Makine öğrenme yaklaşımlarının biyoinformatikte ilaç geliştirme probleminde kullanılması

İlaç araştırma ve geliştirme sürecinin odak noktasında insan vardır. Hastanın, hastalığını yenmesine yardım etmek ve yaşam kalitesini iyileştirmek amaçlanır. İlaç geliştirme sürecinde yenilikçi ilaçların etkin, güvenilir ve mümkün olan en kısa sürede hastaların kullanımına sunulacak tedaviler olması amaçlanır. Ancak bir ilacın keşfedilerek tıbbın hizmetine sunulması zaman alıcı ve yüksek maliyet gerektirir. Son yıllarda ise bilişim teknolojilerinin gelişmesi ve biyoinformatik tabanlı uygulamalar sayesinde bu sürecin daha az maliyetle ve hızlı bir şekilde klinik aşamaya geçilmesinde gelişme sağlanmıştır. Bu tez çalışmada Tip-2 diyabet tedavisi için, DPP-4 inhibitörleri kullanılarak ve makine öğrenme yaklaşımları yardımıyla ilaç adayı olabilecek moleküllerin tespit edilebilmesi amaçlanmıştır. ChEMBL veri tabanından elde edilen veriler 10 adet makine öğrenimi algoritmalarıyla ve yapay sinir ağı modeliyle analiz edilmiştir. Modellerin performanslarının karşılaştırılmasında Hata Kareler Ortalaması Karekök (HKOK) ölçütleri ile değerlendirilmiştir. Uygulama sonucunda, en iyi öngörüleri üreten makine öğrenme yaklaşımlarının Rastgele Orman ve tek tabakalı ileri beslemeli sinir ağı olduğu görülmüştür. Bu iki yöntemin birbirlerine yakın öngörü sonuçları verdiği gözlemlenmiştir. Modellerin performanslarının değerlendirilmesinde, literatürde en yaygın ölçüt olan kök ortalama kare hatası değerine göre, Rastgele Orman modeli daha yüksek performans gösterdiği için optimum model olarak seçilmiştir. Yapılan bu çalışma sonuçlarına göre, Tip-2 diyabet tedavisi için ilaç adayı olabilecek moleküllerin tespit edilmesinde Rastgele Orman yaklaşımı kullanmanın iyi sonuçlar ürettiği görülmüştür.