Akademik Veri Yönetim Sistemi
3rd INTERNATIONAL CONGRESS of ELECTRICAL and COMPUTER ENGINEERING, Balıkesir, Türkiye, 27 - 30 Kasım 2024, ss.1-15
Bilinen hastalıklar için ilaç keşif süreci, kapsamlı klinik çalışmalar, düzenleyici onaylar ve yüksek maliyetler göz önüne alındığında biyoinformatik açısından çok önemlidir. Hesaplamalı in-silico yöntemleri, umut vaat eden ilaç adaylarının belirlenmesine yardımcı olarak ilaç keşfi ile ilgili süreyi ve maliyeti azalttığı için bu zorlukları hafifletmek için gereklidir. Bu alanda etkili bir strateji, bir hastalık için halihazırda onaylanmış mevcut ilaçların başka bir hastalığın tedavisi için yeniden tasarlandığı ilaç yeniden konumlandırmadır. Bu yaklaşım, insan metabolizması üzerindeki toksik etkilerden kaçınarak mevcut ilaçların yerleşik güvenlik profillerinden yararlandığı için avantajlıdır. Bu çalışmada, ilaçların yeniden konumlandırılması çabalarını ilerletmek için translasyonel varlık gömme tabanlı bir sinir ağı modeli kullandık. Model eğitimi için biyomedikal varlık ilişkilerinin birincil kaynağı olarak Semantik Medline Veritabanını (SemMedDB) kullanıyoruz. Model, ilaçların yeniden konumlandırılması için altın standart bir veri kümesi olan repoDB kullanılarak doğrulanmıştır. Teknik olarak model, ilgili varlıklar arasındaki vektör mesafesini en aza indirmeyi öğrenecektir. Bu mesafe, ilaç keşif sürecini hızlandırmak için yeni bir hesaplama yöntemi sunarak, ilaç yeniden konumlandırmada potansiyel ilaç-hastalık çiftlerini tahmin etmek için temel oluşturacaktır.
The drug discovery process for known diseases is crucial in bioinformatics, given the extensive clinical trials, regulatory approvals, and high costs. Computational in-silico methods are essential to mitigate these challenges, as they help identify promising drug candidates, thereby reducing the time and cost associated with drug discovery. An effective strategy in this domain is drug repositioning, where existing drugs, already approved for one disease, are repurposed for treating another. This approach is advantageous as it leverages the established safety profiles of existing drugs, avoiding toxic effects on human metabolism. In this effort, we employed a translational entity embedding-based neural network model to advance drug repositioning efforts. We utilize the Semantic Medline Database (SemMedDB) as the primary source of biomedical entity relationships for model training. The model is validated using repoDB, a gold-standard dataset for drug repositioning. Technically, the model will learn to minimize the vector distance between related entities. This distance will serve as the basis for predicting potential drug-disease pairs in drug repositioning, offering a novel computational method to expedite the drug discovery process.