ارائه کننده: محمد مولائی داش تپهاستاد راهنما: دکتر نصراله مقدم چرکریاستاد مشاور اول: دکتر سعید جلیلیاستاد ناظر داخلی: دکتر فواد قادریاستاد ناظر خارجی: دکتر هدیه ساجدیتاریخ: ۱۴۰۴/۰۶/۳۰ساعت: ۰۸:۰۰مکان: دانشکده مهندسی برق و کامپیوتر – کلاس 601

چکیده:پیش‌بینی برهم‌کنش دارو-هدف یکی از مراحل اساسی در فرآیند داروپژوهی و همچنین استفاده مجدد از داروهای موجود به شمار می‌رود. مجموعه‌داده‌های موجود در این حوزه معمولا ناقص هستند که این امر موجب می‌شود انتخاب تصادفی یال‌های منفی، مدل‌های پیش‌بینی‌کننده را دچار خطا و گمراهی کند. علاوه بر این، بسیاری از روش‌های موجود در شرایط cold start، که با شرایط واقعی دنیای داروپژوهی منطبق‌تر هستند، عملکرد مناسبی ندارند. بنابراین، توسعه مدلی که بتواند در این شرایط عملکرد قابل‌قبولی ارائه دهد، از اهمیت ویژه‌ای برخوردار است.به منظور مقابله با چالش‌های مربوط به cold start و افزایش قابلیت تعمیم‌دهی مدل، در این پژوهش چارچوبی با نام FuseMAN-DTI پیشنهاد شده است. در این روش، با رویکردی چندوجهی، ویژگی‌های استخراج‌شده از SMILES دارو و توالی اسیدآمینه پروتئین با ویژگی‌های ساختاری شبکه ناهمگن زیستی ادغام می‌شوند. همچنین، برای کاهش اثرات منفی ناشی از ناقص بودن مجموعه‌داده‌ها، از معیارهای آماری به منظور بهبود فرآیند انتخاب یال‌های منفی استفاده شده است. این طراحی به گونه‌ای انجام شده که مدل بتواند در شرایط مختلف، به ویژه در سناریوهای cold start، عملکرد بهتری داشته باشد.چارچوب پیشنهادی در سه سناریوی متفاوت، شامل warm start، cold-drug start و cold-protein start، ارزیابی و با روش‌های پیشرفته موجود مقایسه شده است. با توجه به عدم توازن شدید بین داده‌های مثبت و منفی (نسبت 1 به 10)، معیار AUPRC به عنوان شاخص اصلی ارزیابی انتخاب شده است. نتایج به دست آمده نشان می‌دهند که FuseMAN-DTI به ترتیب به مقادیر 95.4، 87 و 86 درصد در معیار AUPRC دست یافته است. این مدل به ترتیب با 6.1، 25.4 و 38.1 درصد بهبود نسبت به بهترین مدل پیشین عملکرد داشته است