Deep Learning Methodologies in Drug Kinase prediction

Loading...
Thumbnail Image
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu | Master's thesis
Date
2022-08-22
Department
Major/Subject
Bioinformatics and Digital Health
Mcode
SCI3092
Degree programme
Master’s Programme in Life Science Technologies
Language
en
Pages
56+2
Series
Abstract
Misbehaviour of enzymatic protein kinases can lead to the development of tumours. Small molecule kinase inhibitors are known to be effective therapeutics in cancer treatment but it is difficult to find selective drugs. To avoid expensive and laborious biochemical experiments, the drug-target space can be scanned using computer models. Consequently, multiple predictive algorithms based on different machine learning paradigms have been developed. This thesis introduces a novel deep learning method to predict interactions between a chemical compound and a kinase. The model utilizes neural networks with recurrent and convolutional layers and achieved adequate predictive performance when evaluated with a validation set isolated from the training data. However, some of its performance was reduced when its generalizability to a benchmarking dataset was tried out. Nevertheless, taking into account that the model requires no structural data and has many possible directions for improvement, similar architectures could potentially have applications in drug discovery.

Kinaasit ovat entsyymejä, joiden virheellinen käyttäytyminen voi johtaa kasvainten syntymiseen. Siksi kinaaseja inhiboivia yhdisteitä on pystytty hyödyntämään lääketieteellisesti muun muassa syövän hoidossa. Tehokkaiden kinaaseja inhiboivien lääkeaineiden etsiminen perinteisillä laboratoriomenetelmillä on kuitenkin haastavaa, sillä mahdollisten lääkemolekyyli-kinaasi-parien määrä on valtava. Nykyään koneoppimismenetelmillä kuten syväoppimisella pystytään kartoittamaan kinaasin ja lääkeaineen välistä käyttäytymistä. Tässä diplomityössä esitellään uusi syväoppimismenetelmä, joka pystyy ennustamaan lääkeaineen sitoutumista kinaasiproteiiniin. Menetelmä antoi lupaavia tuloksia, kun sen suorituskykyä tutkittiin koulutusdatasta eristetyllä validointidatalla. Kuitenkin korrelaatio ennustettujen ja todellisten tulosten välillä heikkeni jonkin verran, kun testaamiseen käytettiin vertailuanalyysiin tarkoitettua dataa, joka poikkesi sisällöltään koulutusdatasta. Ottaen kuitenkin huomioon monet mahdolliset jatkokehityssuunnat, ei ole poissuljettua, etteikö vastaavista sovelluksista voisi olla apua kinaaseja inhiboivien lääkeaineiden etsinnässä.
Description
Supervisor
Rousu, Juho
Thesis advisor
Wang, Tianduanyi
Keywords
machine learning, deep learning, kinase, drug discovery, drug-target interactions
Other note
Citation