prikaz prve stranice dokumenta Metode predviđanja interakcija lijekova i ciljanih molekula
  Preuzmi
PDF 990.97 KB
diplomski rad
Metode predviđanja interakcija lijekova i ciljanih molekula
Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2021. urn:nbn:hr:217:074538
Bratulić, Petar
Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
Matematički odsjek

Institucijski repozitorij: Repozitorij Prirodoslovno-matematičkog fakulteta

Citirajte ovaj rad

Bratulić, P. (2021). Metode predviđanja interakcija lijekova i ciljanih molekula (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:217:074538

Bratulić, Petar. "Metode predviđanja interakcija lijekova i ciljanih molekula." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2021. https://urn.nsk.hr/urn:nbn:hr:217:074538

Bratulić, Petar. "Metode predviđanja interakcija lijekova i ciljanih molekula." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2021. https://urn.nsk.hr/urn:nbn:hr:217:074538

Bratulić, P. (2021). 'Metode predviđanja interakcija lijekova i ciljanih molekula', Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, citirano: 23.12.2024., https://urn.nsk.hr/urn:nbn:hr:217:074538

Bratulić P. Metode predviđanja interakcija lijekova i ciljanih molekula [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet; 2021 [pristupljeno 23.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:074538

P. Bratulić, "Metode predviđanja interakcija lijekova i ciljanih molekula", Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, Zagreb, 2021. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:074538

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:217:074538
Podaci o radu
NaslovMetode predviđanja interakcija lijekova i ciljanih molekula
Naslov (engleski)Methods for predicting drug-target molecule interactions
AutorPetar Bratulić
MentorTomislav Šmuc (mentor)
Član povjerenstvaTomislav Šmuc (predsjednik povjerenstva)
Član povjerenstvaMarko Horvat (član povjerenstva)
Član povjerenstvaNenad Antonić (član povjerenstva)
Član povjerenstvaZoran Vondraček (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
(Matematički odsjek)
Zagreb
Datum i država obrane2021-03-04, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Matematika
Sažetak
U ovom radu analiziran je problem predviđanja interakcija lijekova i ciljanih molekula (DTI predviđanje). Predstavljeni su scenariji modeliranja interakcija lijekova i ciljanih molekula, kao i moderni algoritmi strojnog učenja koji se koriste u DTI predviđanju. Cilj rada bio je ocijeniti različite pristupe u kontekstu tih, različitih scenarija predviđanja interakcija. Algoritmi su evaluirani na različitim skupovima podataka, različitih veličina odnosno kompleksnosti. Za usporedbu algoritama, korištene su tipične metrike performansi koje se koriste u području strojnog učenja te je korištena i rigorozna statistička metodologija za usporedbu algoritama. Provedeni su eksperimenti u različitim scenarijima na različitim skupovima podataka čime smo došli do osnovnih zaključaka. Performanse svih metoda korištenih u radu uvelike ovise o scenariju problema. Promatrane metode daju najbolje rezultate u prvom najjednostavnijem scenariju, rekombiniranju lijekova. Prediktivna moć naučenih modela značajno je niža u scenarijima u kojem se model testira na novim lijekovima ili novim ciljanim molekulama.
Sažetak (engleski)
In this thesis drug-target interaction problem has been analyzed. Scenarios for modelling drug target interaction problem have been introduced, as well as state-of-the-art machine learning algorithms. The goal of the thesis was to evaluate different approaches in context of said different interaction’s prediction scenarios. Algorithms were evaluated at benchmark datasets of different sizes and complexity. For comparison of algorithms, typical machine learning metrics were used as well as rigorous statistical methodology for algorithm comparison. By executing experiments in different scenarios on different datasets, we came to basic conclusions. Performances of all the methods used in the thesis depend largely on problem’s scenario. All observed methods give best results in the simplest scenario, drug repositioning. Predictive power of learned models is significantly lower in scenarios were new drugs or new targets were introduced.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:217:074538
Studijski programNaziv: Računarstvo i matematika
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra računarstva i matematike (mag. inf. et math.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2021-03-23 12:21:28