Küçük İlaç Moleküllerinin Derin Sinir Ağları Kullanılarak Sınıflandırılması

Korkmaz S.

Türkiye Klinikleri Biyoistatistik Dergisi, cilt.11, sa.2, ss.93-101, 2019 (TRDizin)

Özet

Amaç: İlaç keşfi çalışmalarının ilk aşamasında çok sayıdaki ilaç molekülü arasından aktif moleküllerin tespit edilmesi için sanal tarama çalışmaları yürütülür. İlaç moleküllerini içeren veri setlerinin sayısı, PubChem ve ChEMBL gibi veritabanları sayesinde, her yıl katlanarak artmaktadır. Bu nedenle, otomatize edilmiş süreçlerle bu verilerin analiz edilerek yararlı bilgilerin elde edilmesine ihtiyaç duyulmaktadır. Bu amaçla, makine öğrenmesi algoritmaları hem daha hızlı hem de daha ucuz oldukları için ilaç bileşiklerinin aktivitilerinin kestiriminde sıklıkla kullanılırlar. Derin sinir ağları, yüksek boyutlu büyük verierle baş edebilen ve çeşitli avantajlara sahip güçlü bir makine öğrenmesi yöntemi olarak ortaya çıkmıştır. Gereç ve Yöntemler: Bu çalışmada, öğrenme hızı, küme büyüklüğü ve azınlık sınıf ağırlığının ağın performansı üzerindeki etkilerini ortaya koymak için farklı sinir ağ modelleri uygulandı. Bulgular: Küçük öğrenme hızı ve büyük küme büyüklüğü, derin sinir ağının performansını artıran en önemli faktörler olarak bulundu. En iyi performans gösteren model %89 doğruluk oranı ve 0,78 eğri altında kalan alan değeri vermiştir. Sonuç: Bu çalışmanın bulguları, ücretsiz veri tabanlarından elde edilen küçük ilaç bileşiklerinin sanal taramasında derin sinir ağlarının kullanımının umut verici olduğunu göstermektedir.
Objective: Early phase of drug discovery studies include a virtual screening phaseof detecting active molecules among a large number of small drug molecules. The number ofpublicly available datasets for drug molecules are growing exponentially every year thanks to thedatabases, such as PubChem and ChEMBL. Therefore, there is a strong need for analyzing andretrieving useful information from these datasets using automated processes. For this purpose,machine learning algorithms are often used for activity prediction of small drug compounds, since they are faster and comparatively cheaper. Deep neural networks has emerged as a powerfulmachine learning method with great advantages to deal with high-dimensional big datasets. Material and Methods: In this study, we applied different settings of deep neural networks modelsto reveal the effects of learning rate, batch size and minority class weight on performance of thenetwork. Results: Small learning rate and large batch size are found to be the most importantfactors that improve performance of the deep neural network. The best performed model yielded89% accuracy and 0.78 area under the curve value. Conclusion: Findings of this study is promising for use of deep neural networks in virtual screening of small drug compounds from publiclyavailable databases.