prikaz prve stranice dokumenta Klasifikacija cikličkih peptida primjenom konvolucijskih mreža zasnovanih na grafovima
Embargo period 2025-09-11
master's thesis
Klasifikacija cikličkih peptida primjenom konvolucijskih mreža zasnovanih na grafovima
2024. urn:nbn:hr:190:161340
Jelušić, Darijan
University of Rijeka
Faculty of Engineering
Department of Computer Engineering
Section of Software Engineering

Cite this document

Jelušić, D. (2024). Klasifikacija cikličkih peptida primjenom konvolucijskih mreža zasnovanih na grafovima (Master's thesis). Rijeka: University of Rijeka, Faculty of Engineering. Retrieved from https://urn.nsk.hr/urn:nbn:hr:190:161340

Jelušić, Darijan. "Klasifikacija cikličkih peptida primjenom konvolucijskih mreža zasnovanih na grafovima." Master's thesis, University of Rijeka, Faculty of Engineering, 2024. https://urn.nsk.hr/urn:nbn:hr:190:161340

Jelušić, Darijan. "Klasifikacija cikličkih peptida primjenom konvolucijskih mreža zasnovanih na grafovima." Master's thesis, University of Rijeka, Faculty of Engineering, 2024. https://urn.nsk.hr/urn:nbn:hr:190:161340

Jelušić, D. (2024). 'Klasifikacija cikličkih peptida primjenom konvolucijskih mreža zasnovanih na grafovima', Master's thesis, University of Rijeka, Faculty of Engineering, accessed 20 January 2025, https://urn.nsk.hr/urn:nbn:hr:190:161340

Jelušić D. Klasifikacija cikličkih peptida primjenom konvolucijskih mreža zasnovanih na grafovima [Master's thesis]. Rijeka: University of Rijeka, Faculty of Engineering; 2024 [cited 2025 January 20] Available at: https://urn.nsk.hr/urn:nbn:hr:190:161340

D. Jelušić, "Klasifikacija cikličkih peptida primjenom konvolucijskih mreža zasnovanih na grafovima", Master's thesis, University of Rijeka, Faculty of Engineering, Rijeka, 2024. Available at: https://urn.nsk.hr/urn:nbn:hr:190:161340

Please login to the repository to save this object to your list.
Metadata
TitleKlasifikacija cikličkih peptida primjenom konvolucijskih mreža zasnovanih na grafovima
Title (english)Classification of cyclic peptides using graph convolutional networks
AuthorDarijan Jelušić
MentorGoran Mauša (mentor)
MentorDaniela Kalafatović (komentor)
Committee memberJonatan Lerga (predsjednik povjerenstva)
Committee memberGoran Mauša (član povjerenstva)
Committee memberSandi Ljubić (član povjerenstva)
GranterUniversity of Rijeka
Faculty of Engineering
(Department of Computer Engineering)
(Section of Software Engineering)
Rijeka
Defense date and country2024-09-16, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Ciklički peptidi postaju sve popularniji u dizajnu lijekova, primarno zbog njihove sposobnosti za djelovanje na mete koje su se prethodno smatrale nedostupnima za lijekove. Unatoč njihovom potencijalu, učinkovitost cikličkih peptida protiv unutarstaničnih meta ograničena je zbog činjenice da ciklički peptidi generalno teže prolaze kroz stanične membrane. Eksperimentalne metode za određivanje permeabilnosti staničnih membrana skupe su i dugotrajne, što usporava rane faze razvoja lijekova. Stoga se predlaže model strojnog učenja temeljen na grafovima i konvolucijskim mrežama za predviđanje permeabilnosti staničnih membrana kod cikličkih peptida. Ciklički peptidi predstavljeni su grafovima izvedenim iz formata SMILES i za treniranje proslijeđeni modelu temeljenom na mreži Deep Graph Convolutional Neural Network. Model je postigao točnost od 78.1%, F1 vrijednost od 0.863 i ROC-AUC od 0.756, čime se pokazuje potencijal primjene metoda strojnog učenja temeljenih na grafovima u domeni otkrivanja lijekova.
Abstract (english)
Cyclic peptides are becoming more popular in drug design, primarily because of their ability to interact with targets that were previously considered undruggable. Despite their potential, the effectiveness of cyclic peptides against intracellular targets is limited by the fact that cyclic peptides generally struggle to penetrate cell membranes. Experimental methods of determining the membrane permeability of cyclic peptides are costly and time-consuming, inhibiting the early stages of drug development. Thus, a machine learning model for prediction of cyclic peptide membrane permeability based on graph convolutional networks is proposed. The cyclic peptides are represented by graphs derived from SMILES format and passed to a Deep Graph Convolutional Neural Network based model for training. The model achieved an accuracy of 78.1% with an F1-score of 0.863 and ROC-AUC of 0.756, demonstrating the potential graph-based machine learning techniques have in drug discovery.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:190:161340
Study programmeTitle: Computer Engineering
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsEmbargoed access
Embargo expiration date: 2025-09-11
Terms of useLicence Attribution 4.0 International (CC BY 4.0) icon
Created on2024-11-26 09:41:31