27328

پيش‌بيني اثرات جانبي داروها با استفاده از روش‌هاي مبتني بر شبكه‌هاي عصبي

كارشناسي ارشد

مهندسي كامپيوتر- نرم‌افزار

1401/06/20

حسين رحماني

دانشكده مهندسي كامپيوتر

دارو‌ها به هدف درمان بيماري ساخته ‌مي‌شوند، با اين حال بيشتر آن‌ها هنگام درمان بيماري ممكن است اثرات منفي تحت عنوان عوارض جانبي داشته‌ باشند. تشخيص اثرات جانبي دارو‌ها همواره فرآيندي زمان‌بر و پر‌هزينه‌ بوده‌است. رويكرد‌هاي متعارف براي پيش‌بيني اثرات جانبي در طي فرايند توليد دارو سنجش‌هاي آزمايشگاهي و حيواني است. با اين حال امكان تشخيص تمام عوارض جانبي در محيط آزمايشگاهي وجود ندارد و اين اثرات جانبي كشف نشده مي‌توانند ضرر‌هاي بسياري براي بيمار و همچنين شركت توليد‌كننده‌ي دارو داشته‌باشند. با توجه به نكات گفته‌شده كارامد‌تر است كه در آغاز فرآيند‌ توليد دارو، با بيشترين دقت ممكن اثرات جانبي آن محاسبه و سنجيده شود. در نتيجه مطالعه در رابطه با اثرات جانبي دارو‌ها و پيش‌بيني آن‌ها از اهميت بالايي برخور‌دار است. در سال‌هاي اخير، روش‌هاي محاسباتي بسياري براي پيش‌بيني عوارض جانبي دارو ايجاد شده‌است. اين روش‌ها مي‌توانند دامنه اثرات جانبي دارو را كاهش دهند. روش‌هاي محاسباتي موجود براي پيش‌بيني عوارض جانبي دارو‌ها، فرض مي‌كنند كه دارو‌هاي مشابه از نظر خصوصيات شيميايي و بيولوژيكي مانند ساختار‌ها و اهداف آن‌ها داراي خواص قابل مقايسه‌‌اند. به اين منظور به استخراج طيف متنوعي از ويژگي‌ها از جمله اثر انگشت دارويي، پروتئين هدف دارو، داده‌هاي متني مقالات پزشكي و ويژگي‌هاي تعاملات شبكه‌هاي بيولوژيكي داروها پرداختيم. در اين پايان‌نامه ما به مسئله پيش‌بيني اثرات جانبي از دو منظر مختلف نگاه كرديم. در روش اول مسئله به صورت يك مسئله رده‌بند چند-برچسبي تعريف شد و يك روش مبتني بر رده‌بند‌هاي تركيبي ارائه داديم. همچنين به منظور بهبود نتايج از خودرمزگذارها براي كاهش بعد ويژگي‌هاي دارويي استفاده كرديم. در روش دوم مسئله به عنوان پيش‌بيني برچسب در گراف عنوان شد و روشي مبتني بر شبكه‌هاي عصبي گرافي ارائه داديم. به اين منظور گراف شباهت دارو-دارو را ساخته و در رابطه با معيارهاي شباهت دارويي بحث كرديم. با توجه به معيار AUC روش اول و دوم ما در مقايسه با روش‌هاي پيشين به ترتيب 2 و 5 درصد بهبود داشته‌اند.

1401/08/02

Prediction of side effects using neural network methods

9/11/2023 12:00:00 AM

Drugs are made with the aim of treating the diseases, however, most of them may also show negative effects known as side effects. Diagnosing the side effects of drugs has always been a time-consuming and costly process. Conventional approaches to predict side effects during the drug production process are laboratory and animal tests. However, it is not possible to detect all side effects in the laboratory, and these undiscovered side effects can cause great harm to the patients as well as the pharmaceutical companies. According to the points mentioned, it is more efficient to calculate and measure the side effects as accurately as possible at the beginning of the drug production process. Therefore, the study regarding the side effects of drugs and predicting them beforehand is of great importance. In recent years, many computational methods have been developed to predict drug side effects. Existing computational methods for predicting side effects of drugs assume that similar drugs have comparable features in terms of chemical and biological features such as their structures and targets. For this purpose, we extracted a variety of features including drug fingerprints, drug target protein, textual data of medical articles and features of drug biological network interactions. In this thesis, we looked at the matter of predicting side effects from two different perspectives. In the first method, the problem was defined as a multi-label classification problem and we presented a method based on ensemble classifications. Also, in order to improve the results, we used autoencoders to reduce the dimension of drug properties. In the second method, the problem was defined as label prediction in the graph and we presented a method based on graph neural networks. For this purpose, we made a drug-drug similarity graph and discussed the criteria of drug similarity. According to the AUC criterion, our first and second methods have improved by 2% and 5%, respectively, compared to the previous methods.

يادگيري عميق , شبكه‌هاي عصبي عميق , شبكه‌هاي عصبي گرافي , يادگيري ماشين , عوارض جانبي , پيش‌بيني اثرات جانبي

Deep learning , Deep neural networks , Graph neural networks , Machine learning , ADR , Side effect prediction

Maryam Sabahi

Hossein Rahmani