Ανακάλυψη Φαρμάκων με χρήση Βαθιάς Μάθησης

Abstract

Η παρούσα διπλωματική εργασία παρουσιάζει την εφαρμογή τεχνικών Βαθιάς Μάθησης και συγκεκριμένα παραγωγικών επαναλαμβανόμενων νευρωνικών δικτύων (RNNs) με χρήση Δικτύων Μακράς Βραχυπρόθεσμης Μνήμης (LSTM) για εκ νέου σχεδιασμό φαρμάκων (de novo drug design), με στόχο τον περιορισμό της αναζήτησης στον τεράστιο χημικό χώρο και τη βελτιστοποίηση της συγκεκριμένης διαδικασίας. Για τα δεδομένα εκπαίδευσης και επαλήθευσης του μοντέλου έχει χρησιμοποιηθεί η βάση ChEMBL22. Παραδοσιακά, οι περισσότερες μέθοδοι για δημιουργία νέων φαρμάκων βασίζονταν στον έλεγχο των υφιστάμενων ενώσεων. Αναπαραστώντας όμως τις μοριακές δομές ως SMILES συμβολοσειρές, το LSTM μοντέλο συλλαμβάνει τη σύνταξη αυτών των αναπαραστάσεων με μεγάλη ακρίβεια, δίνοντας τη δυνατότητα για απευθείας δημιουργία νέων ενώσεων. Πέρα από την εκ νέου δημιουργία ενώσεων, το οποίο είναι και το βασικό αντικείμενο της εργασίας, αναλύεται η διαδικασία βελτιστοποίησης του μοντέλου με εφαρμογή της τεχνικής μεταφοράς μάθησης σε συγκεκριμένα σύνολα δεδομένων στόχων, επιτρέποντας έτσι τη δημιουργία μορίων που είναι δομικά παρόμοια με γνωστές βιοδραστικές ενώσεις, και ελαχιστοποιώντας την εξάρτηση από εκτεταμένα δεδομένα εκπαίδευσης. Τέλος, εξετάζεται και η τεχνική δημιουργίας φαρμάκων με βάση κάποιο υπάρχον τμήμα του τελικού στόχου (fragment-based drug discovery / FBDD), κατά την οποία η διαδικασία παραγωγής ξεκινάει από ήδη γνωστά ενεργά μόρια, επεκτείνοντάς τα σε μεγαλύτερες, πιο σύνθετες μοριακές δομές. Συνεπώς, η διπλωματική αυτή εστιάζει στη δημιουργία νέων φαρμάκων με βάση συγκεκριμένες προδιαγραφές-στόχους, στη βελτιστοποίηση μέσω μεταφοράς μάθησης σε διαφορετικά δεδομένα-στόχους, καθώς και στον σχεδιασμό μορίων με προυπάρχουσα βάση, ακόμα και σε σενάρια χαμηλών δεδομένων.