Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/83151
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorPeerapon Vateekul-
dc.contributor.authorSothornin Mam-
dc.contributor.otherChulalongkorn University. Faculty of Engineering-
dc.date.accessioned2023-08-04T07:37:35Z-
dc.date.available2023-08-04T07:37:35Z-
dc.date.issued2022-
dc.identifier.urihttps://cuir.car.chula.ac.th/handle/123456789/83151-
dc.descriptionThesis (M.Sc.)--Chulalongkorn University, 2022-
dc.description.abstractThere is still no effective treatment for type 2 diabetes, which has been on the rise for years. By repositioning current medications for new indications, drug repurposing can aid in the discovery of novel medications. Deep learning has recently been applied to this problem via link prediction utilizing a graph representation that learns from either the structure of a graph or the semantic meaning of entity text. However, because they used a single representation as the basis for their work without making any model improvements, earlier attempts still had restricted performance. In this study, we suggest a new deep-learning approach for the drug repurposing of entities associated with type 2 diabetes. Transformer, a current deep learning network, serves as the foundation of our model's architecture. Regarding our link prediction in the graph, each entity is embedded utilizing both (1) structural information embedded from the node and its neighbor nodes and (2) semantic information retrieved from its name and descriptions. The experiment was conducted using type 2 diabetes data gathered from PubMed and UMLS Metathesaurus. The findings demonstrated that our combined model can outperform other models that only contain a single module, i.e. StAR and HittER, by exhibiting an increase of 77.17% on the mean reciprocal rank score for the drug discovery task. Finally, using the model for drug repurposing, we can identify several medications that may be employed to treat type 2 diabetes.-
dc.description.abstractalternativeโรคเบาหวานชนิดที่ 2 เป็นโรคเรื้อรังที่เกิดขึ้นมาอย่างยาวนานและปัจจุบันยังไม่มีการค้นพบการรักษาผู้ป่วยโรคดังกล่าวให้หายขาดได้ การนำยามาหาข้อบ่งใช้ใหม่ (drug repurposing) จากคลังยาที่ใช้ในการรักษาโรคอื่น ๆ จึงเป็นวิธีการหนึ่งที่มีความสำคัญในการรักษาโรคเบาหวานชนิดที่ 2 จากการค้นคว้าที่ผ่านมาพบว่ามีการนำวิธีการเรียนรู้เชิงลึก (deep learning) มาประยุกต์ใช้โดยใช้การทำนายความเชื่อมโยง (link prediction) จากตัวแทนข้อมูลกราฟ (graph representation) ทั้งโครงสร้างของกราฟและข้อความแยกกัน เป็นเหตุให้สมรรถนะของโมเดลค่อนข้างจำกัด งานวิจัยนี้จึงนำเสนอวิธีการใหม่ในการนำโมเดลที่ได้จากการเรียนรู้เชิงลึกมาพยากรณ์ความเชื่อมโยงระหว่างยากับการรักษาโรคเบาหวานชนิดที่ 2 โดยโมเดลใหม่นี้พัฒนาขึ้นจากโมเดล transformer ที่เป็นโมเดลการเรียนรู้เชิงลึกใหม่ที่มีประสิทธิภาพมากขึ้น การพัฒนาโมเดลในงานวิจัยนี้เป็นการฝังตัวแทนข้อมูลกราฟจาก (1) โครงสร้างของกราฟฝังจากข้อมูลการเชื่อมโยงระหว่างโหนดกับโหนดรอบข้าง และ (2) ข้อมูลเชิงความหมายที่สกัดจากชื่อและคำอธิบายของโหนด โดยทำการทดลองบนข้อมูลของโรคเบาหวานชนิดที่ 2 ที่เรียกค้นจากฐานข้อมูล PubMed และ UMLS Metathesaurus พบว่าผลลัพธ์ของโมเดลใหม่นี้ที่นำตัวแทนข้อมูลกราฟทั้งสองมาวิเคราะห์นั้นมีค่าประสิทธิภาพสูงกว่าจากโมเดลดั้งเดิมร้อยละ 77.17 ตามระดับคะแนน mean reciprocal rank โดยการวัดความสามารถในการค้นพบยา (drug discovery) กล่าวคือมีประสิทธิภาพสูงกว่าโมเดลที่ใช้ตัวแทนข้อมูลเพียงประเภทเดียว เช่น StAR หรือ HittER เมื่อนำโมเดลที่ได้มาจำแนกหาข้อบ่งใช้ใหม่ของยาในการรักษาโรคเบาหวาน พบว่ารายการยาที่ได้จากโมเดลนี้มีความเหมาะสมในการรักษาโรคเบาหวานชนิดที่ 2 -
dc.language.isoen-
dc.publisherChulalongkorn University-
dc.relation.urihttp://doi.org/10.58837/CHULA.THE.2022.105-
dc.rightsChulalongkorn University-
dc.titleLink prediction using deep learning approach for type 2 diabetes drug repurposing-
dc.title.alternativeการทำนายความเชื่อมโยงโดยวิธีการเรียนรู้เชิงลึกสำหรับการนำยามาหาข้อบ่งใช้ในโรคเบาหวานชนิดที่ 2-
dc.typeThesis-
dc.degree.nameMaster of Science-
dc.degree.levelMaster's Degree-
dc.degree.disciplineComputer Science-
dc.degree.grantorChulalongkorn University-
dc.identifier.DOI10.58837/CHULA.THE.2022.105-
Appears in Collections:Eng - Theses

Files in This Item:
File Description SizeFormat 
6470163721.pdf2.53 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.