Hücre Hattı Duyarlılık İmzaları ve Toplu Yapay Öğrenme Metotları ile Anti-Kanser İlaç Aktivite Tahmini

Abstract

Ilaç tasarımı faaliyetlerine katkı saglayabilecek in silico yöntemlerin gelistirilmesi, kanser ilacı tasarımının uzun ve masraflı süreci dikkate alındıgında, büyük önem kazanmaktadır. Bu dogrultuda, ilaç aktivitelerinin laboratuvar deneylerinden önce, yapay ögrenme yöntemleriyle tahmin edilebilmesi bu yönde önemli bir katkı saglayabilir. Bu çalısmanın amacı da, son zamanlarda yayınlanmıs büyük çaplı anti-kanser ilaç aktivite veri tabanlarını, yapay ögrenme yöntemleri ile modellemek ve mümkün oldugunca dogru aktivite tahminleri yapabilmektedir. Bu amaç dogrultusunda yeni bir topluluk yapay ögrenme yöntemi önerilmektedir. Yöntem daha önce kullanılıp bu problem için basarılı sonuçlar vermis veya kullanılmasının basarılı olacagı düsünülen dört farklı yöntemi bir arada kullanan ve her birinin sonuçlarından daha iyi sonuç verebilen bir istifleme (stacking) yöntemidir. Buna ek olarak, hücre hatlarının duyarlılıklarını ve ilaçların aktivitelerini bir vektör halinde temsil eden iki gen imzası önerilmekte ve bu imzaların da topluluk yöntemine dahil edilerek aktivite tahminine etkisi incelenmektedir. Yapılan deneyler sonucunda istifleme yönteminin tek basına dört temel yöntemin her birinden daha basarılı tahminler yapabildigi gösterilmistir. Ek olarak, imzaların istifleme yöntemine eklenmesiyle basarının daha da arttıgı gözlenmistir. Yöntemlerin performansları hem çapraz dogrulama, hem de seçilen hücre hattı ve ilaçlar kullanılarak laboratuvarda yapılan in vitro canlılık deneyleriyle test edilmis, basarılı sonuçlara ulasılmıstır. Gelecekte veri miktarının artması ve olası farklı veri tiplerinin de birlikte kullanılabilmesiyle basarının artırılabilecegi ve kanser ilaç tasarımı süreçlerine ciddi katkı yapılabilecegi düsünülmektedir.