Metody in silico predikce nežádoucích účinků léčiv
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
P
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Vývoj a výzkum léčiv je oblastí současné vědy, jejíž nedílnou součástí je i využití výpočetních metod. Z důvodu nákladnosti a časové náročnosti laboratorních přístupů, metody in silico sehrávají svou významnou roli. I přes rychlý vývoj výpočetních technik využívaných při vývoji léků, však není drtivá většina zkoumaných molekul v procesu vývoje úspěšná a do schvalovací fáze nepostoupí. Nejen proto se nejmodernější strategie návrhu potenciálních nových léčiv zaměřují na opětovné zkoumání již schválených léků a berou do úvahy i analýzu podobností. Tato práce popisuje vývoj a aplikaci souboru několika workflow, jež byl vytvořen v rámci analytické platformy KNIME a jež implementuje metody strojového učení za účelem predikce nežádoucích účinků léčiv. Součástí prezentovaných workflow je získání dat, jejich předzpracování, výpočet metrik podobností a provedení explorační analýzy. Následně je využito klasifikačních modelů k predikci specifických nežádoucích účinků léčiv. Tato predikce vychází z principů technik založených na podobnosti. K natrénování modelů rozhodovacích stromů pro predikci potenciální asociace nežádoucích účinků s léčivy byly využity strukturní a jiné podobnosti schválených molekul léčiv. Hlavní přínos práce spočívá především v přenositelnosti použitých metod. Soubor workflow je určen k využití jako vhodný nástroj k řešení výzkumných otázek ohledně podobnosti léčiv a jelikož analytická platforma KNIME poskytuje uživatelsky přívětivé grafické rozhraní, není nutné, aby měli uživatelé pokročilé zkušenosti v oblasti strojového učení nebo programování, aby mohli soubor navržených workflow v rámci této platformy pro své analýzy využít.
Drug discovery is a field of contemporary science, which has encompassed the use of various computational methods. Wet lab approaches are costly and time-consuming and hence, in silico methods play an important role. Notwithstanding the progress of computational techniques applied in drug discovery in the last few decades, the great majority of the investigational compounds still do not succeed in reaching the final approval stage. Not only for this reason state-of-the-art drug design strategies focus on reinvestigating already approved drugs and drug similarity analyzes are crucial to consider. This work presents the development and application of a set of workflows created within the KNIME Analytics Platform which implements an approach using machine-learning methods for drug side effect prediction. The presented set of workflows deals with data retrieval, pre-processing, similarity metrics computation and data exploratory analysis. Consequently, classification models are applied to predict specific side effects of drugs. The prediction is based on similarity-based techniques. Structural and other similarities of approved drug molecules were used to train the decision tree models for the prediction of potential drug-side effect associations. The main advantage of the work is the re-usability of the applied techniques. Our set of workflows provides an environment allowing for new research questions in terms of drug similarity to be addressed. Moreover, as the workflows created within KNIME Analytics Platform provide a user-friendly graphical interface, users do not require any advanced experience in machine learning or programming to perform their studies using the designed workflows.
Drug discovery is a field of contemporary science, which has encompassed the use of various computational methods. Wet lab approaches are costly and time-consuming and hence, in silico methods play an important role. Notwithstanding the progress of computational techniques applied in drug discovery in the last few decades, the great majority of the investigational compounds still do not succeed in reaching the final approval stage. Not only for this reason state-of-the-art drug design strategies focus on reinvestigating already approved drugs and drug similarity analyzes are crucial to consider. This work presents the development and application of a set of workflows created within the KNIME Analytics Platform which implements an approach using machine-learning methods for drug side effect prediction. The presented set of workflows deals with data retrieval, pre-processing, similarity metrics computation and data exploratory analysis. Consequently, classification models are applied to predict specific side effects of drugs. The prediction is based on similarity-based techniques. Structural and other similarities of approved drug molecules were used to train the decision tree models for the prediction of potential drug-side effect associations. The main advantage of the work is the re-usability of the applied techniques. Our set of workflows provides an environment allowing for new research questions in terms of drug similarity to be addressed. Moreover, as the workflows created within KNIME Analytics Platform provide a user-friendly graphical interface, users do not require any advanced experience in machine learning or programming to perform their studies using the designed workflows.
Description
Keywords
bioinformatika, big data, integrace dat, dolování v datech, zpracování dat, datová věda, objev léčiv, návrh léčiv, lékové interakce, chemoinformatika, predikce in silico, KNIME, strojové učení, podobnost, nežádoucí účinky, workflow, bioinformatics, big data, data integration, data mining, data processing, data science, drug discovery, drug design, drug interactions, chemoinformatics, in silico prediction, KNIME, machine learning, similarity, side effects, workflow
Citation
CICKOVÁ, P. Metody in silico predikce nežádoucích účinků léčiv [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2022.
Document type
Document version
Date of access to the full text
Language of document
en
Study field
bez specializace
Comittee
prof. Pharm.Dr. Petr Babula, Ph.D. (předseda)
Mgr. Bc. Darina Čejková, Ph.D. (člen)
Mgr. Ing. Karel Sedlář, Ph.D. (člen)
Ing. Helena Škutková, Ph.D. (člen)
doc. RNDr. Karel Berka, Ph.D. - oponent (člen)
Ing. Matej Lexa, Ph.D. - oponent (člen)
Date of acceptance
2022-10-14
Defence
Po představení členů komise byly prezentovány teze disertační práce a hlavní dosažené výsledky. Následovalo přečtení posudků školitele a oponentů. Všechny dotazy oponentů byly zodpovězeny. V následné diskuzi padlo několik dotazů, všechny byly zodpovězeny.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení