Yüksek Lisans Tezleri
Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/5799
Browse
2 results
Search Results
Master Thesis Biyomedikal Bilgi Tabanları Üzerinde Hesaplamalı İlaç Yeniden Konumlandırması İçin Bilgi Grafiği Temsil Yaklaşımları(2026) Erkantarcı, Betül; Bakal, Mehmet Gökhan; Köse, AbdulkadirDrug repositioning, or the strategy of finding new medical applications to an existing drug, is a safer and cheaper alternative to development of a new drug. The thesis constructs a unified biomedical knowledge graph by integrating biomedical information resources such as SemMedDB, repoDB, and UMLS, and presents a comprehensive evaluation of seven knowledge graph embedding models: TransE, TransH, TransR, TransD, TransF, ProjE, and RESCAL. To have a biological relevance, a semantic validation pipeline was created by refining the PubMed-based biomedical language model to an accuracy of around 96% in order to determine the plausibility of the suggested drug-disease associations. TransF had the best quantitative performance with a macro area under the precision-recall curve of 0.767, whereas ProjE produced the largest number of semantically plausible hypotheses with 14 literature-supported drug-disease pairs. Moreover, an automated update system, which leverages internet of things, is used to retrieve fresh PubMed evidence on a daily basis to update semantic plausibility scores. Altogether, the knowledge graph embeddings and semantic validation workflow showed numerous new and literature-based drug-disease relations and indicated its potential to become a strong, explainable and data-driven model in computational drug repositioning. Keywords: Computational Drug Repositioning, Knowledge Graph Embedding, Biomedical Knowledge Graph, Semantic Validation, Internet of ThingsMaster Thesis Derin Öğrenme Temelli İlaç Yeniden Konumlandırma: Kelime Temsilleri ve Siyam İkizi Ağları Kullanılarak Literatüre Dayalı Bir Çerçeve(2025) Al-Qershi, Ahmed Marwan Abdulhabeb; Bakal, Mehmet GökhanGeleneksel ilaç geliştirme süreçlerinin yüksek maliyetleri, uzun zaman çizelgeleri ve riskleri, mevcut ilaçların yeni kullanım alanlarını keşfetmeyi amaçlayan ilaç yeniden konumlandırma çalışmalarına olan ilgiyi artırmıştır. Bu tez, SemMedDB'den elde edilen biyomedikal verileri kullanarak, ilaçlar ile hastalıklar arasındaki potansiyel yeni tedavi bağlantılarını belirlemeye yönelik derin öğrenmeye dayalı bir sistem sunmaktadır. Geliştirilen sistem, erken aşama ilaç keşfi için pratik ve verimli bir fikir üretme yöntemi sağlamayı hedeflemektedir. Sistem, FastText modelinden türetilen kelime desenlerini kullanarak eğitilen bir Siyam Sinir Ağı (SNN) mimarisine dayanmaktadır. Çalışmada, hangi yapının daha verimli özellikler çıkarabildiğini test etmek için biri yoğun (dense), diğeri evrişimli (convolutional) olan iki farklı alt ağ yapısı denenmiştir. 570'ün üzerinde model yapılandırması test edilmiş ve en iyi konfigürasyon %87.66 doğrulama doğruluğu ve yaklaşık %83 test doğruluğu elde etmiştir. Ayrıca kesinlik, duyarlılık ve F1-skorları açısından da dengeli bir performans sergilemiştir. Bu çalışma, derin öğrenmenin organize edilmiş biyomedikal literatür ile birleşiminin, daha akıllı ilaç keşif süreçlerine nasıl katkı sağlayabileceğini göstermektedir.