End-to-End Deep Learning Approach for Drug-Target Interaction Prediction

Detalhes bibliográficos
Autor(a) principal: Monteiro, Nelson Rodrigo Carvalho
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/87296
Resumo: Trabalho de Projeto do Mestrado Integrado em Engenharia Biomédica apresentado à Faculdade de Ciências e Tecnologia
id RCAP_e8592d53e41737d3457cb6b30efdc689
oai_identifier_str oai:estudogeral.uc.pt:10316/87296
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling End-to-End Deep Learning Approach for Drug-Target Interaction PredictionAbordagem de aprendizagem profunda de ponta a ponta para previsão de interação fármaco-alvoReposicionamento de FármacosInteração Fármaco-AlvoAprendizagem ProfundaRede Neuronal ConvolucionalRede Neuronal Completamente ConectadaDrug RepositioningDrug-Target InteractionDeep LearningConvolutional Neural NetworkFully Connected Neural NetworkTrabalho de Projeto do Mestrado Integrado em Engenharia Biomédica apresentado à Faculdade de Ciências e TecnologiaA descoberta de potenciais Interações Fármaco-Alvo é uma etapa determinante no processo de descoberta e reposicionamento de fármacos, uma vez que a eficácia do tratamento antibiótico disponível está a diminuir, provocado pelo aumento da sua utilização indevida. Apesar dos esforços colocados nos métodos tradicionais in vivo ou in vitro, o investimento financeiro farmacêutico foi reduzido ao longo dos anos. Desta forma, estabelecer métodos computacionais eficazes, é decisivo para encontrar novos propósitos clínicos para os fármacos disponíveis (leads) num tempo considerável.Abordagens bem sucedidas, incluindo aprendizagem de máquina e profunda, foram apresentadas para resolver e identificar corretamente novos leads e DTIs, contudo, raramente são utilizados, em conjunto, dados estruturais e sequências de proteínas. Neste trabalho, propomos um modelo de arquitetura de aprendizagem profunda, que explora a habilidade particular das Redes Neuronais Convolucionais para automaticamente presumir e identificar regiões sequenciais e estruturais, e extrair representações 1D das sequências de proteínas (sequências de aminoácidos) e das SMILES strings dos compostos. Estas representações podem ser interpretadas como caraterísticas que expressam dependências locais ou padrões e, que por sua vez, podem ser usadas numa Rede Neural Completamente Conectada, funcionando como um classificador binário.Os resultados alcançados demonstram que usar CNNs para obter representações dos dados, em vez dos descritores tradicionais, levam a um aumento do desempenho. O método proposto de aprendizagem profunda de ponta a ponta superou os métodos tradicionais de aprendizagem de máquina na classificação correta de interações positivas e negativas, alcançando elevados valores de sensibilidade (0.861) e especificidade (0.961).The discovery of potential Drug-Target Interactions is a determining step in the drug discovery and repositioning process, as the effectiveness of the currently available antibiotic treatment, arisen from the increased misuse, is declining. Although putting efforts on the traditional in vivo or in vitro methods, pharmaceutical financial investment has been reduced over the years. Thus, establishing effective computational methods is decisive to find new clinical purposes for the available drugs (leads) in a reasonable amount of time.Successful approaches, including machine and deep learning, have been presented to solve and correctly identify new leads and DTIs, but seldom protein sequences and structured data are used together. In this work, we propose a deep learning architecture model, which exploits the particular ability of Convolutional Neural Networks to automatically surmise and identify important sequential and structural regions and extract 1D representations from protein sequences (amino acid sequences) and compounds SMILES strings. These representations can be interpreted as features that express local dependencies or patterns that can be used in a Fully Connected Neural Network, acting as a binary classifier.The achieved results demonstrate that using CNNs to obtain representations of the data, instead of the traditional descriptors, lead to improved performance. The proposed end-to-end deep learning method outperformed traditional machine learning approaches in the correct classification of both positive and negative interactions, reaching high scores of sensitivity (0.861) and specificity (0.961).Outro - Projeto financiado pela Fundação para a Ciência e Tecnologia: D4 - Deep Drug Discovery and Deployment (CENTRO-01-0145-FEDER-029266)2019-07-15info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/87296http://hdl.handle.net/10316/87296TID:202266575engMonteiro, Nelson Rodrigo Carvalhoinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2019-07-25T22:51:49Zoai:estudogeral.uc.pt:10316/87296Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:08:14.901911Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv End-to-End Deep Learning Approach for Drug-Target Interaction Prediction
Abordagem de aprendizagem profunda de ponta a ponta para previsão de interação fármaco-alvo
title End-to-End Deep Learning Approach for Drug-Target Interaction Prediction
spellingShingle End-to-End Deep Learning Approach for Drug-Target Interaction Prediction
Monteiro, Nelson Rodrigo Carvalho
Reposicionamento de Fármacos
Interação Fármaco-Alvo
Aprendizagem Profunda
Rede Neuronal Convolucional
Rede Neuronal Completamente Conectada
Drug Repositioning
Drug-Target Interaction
Deep Learning
Convolutional Neural Network
Fully Connected Neural Network
title_short End-to-End Deep Learning Approach for Drug-Target Interaction Prediction
title_full End-to-End Deep Learning Approach for Drug-Target Interaction Prediction
title_fullStr End-to-End Deep Learning Approach for Drug-Target Interaction Prediction
title_full_unstemmed End-to-End Deep Learning Approach for Drug-Target Interaction Prediction
title_sort End-to-End Deep Learning Approach for Drug-Target Interaction Prediction
author Monteiro, Nelson Rodrigo Carvalho
author_facet Monteiro, Nelson Rodrigo Carvalho
author_role author
dc.contributor.author.fl_str_mv Monteiro, Nelson Rodrigo Carvalho
dc.subject.por.fl_str_mv Reposicionamento de Fármacos
Interação Fármaco-Alvo
Aprendizagem Profunda
Rede Neuronal Convolucional
Rede Neuronal Completamente Conectada
Drug Repositioning
Drug-Target Interaction
Deep Learning
Convolutional Neural Network
Fully Connected Neural Network
topic Reposicionamento de Fármacos
Interação Fármaco-Alvo
Aprendizagem Profunda
Rede Neuronal Convolucional
Rede Neuronal Completamente Conectada
Drug Repositioning
Drug-Target Interaction
Deep Learning
Convolutional Neural Network
Fully Connected Neural Network
description Trabalho de Projeto do Mestrado Integrado em Engenharia Biomédica apresentado à Faculdade de Ciências e Tecnologia
publishDate 2019
dc.date.none.fl_str_mv 2019-07-15
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/87296
http://hdl.handle.net/10316/87296
TID:202266575
url http://hdl.handle.net/10316/87296
identifier_str_mv TID:202266575
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799133974310682624

Registros relacionados