ترکیب داروهای موجود و ایجاد داروهای جدید به کمک الگوریتم‌های یادگیری ماشین
کد مقاله : 1243-CFIS (R1)
نویسندگان:
میر محسن پدرام *1، الهه طاهری نژاد2، نیلوفر حق جو3
1دانشگاه خوارزمی
2گروه برق و کامپیوتر، دانشکده فنی مهندسی، دانشگاه خوارزمی تهران، تهران، ایران
3آزمایشگاه سیستم بیولوژی و بیوانفورماتیک، مؤسسه تحقیقاتی بیوشیمی و بیوفیزیک، دانشگاه تهران، تهران، ایران
چکیده مقاله:
شباهت فنوتیپ و ژنوتیپ میان بیماریها، منجر به درمانهای مشابه برای آنها میشود. تحقیقات اخیر در این زمینه به سمت ترکیب دارو و جایگزینی(reposition) دارو میل کرده است. مقصود از ترکیب دارو آن است که بتوان با توجه به شباهت میان داروها، دو یا چند دارو را برای تولید داروی جدید ترکیب نمود. ترکیب دارو دارای مزایای بسیاری است، از جمله می‌توان به مقرون ‌به ‌صرفه بودن از نظر هزینه و کاهش درخور توجه زمان اشاره کرد. البته مهمترین مزیت ترکیب دارو کاهش ریسک‌های احتمالی است که می‌توانند بعد از تولید دارو و در زمان مصرف آن به وجود آیند. هدف از انجام پژوهش حاضر یافتن جفت داروهای مشابه مبتنی بر پروتئین‌های هدف، برای ترکیب، با استفاده از ابزارهای یادگیری ماشین است. در این پژوهش برای کلاس‌بندی داده‌های مساله از روش‌های MLP،RBFN ، LOLIMOT، SVM و یادگیری گروهی استفاده شده و نتایج آنها باهم مقایسه شده‌اند. مجموعه داده اولیه شامل 956 دارو و 1560 پروتئین است. برای استخراج ویژگی‌های مربوط به هر جفت دارو، از ضریب همبستگی پیرسون میان داروها استفاده می‌شود. مجموعه داده جدید شامل 490 جفت دارو و 1395 ویژگی است که برای کلاس‌بندی موردنیاز است. نتایج به دست آمده از این پژوهش دقت پیشبینی جفت داروهای مشابه را نسبت به سایر رویکردهای مشابه، به طور چشم‌گیری افزایش می‌دهد. مدل پیشنهادی در این بررسی می‌تواند برای پیش‌بینی ترکیب مؤثر بیش از دو دارو (سه یا چند دارو) نیز مورد آزمایش قرار گیرد.
کلیدواژه ها:
یادگیری ماشین، ترکیب دارو، شبکه MLP، شبکه RBF، LOLIMOT
وضعیت : مقاله برای ارائه شفاهی پذیرفته شده است