Literatürden Türetilmiş Biyomedikal Bilgi Kullanarak Hesaplamalı İlaç Yeniden Konumlandırma için Siyam Sinir Ağı Tabanlı Bir Çerçeve

Alqershi A., Bakal M. G.

Journal of Computational Science, cilt.101, ss.103029, 2026 (SCI-Expanded, Scopus)

  • Yayın Türü: Makale / Tam Makale
  • Cilt numarası: 101
  • Basım Tarihi: 2026
  • Doi Numarası: 10.1016/j.jocs.2026.103029
  • Dergi Adı: Journal of Computational Science
  • Derginin Tarandığı İndeksler: Scopus, Science Citation Index Expanded (SCI-EXPANDED), Compendex, INSPEC
  • Sayfa Sayıları: ss.103029
  • Abdullah Gül Üniversitesi Adresli: Evet

Özet

Geleneksel ilaç geliştirme süreci maliyetli ve zaman alıcı olmaya devam etmekte ve yüksek başarısızlık oranlarıyla karakterize edilmektedir; bu durum, mevcut bileşikler için yeni terapötik endikasyonlar belirlemeye yönelik bir strateji olarak ilaç yeniden konumlandırmaya olan ilgiyi artırmaktadır. Hesaplamalı yeniden konumlandırmadaki temel zorluklardan biri, geniş ve yapılandırılmamış biyomedikal literatürde gömülü ilaç–hastalık ilişkilerinin çıkarılması ve kullanılmasıdır. Bu çalışmada, heterojen Siyam Sinir Ağlarına (SSA) dayanan, veri güdümlü bir hesaplamalı ilaç yeniden konumlandırma çerçevesi sunulmaktadır. Önerilen çerçeve, SemMedDB'den elde edilen literatür kaynaklı ilişkisel üçlüleri FastText tabanlı kelime gömmeleriyle bütünleştirerek biyomedikal varlıklar arasında ikili benzerlik fonksiyonları öğrenmektedir. Hiperparametre optimizasyonu ve kontrollü doğrulama sonucunda model, dengeli kesinlik, duyarlılık ve F1 skorlarıyla birlikte %87,66 doğrulama doğruluğu ve %83 test doğruluğu elde etmiştir. Bu sonuçlar, öğrenilen benzerlik uzayının terapötik yeniden amaçlandırmayla ilgili anlamsal ilişkileri etkili biçimde yakaladığını göstermektedir. Çerçeve, aday ilaç–hastalık çiftlerinin önceliklendirilmesi için ölçeklenebilir bir yaklaşım sunarak erken aşama farmasötik araştırmaları ve karar verme süreçlerini desteklemektedir. Temsil öğrenmeyi küratörlü biyomedikal kaynaklarla birleştiren bu çalışma, makine öğrenmesi ile farmasötik sistem mühendisliğinin kesişiminde yeniden üretilebilir bir iş akışı sunmakta ve potansiyel terapötik alternatiflerin bilinçli biçimde keşfedilmesine olanak sağlamaktadır.

Traditional drug development remains costly, time-consuming, and characterized by high attrition rates, motivating increased interest in drug repositioning as a strategy to identify new therapeutic indications for existing compounds. A central challenge in computational repositioning is the extraction and utilization of drug–disease associations embedded within large, unstructured biomedical literature. In this work, we present a data-driven computational framework for drug repositioning based on heterogeneous Siamese Neural Networks (SNNs). The proposed framework integrates literature-derived relational triples from SemMedDB with FastText-based word embeddings to learn pairwise similarity functions between biomedical entities. Through hyperparameter optimization and controlled validation, the model achieved a validation accuracy of 87.66% and a test accuracy of 83%, with balanced precision, recall, and F1 scores. These results indicate that the learned similarity space effectively captures semantic relationships relevant to therapeutic repurposing. The framework provides a scalable approach for prioritizing candidate drug–disease pairs, supporting early-stage pharmaceutical research and decision-making. By coupling representation learning with curated biomedical sources, this study contributes a reproducible pipeline at the intersection of machine learning and pharmaceutical systems engineering, enabling informed exploration of potential therapeutic alternatives.