Ανάπτυξη μοντέλων μηχανικής μάθησης για την πρόβλεψη δραστικότητας πιθανών αντικαταθλιπτικών ενώσεων έναντι του υποδοχέα σεροτονίνης 5-υδροξυτρυπταμίνη 2Α (5-ΗΤ2Α)
Development of machine learning models for predicting the activity of potential antidepressant compounds against the serotonin 5-HT2a receptor
Λέξεις-κλειδιά
Κατάθλιψη ; Στατιστική ανάλυση ; Μηχανική μάθηση ; Μοριακή πρόσδεσηΠερίληψη
Η παρούσα διπλωματική εργασία εξετάζει την καταθλιπτική διαταραχή και επικεντρώνεται στην αναζήτηση φυσικών ενώσεων με δράση έναντι του υποδοχέα σεροτονίνης 5-HT2A, που αποτελεί κεντρικό στόχο για νέες θεραπείες. Η μελέτη βασίστηκε σε μια συνδυαστική μεθοδολογία, με πρώτο βήμα τον υπολογισμό των μοριακών χαρακτηριστικών των ενώσεων μέσω του εργαλείου RDKIT. Στη συνέχεια, πραγματοποιήθηκε στατιστική ανάλυση για να αξιολογηθεί η στατιστική σημασία των χαρακτηριστικών και να εντοπιστούν εκείνα που διαχωρίζουν καλύτερα τις δραστικές από τις μη δραστικές ενώσεις. Με βάση αυτά, δημιουργήθηκε μοντέλο μηχανικής μάθησης με τη βέλτιστη ακρίβεια ταξινόμισης μεταξύ των δύο κατηγοριών. Στο επόμενο στάδιο, εφαρμόστηκε μοριακή πρόσδεση, χρησιμοποιώντας εργαλεία όπως το Webina, το PLIP και το Maestro, για την αξιολόγηση της ενέργειας πρόσδεσης και των μοριακών αλληλεπιδράσεων με τον υποδοχέα. Οι πλέον υποσχόμενες ενώσεις που αναδείχθηκαν από τη διαδικασία αυτή εξετάστηκαν περαιτέρω. Η έρευνα κατέληξε στον συνδυασμό των αποτελεσμάτων μηχανικής μάθησης και μοριακής πρόσδεσης, μέσω του εργαλείου MetaboAnalyst, το οποίο χρησιμοποιήθηκε για την εκπαίδευση ενός ολοκληρωμένου μοντέλου αξιολόγησης. Με τη διαδικασία αυτή, εντοπίστηκαν δύο φυσικές ενώσεις, η αλφα-ναφθοφλαβόνη και η 7,4-διυδροξυφλαβόνη, οι οποίες ανήκουν στην οικογένεια των φλαβονοειδών. Οι ενώσεις αυτές παρουσιάζουν υψηλή δραστικότητα και σταθερότητα πρόσδεσης, προσφέροντας έτσι τη δυνατότητα για περαιτέρω in vitro δοκιμές με στόχο την ανάπτυξη αντικαταθλιπτικών φαρμάκων. Ο συνδυασμός υπολογιστικών εργαλείων και μεθόδων ανάλυσης καθιστά τη συγκεκριμένη εργασία ένα σημαντικό βήμα στην κατεύθυνση της ανακάλυψης νέων φαρμακευτικών σκευασμάτων.
Περίληψη
The present thesis examines depressive disorder and focuses on the discovery of natural compounds acting against the serotonin receptor 5-HT2A, which is a central target for new treatments. The study was based on a combinatorial methodology, with the first step involving the calculation of molecular features of the compounds using the RDKIT tool. Subsequently, statistical analysis was performed to evaluate the statistical significance of these features and identify those that best differentiate active from inactive compounds. Based on these findings, a machine learning model was developed with optimal classification accuracy between the two categories. In the next stage, molecular docking was applied using tools such as Webina, PLIP, and Maestro to evaluate binding energy and molecular interactions with the receptor. The most promising compounds identified through this process were further examined. The research culminated in the integration of machine learning and molecular docking results through the MetaboAnalyst tool, which was used to train a comprehensive evaluation model. This process led to the identification of two natural compounds, alpha-naphthoflavone and 7.4-dihydroxyflavone, which belong to the flavonoid family. These compounds exhibit high activity and binding stability, thus providing the potential for further in vitro testing aimed at developing antidepressant drugs. The combination of computational tools and analytical methods makes this work a significant step toward the discovery of new pharmaceutical formulations.
Αριθμός σελίδων
61Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Μηχανικών ΒιοϊατρικήςΓλώσσα
ΕλληνικάΣυλλογή
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές