Redes neuronales en grafos para predicción de interacciones droga-target

Mostrar todas las versiones(2)

La correcta predicción de interacciones entre drogas y sus respectivos targets moleculares (DTIs por sus siglas en inglés) juega un rol muy importante en el reposicionamiento, diseño y descubrimiento de drogas. Sin embargo, debido al gran tamaño del espacio quimio-genómico donde se encuentran estas...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autor principal:	Yanovsky, Nicolás
Otros Autores:	Chernomoretz, Ariel
Formato:	Tesis de grado publishedVersion
Lenguaje:	Español
Publicado:	Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales 2024
Materias:	PREDICCION DE DTIS REDES HETEROGENEAS GRAPH NEURAL NETWORKS PREDICCION DE ARISTAS SIMILARIDAD ESTRUCTURAL DTI PREDICTION HETEROGENEOUS NETWORKS LINK PREDICTION STRUCTURAL SIMILARITY
Acceso en línea:	https://hdl.handle.net/20.500.12110/seminario_nDAT000002_Yanovsky https://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=aextesisg&d=seminario_nDAT000002_Yanovsky_oai
Aporte de:	Repositorio Digital de la Universidad de Buenos Aires (UBA) de Universidad de Buenos Aires

id	I28-R145-seminario_nDAT000002_Yanovsky_oai
record_format	dspace
spelling	I28-R145-seminario_nDAT000002_Yanovsky_oai2025-08-20 Chernomoretz, Ariel Yanovsky, Nicolás 2024-12-20 La correcta predicción de interacciones entre drogas y sus respectivos targets moleculares (DTIs por sus siglas en inglés) juega un rol muy importante en el reposicionamiento, diseño y descubrimiento de drogas. Sin embargo, debido al gran tamaño del espacio quimio-genómico donde se encuentran estas interacciones y la complejidad de las mismas, la identificación experimental o mediante el uso de simulaciones de DTIs es una tarea de alto costo y consumo de tiempo. Debido a esto, y a la naturaleza no-euclidiana de los espacios donde se representan estas interacciones, se ha visto un interés creciente en los últimos años en la aplicación de redes neuronales en grafos (GNNs por sus siglas en inglés) para la predicción de DTIs. En este trabajo nos enfocamos en la aplicación de GNNs sobre una red heterogénea que consiste en dos capas: una para drogas y otra para targets. Las conexiones intra-capa denotan algún tipo de similaridad estructural, mientras que las conexiones inter-capa provienen de DTIs documentadas. Analizamos en profundidad los resultados de la selección del modelo, observando diferencias sustanciales en la performance dados por pequeños cambios en la arquitectura y sus hiperparámetros, confirmando la complejidad del espacio de diseño de estas redes mostrada en trabajos previos. Asimismo, nos enfocamos en el enriquecimiento de las features iniciales tanto para los targets con información externa a la otorgada por la topología de la red, e identificamos su impacto en la performance del modelo. Por ultimo, analizamos sesgos en las predicciones de los modelos respecto a la conectividad de la red. The correct prediction of drug-target interactions (DTIs) plays a crucial role in drug repositioning, design, and discovery. However, due to the large size of the chemo-genomic space where these interactions occur and their complexity, the experimental identification or simulation of DTIs is a costly and time-consuming task. Because of this, and due to the non-Euclidean nature of the spaces where these interactions are represented, there has been a growing interest in recent years in the application of Graph Neural Networks (GNNs) for DTI prediction. In this work, we focus on the application of GNNs on a heterogeneous network consisting of two layers: one for drugs and another for targets. Intra-layer connections denote some form of structural similarity, while inter-layer connections stem from documented DTIs. We thoroughly analyze the results of model selection, observing substantial differences in performance caused by small changes in the architecture and its hyperparameters, confirming the complexity of the design space of these networks as shown in previous studies. Furthermore, we focus on enriching the initial features for targets with external information beyond what is provided by the network’s topology and identify their impact on the model’s performance. Finally, we identify connectivity biases in the model’s predictions. Fil: Yanovsky, Nicolás. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. application/pdf https://hdl.handle.net/20.500.12110/seminario_nDAT000002_Yanovsky spa Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar PREDICCION DE DTIS REDES HETEROGENEAS GRAPH NEURAL NETWORKS PREDICCION DE ARISTAS SIMILARIDAD ESTRUCTURAL DTI PREDICTION HETEROGENEOUS NETWORKS GRAPH NEURAL NETWORKS LINK PREDICTION STRUCTURAL SIMILARITY Redes neuronales en grafos para predicción de interacciones droga-target info:eu-repo/semantics/bachelorThesis info:ar-repo/semantics/tesis de grado info:eu-repo/semantics/publishedVersion https://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=aextesisg&d=seminario_nDAT000002_Yanovsky_oai
