Redes neuronales en grafos para predicción de interacciones droga-target

Autores
Yanovsky, Nicolás
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión publicada
Colaborador/a o director/a de tesis
Chernomoretz, Ariel
Descripción
La correcta predicción de interacciones entre drogas y sus respectivos targets moleculares (DTIs por sus siglas en inglés) juega un rol muy importante en el reposicionamiento, diseño y descubrimiento de drogas. Sin embargo, debido al gran tamaño del espacio quimio-genómico donde se encuentran estas interacciones y la complejidad de las mismas, la identificación experimental o mediante el uso de simulaciones de DTIs es una tarea de alto costo y consumo de tiempo. Debido a esto, y a la naturaleza no-euclidiana de los espacios donde se representan estas interacciones, se ha visto un interés creciente en los últimos años en la aplicación de redes neuronales en grafos (GNNs por sus siglas en inglés) para la predicción de DTIs. En este trabajo nos enfocamos en la aplicación de GNNs sobre una red heterogénea que consiste en dos capas: una para drogas y otra para targets. Las conexiones intra-capa denotan algún tipo de similaridad estructural, mientras que las conexiones inter-capa provienen de DTIs documentadas. Analizamos en profundidad los resultados de la selección del modelo, observando diferencias sustanciales en la performance dados por pequeños cambios en la arquitectura y sus hiperparámetros, confirmando la complejidad del espacio de diseño de estas redes mostrada en trabajos previos. Asimismo, nos enfocamos en el enriquecimiento de las features iniciales tanto para los targets con información externa a la otorgada por la topología de la red, e identificamos su impacto en la performance del modelo. Por ultimo, analizamos sesgos en las predicciones de los modelos respecto a la conectividad de la red.
The correct prediction of drug-target interactions (DTIs) plays a crucial role in drug repositioning, design, and discovery. However, due to the large size of the chemo-genomic space where these interactions occur and their complexity, the experimental identification or simulation of DTIs is a costly and time-consuming task. Because of this, and due to the non-Euclidean nature of the spaces where these interactions are represented, there has been a growing interest in recent years in the application of Graph Neural Networks (GNNs) for DTI prediction. In this work, we focus on the application of GNNs on a heterogeneous network consisting of two layers: one for drugs and another for targets. Intra-layer connections denote some form of structural similarity, while inter-layer connections stem from documented DTIs. We thoroughly analyze the results of model selection, observing substantial differences in performance caused by small changes in the architecture and its hyperparameters, confirming the complexity of the design space of these networks as shown in previous studies. Furthermore, we focus on enriching the initial features for targets with external information beyond what is provided by the network’s topology and identify their impact on the model’s performance. Finally, we identify connectivity biases in the model’s predictions.
Fil: Yanovsky, Nicolás. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
Materia
PREDICCION DE DTIS
REDES HETEROGENEAS
GRAPH NEURAL NETWORKS
PREDICCION DE ARISTAS
SIMILARIDAD ESTRUCTURAL
DTI PREDICTION
HETEROGENEOUS NETWORKS
GRAPH NEURAL NETWORKS
LINK PREDICTION
STRUCTURAL SIMILARITY
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
Repositorio
Biblioteca Digital (UBA-FCEN)
Institución
Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
OAI Identificador
seminario:seminario_nDAT000002_Yanovsky

id BDUBAFCEN_fbeedf042a08b4dc33119838ea9fea72
oai_identifier_str seminario:seminario_nDAT000002_Yanovsky
network_acronym_str BDUBAFCEN
repository_id_str 1896
network_name_str Biblioteca Digital (UBA-FCEN)
spelling Redes neuronales en grafos para predicción de interacciones droga-targetYanovsky, NicolásPREDICCION DE DTISREDES HETEROGENEASGRAPH NEURAL NETWORKSPREDICCION DE ARISTASSIMILARIDAD ESTRUCTURALDTI PREDICTIONHETEROGENEOUS NETWORKSGRAPH NEURAL NETWORKSLINK PREDICTIONSTRUCTURAL SIMILARITYLa correcta predicción de interacciones entre drogas y sus respectivos targets moleculares (DTIs por sus siglas en inglés) juega un rol muy importante en el reposicionamiento, diseño y descubrimiento de drogas. Sin embargo, debido al gran tamaño del espacio quimio-genómico donde se encuentran estas interacciones y la complejidad de las mismas, la identificación experimental o mediante el uso de simulaciones de DTIs es una tarea de alto costo y consumo de tiempo. Debido a esto, y a la naturaleza no-euclidiana de los espacios donde se representan estas interacciones, se ha visto un interés creciente en los últimos años en la aplicación de redes neuronales en grafos (GNNs por sus siglas en inglés) para la predicción de DTIs. En este trabajo nos enfocamos en la aplicación de GNNs