Biyomedikal Bilgi Tabanları Üzerinde Hesaplamalı İlaç Yeniden Konumlandırması İçin Bilgi Grafiği Temsil Yaklaşımları

Abstract

Drug 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 Thingsİlaç yeniden konumlandırma, mevcut ilaçlar için yeni terapötik kullanım alanları belirleyen ve geleneksel ilaç geliştirme süreçlerine göre daha hızlı ve daha düşük maliyetli bir yaklaşım sunan bir stratejidir. Bu tez, SemMedDB, repoDB ve UMLS gibi biyomedikal bilgi tabanlarını bir araya getirerek bütünleşik bir biyomedikal bilgi grafiği oluşturmakta ve TransE, TransH, TransR, TransD, TransF, ProjE ve RESCAL olmak üzere yedi bilgi grafiği temsil yaklaşımının kapsamlı bir değerlendirmesini sunmaktadır. Biyolojik geçerliliği artırmak için PubMed tabanlı biyomedikal dil modeli ince ayarlanmış, yaklaşık %96 doğruluk elde edilmiş ve tahmin edilen ilaç–hastalık ilişkilerini değerlendiren bir semantik doğrulama hattı oluşturulmuştur. Modeller arasında TransF en yüksek nicel performansı göstererek 0.767 düzeyine yakın bir makro hassasiyet–duyarlılık eğrisi altı alan skoruna ulaşmıştır. ProjE ise veri kümesinde yer almayan ancak literatürde desteklenen 14 ilaç–hastalık ilişkisini başarılı biçimde belirlemiştir. Ayrıca, nesnelerin interneti tabanlı otomatik güncelleme sistemi her gün yeni PubMed kanıtlarını tarayarak semantik olasılık skorlarını güncel tutmaktadır. Genel olarak, bilgi grafiği temsil yaklaşımlarının semantik doğrulama ile bütünleştirilmesi, literatürde desteklenen çok sayıda ilişkiyi ortaya çıkarmış ve yöntemin hesaplamalı ilaç yeniden konumlandırma için güçlü, yorumlanabilir ve veri odaklı bir çözüm sunduğunu göstermiştir. Anahtar kelimeler: Hesaplamalı İlaç Yeniden Konumlandırma, Bilgi Grafiği Temsili, Biyomedikal Bilgi Grafiği, Anlamsal Doğrulama, Nesnelerin İnterneti.