prikaz prve stranice dokumenta Klasifikacija cikličkih peptida primjenom konvolucijskih mreža zasnovanih na grafovima
Rad dostupan nakon 2025-09-11
diplomski rad
Klasifikacija cikličkih peptida primjenom konvolucijskih mreža zasnovanih na grafovima
2024. urn:nbn:hr:190:161340
Jelušić, Darijan
Sveučilište u Rijeci
Tehnički fakultet
Zavod za računarstvo
Katedra za programsku podršku

Citirajte ovaj rad

Jelušić, D. (2024). Klasifikacija cikličkih peptida primjenom konvolucijskih mreža zasnovanih na grafovima (Diplomski rad). Rijeka: Sveučilište u Rijeci, Tehnički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:190:161340

Jelušić, Darijan. "Klasifikacija cikličkih peptida primjenom konvolucijskih mreža zasnovanih na grafovima." Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, 2024. https://urn.nsk.hr/urn:nbn:hr:190:161340

Jelušić, Darijan. "Klasifikacija cikličkih peptida primjenom konvolucijskih mreža zasnovanih na grafovima." Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, 2024. https://urn.nsk.hr/urn:nbn:hr:190:161340

Jelušić, D. (2024). 'Klasifikacija cikličkih peptida primjenom konvolucijskih mreža zasnovanih na grafovima', Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, citirano: 26.11.2024., https://urn.nsk.hr/urn:nbn:hr:190:161340

Jelušić D. Klasifikacija cikličkih peptida primjenom konvolucijskih mreža zasnovanih na grafovima [Diplomski rad]. Rijeka: Sveučilište u Rijeci, Tehnički fakultet; 2024 [pristupljeno 26.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:161340

D. Jelušić, "Klasifikacija cikličkih peptida primjenom konvolucijskih mreža zasnovanih na grafovima", Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, Rijeka, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:161340

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:190:161340
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovKlasifikacija cikličkih peptida primjenom konvolucijskih mreža zasnovanih na grafovima
Naslov (engleski)Classification of cyclic peptides using graph convolutional networks
AutorDarijan Jelušić
MentorGoran Mauša (mentor)
MentorDaniela Kalafatović (komentor)
Član povjerenstvaJonatan Lerga (predsjednik povjerenstva)
Član povjerenstvaGoran Mauša (član povjerenstva)
Član povjerenstvaSandi Ljubić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Rijeci
Tehnički fakultet
(Zavod za računarstvo)
(Katedra za programsku podršku)
Rijeka
Datum i država obrane2024-09-16, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
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.
Sažetak (engleski)
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.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:190:161340
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag. ing. comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaRad dostupan nakon
Datum isteka embarga: 2025-09-11
Uvjeti korištenjaIkona licence Imenovanje 4.0 međunarodna (CC BY 4.0)
Datum i vrijeme pohrane2024-11-26 09:41:31