but.committee	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)	cs
but.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.	cs
but.jazyk	angličtina (English)
but.program	Biomedicínské technologie a bioinformatika	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Provazník, Ivo	en
dc.contributor.author	Cicková, Pavlína	en
dc.contributor.referee	Lexa,, Matej	en
dc.contributor.referee	Berka,, Karel	en
dc.date.accessioned	2022-10-15T06:57:05Z
dc.date.available	2022-10-15T06:57:05Z
dc.date.created	2022	cs
dc.description.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.	en
dc.description.abstract	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.	cs
dc.description.mark	P	cs
dc.identifier.citation	CICKOVÁ, P. Metody in silico predikce nežádoucích účinků léčiv [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2022.	cs
dc.identifier.other	137382	cs
dc.identifier.uri	http://hdl.handle.net/11012/208486
dc.language.iso	en	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	bioinformatika	en
dc.subject	big data	en
dc.subject	integrace dat	en
dc.subject	dolování v datech	en
dc.subject	zpracování dat	en
dc.subject	datová věda	en
dc.subject	objev léčiv	en
dc.subject	návrh léčiv	en
dc.subject	lékové interakce	en
dc.subject	chemoinformatika	en
dc.subject	predikce in silico	en
dc.subject	KNIME	en
dc.subject	strojové učení	en
dc.subject	podobnost	en
dc.subject	nežádoucí účinky	en
dc.subject	workflow	en
dc.subject	bioinformatics	cs
dc.subject	big data	cs
dc.subject	data integration	cs
dc.subject	data mining	cs
dc.subject	data processing	cs
dc.subject	data science	cs
dc.subject	drug discovery	cs
dc.subject	drug design	cs
dc.subject	drug interactions	cs
dc.subject	chemoinformatics	cs
dc.subject	in silico prediction	cs
dc.subject	KNIME	cs
dc.subject	machine learning	cs
dc.subject	similarity	cs
dc.subject	side effects	cs
dc.subject	workflow	cs
dc.title	Metody in silico predikce nežádoucích účinků léčiv	en
dc.title.alternative	Methods for Predicting Drug Side Effects in Silico	cs
dc.type	Text	cs
dc.type.driver	doctoralThesis	en
dc.type.evskp	dizertační práce	cs
dcterms.dateAccepted	2022-10-14	cs
dcterms.modified	2022-10-14-11:07:59	cs
eprints.affiliatedInstitution.faculty	Fakulta elektrotechniky a komunikačních technologií	cs
sync.item.dbid	137382	en
sync.item.dbtype	ZP	en
sync.item.insts	2022.10.15 08:57:05	en
sync.item.modts	2022.10.15 08:12:40	en
thesis.discipline	bez specializace	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav biomedicínského inženýrství	cs
thesis.level	Doktorský	cs
thesis.name	Ph.D.	cs

Metody in silico predikce nežádoucích účinků léčiv

Files

Original bundle

Collections