institution	Universidad de Buenos Aires
institution_str	I-28
repository_str	R-145
collection	Repositorio Digital de la Universidad de Buenos Aires (UBA)
language	Español
orig_language_str_mv	spa
topic	PREDICCION DE DTIS REDES HETEROGENEAS GRAPH NEURAL NETWORKS PREDICCION DE ARISTAS SIMILARIDAD ESTRUCTURAL DTI PREDICTION HETEROGENEOUS NETWORKS GRAPH NEURAL NETWORKS LINK PREDICTION STRUCTURAL SIMILARITY
spellingShingle	PREDICCION DE DTIS REDES HETEROGENEAS GRAPH NEURAL NETWORKS PREDICCION DE ARISTAS SIMILARIDAD ESTRUCTURAL DTI PREDICTION HETEROGENEOUS NETWORKS GRAPH NEURAL NETWORKS LINK PREDICTION STRUCTURAL SIMILARITY Yanovsky, Nicolás Redes neuronales en grafos para predicción de interacciones droga-target
topic_facet	PREDICCION DE DTIS REDES HETEROGENEAS GRAPH NEURAL NETWORKS PREDICCION DE ARISTAS SIMILARIDAD ESTRUCTURAL DTI PREDICTION HETEROGENEOUS NETWORKS GRAPH NEURAL NETWORKS LINK PREDICTION STRUCTURAL SIMILARITY
description	La correcta predicción de interacciones entre drogas y sus respectivos targets moleculares (DTIs por sus siglas en inglés) juega un rol muy importante en el reposicionamiento, diseño y descubrimiento de drogas. Sin embargo, debido al gran tamaño del espacio quimio-genómico donde se encuentran estas interacciones y la complejidad de las mismas, la identificación experimental o mediante el uso de simulaciones de DTIs es una tarea de alto costo y consumo de tiempo. Debido a esto, y a la naturaleza no-euclidiana de los espacios donde se representan estas interacciones, se ha visto un interés creciente en los últimos años en la aplicación de redes neuronales en grafos (GNNs por sus siglas en inglés) para la predicción de DTIs. En este trabajo nos enfocamos en la aplicación de GNNs sobre una red heterogénea que consiste en dos capas: una para drogas y otra para targets. Las conexiones intra-capa denotan algún tipo de similaridad estructural, mientras que las conexiones inter-capa provienen de DTIs documentadas. Analizamos en profundidad los resultados de la selección del modelo, observando diferencias sustanciales en la performance dados por pequeños cambios en la arquitectura y sus hiperparámetros, confirmando la complejidad del espacio de diseño de estas redes mostrada en trabajos previos. Asimismo, nos enfocamos en el enriquecimiento de las features iniciales tanto para los targets con información externa a la otorgada por la topología de la red, e identificamos su impacto en la performance del modelo. Por ultimo, analizamos sesgos en las predicciones de los modelos respecto a la conectividad de la red.
author2	Chernomoretz, Ariel
author_facet	Chernomoretz, Ariel Yanovsky, Nicolás
format	Tesis de grado Tesis de grado publishedVersion
author	Yanovsky, Nicolás
author_sort	Yanovsky, Nicolás
title	Redes neuronales en grafos para predicción de interacciones droga-target
title_short	Redes neuronales en grafos para predicción de interacciones droga-target
title_full	Redes neuronales en grafos para predicción de interacciones droga-target
title_fullStr	Redes neuronales en grafos para predicción de interacciones droga-target
title_full_unstemmed	Redes neuronales en grafos para predicción de interacciones droga-target
title_sort	redes neuronales en grafos para predicción de interacciones droga-target
publisher	Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publishDate	2024
url	https://hdl.handle.net/20.500.12110/seminario_nDAT000002_Yanovsky https://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=aextesisg&d=seminario_nDAT000002_Yanovsky_oai
work_keys_str_mv	AT yanovskynicolas redesneuronalesengrafosparapredicciondeinteraccionesdrogatarget
_version_	1843126962176917504

Redes neuronales en grafos para predicción de interacciones droga-target

Ejemplares similares