[صفحه اصلی ]    
بخش‌های اصلی
درباره دانشکده::
مدیریت دانشکده::
اعضای هیات علمی ::
معرفی افراد::
امور آموزش::
امور فرهنگی::
امور پژوهشی::
اخبار و رویدادها::
فضاهای آموزشی و تحقیقاتی ::
تسهیلات پایگاه::
تماس با ما::
::
ورود به سایت دروس
دانشجویان روزانه و پردیس
دانشجویان مرکز آموزش الکترونیکی
..
اطلاعیه ها
 اطلاعیه های آموزشی
..
فراخوان ها
فراخوان های همکاری با صنعت و سازمان ها
..
دفاعیه‌ها

دفاعیه های دکتری

۱۴۰۰/۱۲/۴ - محبوبه ریاحی مدوار
۱۴۰۰/۱۱/۳ - راضیه روستائی


دفاعیه های کارشناسی ارشد

..
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
:: مینا طباطبائی ::
 | تاریخ ارسال: 1401/4/1 | 

ارائه­ دهنده:

مینا طباطبائی

  اساتید راهنما:

 استاد راهنما: دکترحسین رحمانی

هیات داوری: 
دکتر حسن نادری
دکتر صادق علی اکبری



زمان:
 ۱۴۰۱/۰۴/۰۵

ساعت ۰۹:۰۰
 

خانم مینا طباطبائی دانشجوی کارشناسی ارشد آقایان دکتر حسین رحمانی روز یکشنبه مورخ  ۵ تیر ماه ساعت ۹:۰۰ از پروژه کارشناسی ارشد خود تحت عنوان "پیش‌بینی ترکیبات دارویی جدید با استفاده از شبکه‌های عصبیدفاع خواهند نمود.

چکیده پایان نامه:
تحقیقات نشان داده است که ترکیب داروها در مقایسه با تجویز دارو به صورت منفرد در معالجه بیماری‌های پیچیده مانند سرطان، فشار‌خون و بیماری‌های مسری اثر بخشی بیشتر و عوارض جانبی کمتری را به‌همراه دارد و توجه محققان و شرکت‌های دارویی بسیاری را به خود جلب کرده است. تاثیرات ترکیب دارو‌ها می‌تواند هم‌افزایی یا متعارض باشد. یک ترکیب دارویی در صورتی هم‌افزایی دارد که تاثیر ترکیب داروها بیشتر از مجموع تاثیر آن‌ها به صورت انفرادی باشد و در حالت عکس با یکدیگر در تعارض هستند. از طرفی شناسایی ترکیبات جدید دارویی به عنوان یک روش درمانی موثر به دلیل زیاد بودن تعداد حالات ترکیب داروها زمان‌بر و پرهزینه است و استفاده از روش‌های محاسباتی برای پیش‌بینی ترکیبات دارویی موثر باعث محدود کردن تعداد آزمایش‌های تجربی می‌شود. در این پایان‌نامه، ما به پیشنهاد دو روش پیش‌بینی ترکیبات دارویی مبتنی بر شبکه‌عصبی می‌پردازیم و به این منظور به استخراج طیف متنوعی از ویژگی‌ها از جمله ساختار شیمیایی، بیولوژیکی، داده‌های متنی مقالات پزشکی، و ویژگی‌های تعاملات شبکه‌های بیولوژیکی داروها پرداختیم. در این راه، سعی بر غلبه بر چالش‌های مجموعه‌داده‌ها برای ترکیب‌های موجود، که شامل داده‌های کم و پراکنده و عدم تعادل نمونه‌های مثبت و منفی داریم. ما از نمونه‌گیری منفی برای ایجاد داده‌های تعادلی استفاده کردیم و از روش‌های نظم‌دهی مختلف بهره بردیم تا شانس بیش‌برازش مدل ناشی از داده‌های آموزشی کوچک را کاهش دهیم. علاوه بر این، خودرمزگذار و تحلیل مؤلفه اصلی به عنوان رویکردهای کاهش ابعاد برای به دست آوردن نمایش نهفته از داده‌های پراکنده استفاده می‌شود. در روش پیشنهادی دیگر از ترکیبی از مدل‌های خودرمزگذار گرافی که از شبکه عصبی گرافی استفاده می‌کنند، برای اولویت‌بندی ترکیبات دارویی جدید و مؤثر بالقوه استفاده می‌کنیم. در نهایت علاوه بر ارزیابی عددی، به ساخت گرافی از ترکیبات دارویی پیش‌بینی‌شده جدید که از نظر بیولوژیکی با الگوهای جالب تفسیر می‌شوند، پرداختیم. میانگین امتیاز AUC هشت مدل‌ قبلی نیز با روش‌های پیشنهادی مقایسه شده است و دو روش شبکه عصبی پیشخور و گرافی به ترتیب به طور متوسط ۸٪ و ۷.۵٪ در مقایسه با سایر مدل‌ها بهتر عمل کرده‌ است.

واژه‌های کلیدی: ترکیبات دارویی، ترکیبات دارویی هم‌افزا، روش‌های محاسباتی، یادگیری عمیق، شبکه‌های عصبی عمیق، شبکه‌های عصبی‌ گرافی



دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی

 

 
دفعات مشاهده: 122 بار   |   دفعات چاپ: 2 بار   |   دفعات ارسال به دیگران: 0 بار   |   0 نظر
سایر مطالب این بخش سایر مطالب این بخش نسخه قابل چاپ نسخه قابل چاپ ارسال به دوستان ارسال به دوستان
Persian site map - English site map - Created in 0.21 seconds with 55 queries by YEKTAWEB 4414