Karşılaştırmalı öğrenme ve saklı vektör optimizasyonundan yararlanarak hedef bazlı ilaç keşfi

Proteinleri hedef alan yeni bileşiklerin geliştirilmesi ilaç keşfi sürecinde önemli bir adımdır. Birçok çalışma, yalnızca protein dizilerine dayalı olarak hedefe özgü moleküller üretmeye odaklanmıştır. Ancak bu modeller yalnızca etkileştiği bilinen protein-ligand çiftlerini dikkate alır. Bunu yaparak etkileşmediği bilinen moleküllerden gelecek bilgiyi göz ardı eder. Bu tezde, hedefe yönelik ilaç üretimi için hem etkileştiği bilinen hem de etkileşmeyen protein-ligand çiftlerini kullanan ve karşılaştırmalı öğrenme temelli ConGen modelini sunuyoruz. ConGen'in iki aşaması vardır: karşılaştırmalı öğrenme ve saklı vektör optimizasyonu. Karşılaştırmalı öğrenme aşamasında ConGen, etkileştiği bilinen molekülleri hedef proteinlerinin yakınında ve etkileşime girmeyen molekülleri daha uzakta kümeleyerek, protein ve molekül temsillerini ortak bir uzayda göstermeyi öğrenir. Saklı vektör optimizasyonu aşamasında ConGen bu uzayı hedef proteinin temsiline yakın temsilleri bulmak için kullanır. Bu yaklaşım, moleküllerin ve proteinlerin paylaştığı uzayı verimli bir şekilde kullanarak, belirli bir hedef için tasarlanmış moleküllerin üretilmesini sağlar. En iyi öğrenme hedefini belirlemek için farklı karşılaştırmalı öğrenme fonksiyonları karşılaştırılmıştır. En iyi performans gösteren öğrenme fonksiyonları modeli diğer çalışmalarla karşılaştırmak için kullanılmıştır. ConGen'in karşılaştırmalı öğrenme ve gizli optimizasyon aşamalarının etkinliği, bu iki bileşenin kontrollü olarak çıkarıldığı deneyler ile gösterilmiştir. Dahası ConGen'in mimarisi ilaç-hedef etkileşimi tahmini için kullanılmış ve sonuçlar bir miktar iyileştirilmiştir. Son olarak hedefe dayalı ilaç üretim modellerinin çevrimiçi bir kullanılabilecek bir web servisi geliştirilmiştir.