far there has not been a satisfactory solution to provide negative instances in this area Lack of attention to the local and global structures of relations between concepts such as drugs drug targets and diseases together and the lack of a proper model for the use of topological structures of these relationships are other causes of the inefficiency of existing drug repositioning methods Our proposed method in this research focuses on resolving the shortcomings of the existing methods Moreover it can accurately predict simple and complex relationships between drugs drug targets and diseases Since biological networks typically present a suitable model for relationships between different biological concepts our primary approach is to analyze graphs and complex networks in the study of drugs and their therapeutic effects Given the nature of existing data the use of semi supervised learning methods is crucial So in our research we have developed a label propagation method to predict drug target drug disease and disease target interactions Heter LP which integrates various data sources at different levels The predicted interactions are the most prominent relationships among the millions of relationships suggested to the related researchers for further investigation The main advantages of Heter LP are the effective integration of input data eliminating the need for negative samples and the use of local and global features together The results of statistical analysis have proved the effectiveness of the proposed method The main steps of this research are as follows The first step is the construction of a heterogeneous network as a data modeling task in which data are collected and prepared The second step is predicting potential interactions We present a new label propagation algorithm for heterogeneous networks which consists of two parts one mapping and the other an iterative method for determining the final labels of the entire
استاد راهنما :
ناصر قديري مدرس، رسول موسوي
استاد مشاور :
ژاله ورشوساز، جيمز گرين
استاد داور :
زينب مالكي، الهام محمودزاده
