عنوان پایان‌نامه
ارائه روش نوین برای پیش گویی برهم کنش دارو - هدف با رویکرد کاربرد مجدد
- رشته تحصیلی
- مهندسی کامپیوتر- آلگوریتم ها و محاسبات
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 74..;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 68054
- تاریخ دفاع
- ۰۸ بهمن ۱۳۹۳
- دانشجو
- اکرم احمدی
- استاد راهنما
- علی معینی, کاوه کاوسی
- چکیده
- طراحی و ساخت یک داروی جدید فرایندی پرهزینه و زمان‌بر می‌باشد که اغلب بین 10-17 سال زمان، به همراه هزینه معادل 1 بیلیون دلار، نیاز دارد. درنتیجه در سال‌های اخیر یک استراتژی نوین برای توسعه دارو به نام "کاربرد مجدد دارو بکار گرفته شده است. این استراتژی شامل پیدا کردن کاربرد جدید برای داروهای موجود و همچنین توسعه فورمولاسیون‌های مختلف برای همان دارو و یا ایجاد ترکیبات جدید از حداقل دو دارو که قبلا به عنوان محصولات دارویی جداگانه استفاده می‌شدند، می‌باشد. ازمزایای مهم این استراتژی می‌توان به کاهش هزینه، زمان مصرفی و ریسک در طراحی و ساخت دارو، اشاره کرد . هدف اصلی در این پایان‌نامه ارائه یک روش جدید برای استراتژی کاربرد مجدد دارو می‌باشد. برای انجام این کار باتوجه به سیستم‌های توصیه‌گری که تابه‌حال پیشنهاد شده‌اند، یک سیستم توصیه‌گر جدید را طراحی می‌کنیم که از روش مبتنی بر گراف و همچنین الگوریتم مرکزیت برمبنای بردار ویژه ، استفاده می‌کند. این متد بر اساس الگوریتم ارائه شده توسط آلفردو و همکارانش (برمبنای گراف دوبخشی) به نامDT-Hybrid ، می‌باشد. الگوریتم پیشنهادی برروی مجموعه داده‌هایی که شامل تعاملات تایید شده تجربی بین دارو و ژن‌ها می‌باشد، آزمایش شده است. این مجموعه داده از طریق گروه‌بندی تعاملات ممکن بین ژن‌ها و داروها بر اساس انواع ژن‌های اصلی: آنزیم‌ها ، کانال‌های یونی ، گیرنده‌های جفت شده G- پروتئین و گیرنده‌های هسته‌ای ، بدست می‌آیند. پس از انجام محاسبات برروی مجموعه داده‌ها، نتایج بدست آمده، نشان‌دهنده ارائه یک پیشنهاد قابل اطمینان‌تر نسبت به الگوریتم DT-Hybridمی‌باشد.
- Abstract
- Design and synthesis of a drug is an expensive and time-taking process which mostly takes between 10 to 17 years with heavy expenses equal to 1 billion dollars. Thus, in recent years, in order to develop the process a new strategy naming “repositioning” has occurred and been employed. This strategy encompasses seeking a new application for the existing drugs and also developing various formulations for them or creating new ingredients from at least 2 previous drugs of consumable drug-related products. The significant privileges of this strategy are the diminished expenses, reduced time-consumption and the lower risk in design and synthesis of the drug. The main aim of this thesis is to provide a new method for the strategy of re-application of a drug. To accomplish this, with regard to the recommendation systems which have been offered before, we introduce a new recommendation system which yields machine learning and also centrality from eigenvector methods as well. The recommended method is based on the provided algorithm by (Alfredo 2013) naming “DT-Hybrid” which established on bipartite graph. The presented algorithm is based on the data which include traditional-confirmed interactions among the drug and gene that have been tested. The data can be achieved through classification of the interactions between drugs and genes based on various main genes like enzymes, ion channels, G protein coupled receptor and nuclear receptor
