000			05258nam a2200505 i 4500
001			200438776
999			_c200438776 _d56988
003			TR-AnTOB
005			20250701133703.0
007			ta
008			171111s2018 xxu e mmmm 00| 0 eng d
035			_a(TR-AnTOB)200438776
040			_aTR-AnTOB _beng _erda _cTR-AnTOB
041	0		_atur
099			_aTEZ TOBB FBE BİL YL’20 EKŞ
100	1		_aEkşioğlu, Işıksu _eauthor _9128579
245	1	0	_aToplu öğrenme ile ilaç kombinasyonlarının sinerji skor tahmini / _cIşıksu Ekşioğlu ; thesis advisor Mehmet Tan.
246	1	1	_aPrediction of drug combinations' synergy score by ensemble learning
264		1	_aAnkara : _bTOBB ETÜ Fen Bilimleri Enstitüsü, _c2020.
300			_axvi, 63 pages : _billustrations ; _c29 cm
336			_2rdacontent _btxt _atext
337			_2rdamedia _bn _aunmediated
338			_2rdacarrier _bnc _avolume
502			_aTez (Yüksek Lisans Tezi)--TOBB ETÜ Fen Bilimleri Enstitüsü Nisan 2020
520			_aKanser gibi ortaya çıkış sebebi birden fazla genetik ve çevresel nedene bağlı olan kompleks hastalıkların tedavisinde son zamanlarda en çok tercih edilen yöntem; birden fazla ilacın birarada kullanıldığı politerapi (kombinasyonel terapi) yöntemidir. Eğer bir ilaç kombinasyonunun, herhangi bir hastalığa sahip hücre hattına olan etkisi, kombinasyondaki ilaçların tek başına uygulanmasıyla elde edilen etkilerin toplamından fazlaysa, bu ilaç kombinasyonuna sinerjik ilaç kombinasyonu denir. Son zamanlarda bu alanda yapılan çalışmalarda, yapay öğrenme yöntemlerinin sinerjik ilaç kombinasyonlarını belirlemede zaman,kaynak kullanımı vs. gibi birçok açıdan verimlilik sağladıkları gözlemlenmştir. Bu tez çalışması iki bölümden oluşmaktadır. İlk bölümde farklı ilaç gösterimleriyle oluşturduğumuz veri kümelerinin, ilaç kombinasyonlarının sinerjilerinin derecelerini gösteren sinerji skorlarının tahminine olan etkileri incelendi. Kullandığımız ilaç gösterimlerinden bazıları sinerji skoru tahmini için ilk defa kullanılan verilerdir. Bu aşamada oluşturduğumuz veri kümeleri ile yapay öğrenme modellerinden elde edilen tahminler birleştirilerek kapsamlı bir onkoloji veri kümesindeki sinerji skorlarının tahmini için literatürdeki en iyi sonuçlar elde edildi. İkinci bülümde, ilaç-kanserli hücre hattı ikilileri için bir yapay öğrenme modelinin tahmin ettiği sinerji skorlarını en iyileyecek ikinci ilaçlar (moleküller) oluşturulmaya çalışıldı. Bu amaç için varyasyonel oto kodlayıcı ve gradyan çıkış yapay öğrenme yöntemlerinden yararlanıldı. Bu çalışmanın sonucunda en iyilenen sinerji skoruna yakın skorlar veren moleküllere, belirli bir oranın üzerinde benzeyen moleküllerin oluşturulduğu gözlemlendi.
520			_aRecently, the most preferred method in the treatment of complex diseases such as cancer, the origin of which is due to more than one genetic and environmental causes, is polytherapy (combination therapy). It is a method of where more than one drug is used together. If the effect of a drug combination on the cell line with any disease is greater than the sum of the effects achieved by applying the drugs in the combination alone, this drug combination is called a synergistic drug combination. In recent studies in this field, It has been observed that machine learning methods provide efficiency for determining synergistic drug combinations in many aspects such as time, resources, etc. This thesis consists of two parts. In the first part, the effects of data sets that we created with different drug representations on the estimation of synergy scores which show the degree of synergism of drug combinations were examined. Some of the drug representations used for the first time for synergy score estimation. The best results in the literature were obtained for the estimation of synergy scores in a comprehensive oncology dataset by combining machine learning predictions' for these datasets. In the second part, we tried to create second drugs (molecules) for drug-cancer cell line pairs that would optimize synergy scores predicted by an artificial learning model. For this purpose, variational autocoder and gradient ascent methods were used. As a result of this study, it has been observed that, machine learning methods can create molecules that are similar with the molecules that give scores close to the synergy scores that are optimized.
650		7	_aTezler, Akademik _932546
653			_aÇizge sinir ağı
653			_aOto-kodlayıcı
653			_aMakine öğrenmesi
653			_a Derin öğrenme
653			_aİlaç kombinasyonları sinerji skoru tahmini
653			_aMolekül tasarımı
653			_aÖznitelik önem analizi
653			_aGraph neural network
653			_aAutoencoder
653			_aMachine learning
653			_aDeep learning
653			_aDrug combinations’ synergy scores prediction
653			_aMolecule generation
653			_aFeature importance analysis
700	1		_aTan, Mehmet _eadvisor _978808
710			_aTOBB Ekonomi ve Teknoloji Üniversitesi. _bFen Bilimleri Enstitüsü _977078
942			_2z _cTEZ