20503

۲۰۵۰۳

كشف روابط پنهان بين اثرات جانبي داروها با استفاده از الگوريتم هاي گراف كاوي

كارشناسي ارشد

نرم افزار

۱۳۹۸

۱۳۹۷/۹/۱۷

دكتر حسين رحماني

كامپيوتر

چكيده امروزه با پيشرفتهايي كه در حوزهي زيستي صورت گرفتهاست، امكان مدلسازي دادههاي زيستي فراهم شده است. همين امر منجر به پيدايش انواع شبكههاي زيستي مانند شبكه تعاملي پروتئين-پروتئين، شبكه تعاملي دارو-پروتئين، شبكه تعاملي دارو-دارو و ... شده است. هدف اصلي اين پژوهش بررسي شبكههاي زيستي و ارائه روشي براي استخراج روابط پنهان بين اثرات جانبي داروها است. در اين پژوهش، به دليل اينكه بانك اطالعاتياي از اثرات جانبي داروها وجود ندارد، ما براي ارزيابي نتايج و روش پيشنهادي خود با چالش روبرو هستيم. به همين دليل ما در قدم اول روشهاي سنتي پيشبيني لبه را به عنوان روشهاي پايه براي پيشبيني روابط بين اثراتجانبي پيادهسازي ميكنيم. در قدم دوم با استفاده از خوشهبندي كردن شبكه تعاملي دارو دارو به روش mcl ،و محاسبه شباهت بين اثرات جانبي داروها، كه با خوشههاي دارويي توصيف شدهاند، با استفاده از روش كسينوس، ميزان شباهت بين اثراتجانبي را محاسبه ميكنيم. در قدم سوم، نتايج روش پيشنهادي خود را با روشهاي پايه مقايسه كرده و نشان خواهيم داد كه روش پيشنهادي ما قادر به پيشبيني روابطي است كه روشهاي پايه قادر به پيشبيني آنها نيستند. ما نشان ميدهيم كه در روشهاي محاسباتي، در نظرگرفتن خوشههايي از داروها، كه اين خوشهها بر اساس روابط بين داروها ساخته ميشوند، به عنوان ويژگي براي توصيف اثرات جانبي، عملكرد بهتري را نسبت به در نظر گرفتن خود داروها به عنوان ويژگي براي اثرات جانبي دارد. در نهايت، براي ارزيابي نتايج روش خود در دامنه زيستشناسي، ما باالترين امتيازاتي را كه روابط بين اثرات جانبي به خود اختصاق دادهاند، در مقاالت سايت پابمد جستجو ميكنيم. از اين جستجو در ميابيم كه روش پيشنهادي ما، عالوه بر پيشبيني روابط بديهي اثراتجانبي مانند ارتباط بين سردرد و حالت تهوع، روابطي را كه اخيرا دانشمندان اين حوزه به آنها دست يافتهاند نيز به درستي پيشبيني كرده است. از اين روابط ميتوان به رابطهي )Hyperphagia , Parasomnia( ،)Xeroderma ,Telangiectasia )و )Hypercapnia, Breathholding )اشاره كرد و همچنين موفق به كشف روابطي شدهاست كه كماكان شاهد آنها در مقاالت معتبر نيستيم، كه ميتوان اين روابط را براي بررسي در اختيار دانشمندان اين lymphadenitis( و( lymphadenitis, hyperphagia( ،)Abasia, Neck tightness( روابط. داد قرار حوزه ,compulsions )از دسته روابطي هستند كه در مقاالت بررسي شده مشاهده نشده است. كلمات كليدي: گرافكاوي، خوشهبندي گراف، خوشهبندي، پيشبيني لبه، بيوانفورماتيك، اثرات جانبي داروها

1398/02/14

Discovering Hidden Relationships Among Drug Side Effects Using Graph Mining Algorithms

12/8/2019 12:00:00 AM

Abstract: Today, with the advances made in the field of biology, it is possible to model biological data. The same has led to the emergence of a variety of biological networks such as protein-protein interaction network, drug-protein-target network, drug-drug interaction network, and so on. Because of the large volume of data and the complexity of them and their complex structure, it is not possible to manually analyze these networks. For this reason, the use of graph mining solutions to analyze this type of data has been considered. The main objective of this study is to investigate the various biological networks in order to extract the hidden relationship among drug side effects. In this study, since there are no database as the side effectside effect-interaction, we have challenge for evaluating our proposed method in computer science domain. Thus, first, we implement traditional link prediction techniques like simrank, jaccard and so on, to predict relationships among side effect as baseline algorithms. Second, we combine link prediction techniques and clustering method as the proposed method to discover hidden relationships among drug side effects. Third, we compare proposed method and link prediction methods as a baseline and indicate, the proposed method predict some relationships that traditional link prediction methods cannot predict them. We show cluster level analysis that consider relationships among drugs as feature of drug side effects is better than node level link prediction that consider only drugs as feature of drug side effects, in extracting relationships among side effects. Finally, for validating results in biological domain, we search top score extracted relationships in biological articles from PubMed. Keywords: Graph mining, Clustering, Link prediction, Bioinformatics, Drug side effects, Adverse drug reaction