sobre una red heterogénea que consiste en dos capas: una para drogas y otra para targets. Las conexiones intra-capa denotan algún tipo de similaridad estructural, mientras que las conexiones inter-capa provienen de DTIs documentadas. Analizamos en profundidad los resultados de la selección del modelo, observando diferencias sustanciales en la performance dados por pequeños cambios en la arquitectura y sus hiperparámetros, confirmando la complejidad del espacio de diseño de estas redes mostrada en trabajos previos. Asimismo, nos enfocamos en el enriquecimiento de las features iniciales tanto para los targets con información externa a la otorgada por la topología de la red, e identificamos su impacto en la performance del modelo. Por ultimo, analizamos sesgos en las predicciones de los modelos respecto a la conectividad de la red.The correct prediction of drug-target interactions (DTIs) plays a crucial role in drug repositioning, design, and discovery. However, due to the large size of the chemo-genomic space where these interactions occur and their complexity, the experimental identification or simulation of DTIs is a costly and time-consuming task. Because of this, and due to the non-Euclidean nature of the spaces where these interactions are represented, there has been a growing interest in recent years in the application of Graph Neural Networks (GNNs) for DTI prediction. In this work, we focus on the application of GNNs on a heterogeneous network consisting of two layers: one for drugs and another for targets. Intra-layer connections denote some form of structural similarity, while inter-layer connections stem from documented DTIs. We thoroughly analyze the results of model selection, observing substantial differences in performance caused by small changes in the architecture and its hyperparameters, confirming the complexity of the design space of these networks as shown in previous studies. Furthermore, we focus on enriching the initial features for targets with external information beyond what is provided by the network’s topology and identify their impact on the model’s performance. Finally, we identify connectivity biases in the model’s predictions.Fil: Yanovsky, Nicolás. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.Universidad de Buenos Aires. Facultad de Ciencias Exactas y NaturalesChernomoretz, Ariel2024-12-20info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttps://hdl.handle.net/20.500.12110/seminario_nDAT000002_Yanovskyspainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/arreponame:Biblioteca Digital (UBA-FCEN)instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesinstacron:UBA-FCEN2026-10-15T10:56:13Zseminario:seminario_nDAT000002_YanovskyInstitucionalhttps://digital.bl.fcen.uba.ar/Universidad públicaNo correspondehttps://digital.bl.fcen.uba.ar/cgi-bin/oaiserver.cgiana@bl.fcen.uba.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:18962026-10-15 10:56:16.772Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesfalse
dc.title.none.fl_str_mv Redes neuronales en grafos para predicción de interacciones droga-target
title Redes neuronales en grafos para predicción de interacciones droga-target
spellingShingle Redes neuronales en grafos para predicción de interacciones droga-target
Yanovsky, Nicolás
PREDICCION DE DTIS
REDES HETEROGENEAS
GRAPH NEURAL NETWORKS
PREDICCION DE ARISTAS
SIMILARIDAD ESTRUCTURAL
DTI PREDICTION
HETEROGENEOUS NETWORKS
GRAPH NEURAL NETWORKS
LINK PREDICTION
STRUCTURAL SIMILARITY
title_short Redes neuronales en grafos para predicción de interacciones droga-target
title_full Redes neuronales en grafos para predicción de interacciones droga-target
title_fullStr Redes neuronales en grafos para predicción de interacciones droga-target
title_full_unstemmed Redes neuronales en grafos para predicción de interacciones droga-target
title_sort Redes neuronales en grafos para predicción de interacciones droga-target
dc.creator.none.fl_str_mv Yanovsky, Nicolás
author Yanovsky, Nicolás
author_facet Yanovsky, Nicolás
author_role author
dc.contributor.none.fl_str_mv Chernomoretz, Ariel
dc.subject.none.fl_str_mv PREDICCION DE DTIS
REDES HETEROGENEAS
GRAPH NEURAL NETWORKS
PREDICCION DE ARISTAS
SIMILARIDAD ESTRUCTURAL
DTI PREDICTION
HETEROGENEOUS NETWORKS
GRAPH NEURAL NETWORKS
LINK PREDICTION
STRUCTURAL SIMILARITY
topic PREDICCION DE DTIS
REDES HETEROGENEAS
GRAPH NEURAL NETWORKS
PREDICCION DE ARISTAS
SIMILARIDAD ESTRUCTURAL
DTI PREDICTION
HETEROGENEOUS NETWORKS
GRAPH NEURAL NETWORKS
LINK PREDICTION
STRUCTURAL SIMILARITY
