Yazar
Sefer, Emre
Basım Tarihi
2025-03-01
Basım Yeri
-
Mary Ann Liebert
Konu
Grafik sinir ağı, İlaç yanıtı tahmini, İlaç keşfi, Yayılma, Derin öğrenme
Tür
Süreli Yayın
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Demirbaş Numarası
1066-5277
Kayıt Numarası
cf1d1973-06f6-40b4-b8bf-f840e74f2ed1
Lokasyon
Bilgisayar Bilimi
Tarih
2025-03-01
Notlar
TÜBİTAK
Örnek Metin
Bir hastanın genomik profiline bağlı olarak ilaç tepkisini doğru bir şekilde tahmin etmek, kişiselleştirilmiş tıbbın ilerlemesi için kritik öneme sahiptir. Derin öğrenme yaklaşımlarının yükselişi ve özellikle büyük ölçekli omics veri kümelerinden yararlanan grafik sinir ağlarının yükselişi, bu alandaki araştırmaların önemli bir itici gücü olmuştur. Bununla birlikte, tipik olarak yüksek boyutlu ancak küçük örnek boyutlarına sahip olan bu biyolojik veri kümeleri, tahmine dayalı modellerde aşırı uyum ve zayıf genelleme gibi zorluklar ortaya çıkarmaktadır. Karmaşık bir konu olarak, gen ifadesi (GE) verilerinin, bu sorunları daha da kötüleştiren karmaşık genler arası ilişkileri yakalaması gerekir. Bu makalede, veri artırma için gürültü giderici bir difüzyon örtülü modelini yakın zamanda tanıtılan bir grafik dikkat ağı (GAT) ile yüksek dereceli komşu yayılımı (HO-GAT'ler) tahmin modülü ile birleştiren, ilaç yanıtı grafik dikkat ağı (DRGAT) adı verilen bir ilaç yanıtı tahmin yöntemini tanıtarak bu zorlukların üstesinden geliyoruz. Önerilen yaklaşımımız, üzerinde çalışılan birçok ilaç için son teknoloji modellerle karşılaştırıldığında, alıcı çalışma karakteristik eğrisi altındaki alanda neredeyse %5'lik bir iyileşme elde etti; bu, yöntemimizin makul genelleme yeteneklerini gösterir. Dahası, deneylerimiz, yöntemimizin temel bir bileşeni olan difüzyon bazlı üretken modellerin, GE verilerini etkili bir şekilde artırarak omics veri kümelerinin doğasında olan sınırlamaları hafifletme potansiyelini doğrulamaktadır.
DOI
10.1089/cmb.2024.0807
Cilt
32
