İlaç – hedef etkileşiminde (DTI) proteinlerin etkili özelliklerinin belirlenmesinde yapay zeka algoritmaları tabanlı bir çerçeve geliştirme

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, Enformatik Bölümü, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: SARA NAGHIB ZADEH

Danışman: Zümrüt Satı

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu çalışma, ilaç-hedef etkileşimi (İHE) (Drug Target Interaction (DTI)) tahmininin iyileştirilmesine odaklanmaktadır. Bu alan, ilaç keşfi sürecinde temel bir öneme sahiptir. Geleneksel deneysel yöntemlerin karmaşık ve yüksek maliyetli doğası ile biyolojik verilerin hızla artan hacmi dikkate alındığında, makine öğrenmesi ve derin öğrenme yaklaşımlarının kullanımı kaçınılmaz hale gelmiştir. Bu bağlamda, bu çalışmada ilaç-hedef etkileşimlerinin tahmin doğruluğunu artırmayı amaçlayan çok aşamalı bir yaklaşımı içeren bütünleşik bir çerçeve önerilmektedir. Bu çalışma kapsamında önerilen yöntemsel çerçeve, ham verilerin toplanması, ilaç ve protein verilerinden anlamlı özelliklerin çıkarılması, özellik seçimi ve boyut indirgeme, veri dengesinin sağlanması ve makine öğrenmesi algoritmalarının uygulanması aşamalarını içermektedir. Çalışmada dört temel protein sınıfı (Enzim )Enzyme (EN)) , iyon kanalları (Ion Channel (IC)) , G proteinine bağlı reseptörler (G Protein-Coupled Receptor (GPCR)( , Nükleer Reseptör) Nuclear Receptor (NR) )) incelenmiştir. Veriler güvenilir biyoinformatik veri tabanlarından elde edilmiş; ilaç özellikleri FP2 moleküler parmak izi ile, protein özellikleri ise (Amino Acid Composition) AAC)), Dipeptit Kompozisyonu (Dipeptide Composition) DPC)( ve Pseudo-Konum-Özel Skorlama Matrisi (Pseudo Position-Specific Scoring Matrix) PsePSSM)( gibi istatistiksel tanımlayıcılar aracılığıyla temsil edilmiştir. Bu özelliklerin bütünleştirilmesi sonucunda, ilaç ve hedef protein arasındaki biyokimyasal ilişkileri yansıtan birleşik özellik vektörleri oluşturulmuştur. Boyut indirgeme ve etkili özellik seçimi amacıyla Temel Bileşenler Analizi (TBA) (Principal Component Analysis (PCA)) yöntemi uygulanmıştır. Bu yöntem, verideki en yüksek varyansı koruyarak özellik uzayını 100 boyuta indirgemiş ve böylece modelin öğrenme hızı ile genel verimliliğini anlamlı ölçüde artırmıştır. İlaç-hedef etkileşimlerinin tahmininde karşılaşılan temel zorluklardan biri veri dengesizliğidir; bilinen etkileşimlerin sayısı, bilinmeyen etkileşimlere kıyasla oldukça sınırlıdır. Bu sorunun üstesinden gelmek amacıyla, bu tezde Siyam Sinir Ağı (SSA) (Siamese Neural Network (SNN)) ve SMOTE-Tomek yöntemlerini birleştiren hibrit bir yaklaşım önerilmiştir. Önerilen bu kombinasyon, verilerin istatistiksel dengesini sağlarken aynı zamanda örnekler arasındaki karmaşık benzerlik örüntülerinin etkin bir biçimde öğrenilmesine olanak tanımaktadır. Böylece geliştirilen model, baskın sınıfa yönelik yanlılığı azaltarak gerçek ilaç-hedef etkileşimlerini yüksek doğrulukla ayırt edebilmiştir. Ön işleme ve veri dengeleme aşamalarının ardından, nihai sınıflandırıcı olarak Destek Vektör Makineleri (Support Vector Machine (SVM)) algoritması seçilmiştir. Bu seçim, Random Forest, Decision Tree ve sinir ağı tabanlı alternatif modellerle yapılan kapsamlı karşılaştırmalar sonucunda gerçekleştirilmiştir. Önerilen yaklaşımın performansı, doğruluk (Accuracy), kesinlik (Precision), duyarlılık (Recall), F1 skoru ve ROC-AUC gibi farklı değerlendirme ölçütleriyle analiz edilmiştir. Elde edilen bulgular, önerilen akıllı çerçevenin tüm veri kümelerinde yüksek doğrulukla çalıştığını ve bazı kombinasyonlarda %100'e yakın sonuçlar verdiğini ortaya koymuştur. En başarılı sonuçlar, NR ve IC veri kümelerinde, PSEAAC-PSEPSSM ve GAAC-DDE özellik kombinasyonlarının Destek Vektör Makineleri ve Rastgele Orman algoritmalarıyla birlikte kullanılmasıyla elde edilmiştir. Ayrıca, GPCR ve EN veri kümeleri de yüksek F1 ve AUC değerleriyle güçlü genellenebilirlik ve kararlılık sergilemiştir.