dc.description.none.fl_txt_mv La correcta predicción de interacciones entre drogas y sus respectivos targets moleculares (DTIs por sus siglas en inglés) juega un rol muy importante en el reposicionamiento, diseño y descubrimiento de drogas. Sin embargo, debido al gran tamaño del espacio quimio-genómico donde se encuentran estas interacciones y la complejidad de las mismas, la identificación experimental o mediante el uso de simulaciones de DTIs es una tarea de alto costo y consumo de tiempo. Debido a esto, y a la naturaleza no-euclidiana de los espacios donde se representan estas interacciones, se ha visto un interés creciente en los últimos años en la aplicación de redes neuronales en grafos (GNNs por sus siglas en inglés) para la predicción de DTIs. En este trabajo nos enfocamos en la aplicación de GNNs sobre una red heterogénea que consiste en dos capas: una para drogas y otra para targets. Las conexiones intra-capa denotan algún tipo de similaridad estructural, mientras que las conexiones inter-capa provienen de DTIs documentadas. Analizamos en profundidad los resultados de la selección del modelo, observando diferencias sustanciales en la performance dados por pequeños cambios en la arquitectura y sus hiperparámetros, confirmando la complejidad del espacio de diseño de estas redes mostrada en trabajos previos. Asimismo, nos enfocamos en el enriquecimiento de las features iniciales tanto para los targets con información externa a la otorgada por la topología de la red, e identificamos su impacto en la performance del modelo. Por ultimo, analizamos sesgos en las predicciones de los modelos respecto a la conectividad de la red.
The correct prediction of drug-target interactions (DTIs) plays a crucial role in drug repositioning, design, and discovery. However, due to the large size of the chemo-genomic space where these interactions occur and their complexity, the experimental identification or simulation of DTIs is a costly and time-consuming task. Because of this, and due to the non-Euclidean nature of the spaces where these interactions are represented, there has been a growing interest in recent years in the application of Graph Neural Networks (GNNs) for DTI prediction. In this work, we focus on the application of GNNs on a heterogeneous network consisting of two layers: one for drugs and another for targets. Intra-layer connections denote some form of structural similarity, while inter-layer connections stem from documented DTIs. We thoroughly analyze the results of model selection, observing substantial differences in performance caused by small changes in the architecture and its hyperparameters, confirming the complexity of the design space of these networks as shown in previous studies. Furthermore, we focus on enriching the initial features for targets with external information beyond what is provided by the network’s topology and identify their impact on the model’s performance. Finally, we identify connectivity biases in the model’s predictions.
Fil: Yanovsky, Nicolás. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
description La correcta predicción de interacciones entre drogas y sus respectivos targets moleculares (DTIs por sus siglas en inglés) juega un rol muy importante en el reposicionamiento, diseño y descubrimiento de drogas. Sin embargo, debido al gran tamaño del espacio quimio-genómico donde se encuentran estas interacciones y la complejidad de las mismas, la identificación experimental o mediante el uso de simulaciones de DTIs es una tarea de alto costo y consumo de tiempo. Debido a esto, y a la naturaleza no-euclidiana de los espacios donde se representan estas interacciones, se ha visto un interés creciente en los últimos años en la aplicación de redes neuronales en grafos (GNNs por sus siglas en inglés) para la predicción de DTIs. En este trabajo nos enfocamos en la aplicación de GNNs sobre una red heterogénea que consiste en dos capas: una para drogas y otra para targets. Las conexiones intra-capa denotan algún tipo de similaridad estructural, mientras que las conexiones inter-capa provienen de DTIs documentadas. Analizamos en profundidad los resultados de la selección del modelo, observando diferencias sustanciales en la performance dados por pequeños cambios en la arquitectura y sus hiperparámetros, confirmando la complejidad del espacio de diseño de estas redes mostrada en trabajos previos. Asimismo, nos enfocamos en el enriquecimiento de las features iniciales tanto para los targets con información externa a la otorgada por la topología de la red, e identificamos su impacto en la performance del modelo. Por ultimo, analizamos sesgos en las predicciones de los modelos respecto a la conectividad de la red.
publishDate 2024
dc.date.none.fl_str_mv 2024-12-20
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.12110/seminario_nDAT000002_Yanovsky
url https://hdl.handle.net/20.500.12110/seminario_nDAT000002_Yanovsky
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
dc.source.none.fl_str_mv reponame:Biblioteca Digital (UBA-FCEN)
instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron:UBA-FCEN
reponame_str Biblioteca Digital (UBA-FCEN)
collection Biblioteca Digital (UBA-FCEN)
instname_str Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron_str UBA-FCEN
institution UBA-FCEN
repository.name.fl_str_mv Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
repository.mail.fl_str_mv ana@bl.fcen.uba.ar
_version_ 1879127503402958848
score 12.823554