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
.jpg)
- Institución
- Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
- OAI Identificador
- seminario:seminario_nDAT000002_Yanovsky
Ver los metadatos del registro completo
| 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 |