Інтелектуaльнa системa визнaчення взaємодії між лікaми

Скорочена інформація про документ
dc.contributor.advisorСинєглaзов, Віктор Михaйлович
dc.contributor.authorМaцуєв, Ромaн Олексaндрович
dc.date.accessioned2026-02-18T13:01:51Z
dc.date.available2026-02-18T13:01:51Z
dc.date.issued2025
dc.description.abstractСтруктура та обсяг роботи. Робота складається з трьох розділів, містить 94 сторінки, 10 рисунків, 17 таблиць, 45 посилань. Актуальність теми. Прогнозування взаємодії лікарських засобів (DDI) є актуальним завданням фармакології та клінічної медицини через ризик побічних реакцій і зниження ефективності лікування. Зростання поліпрогмазії зумовлює потребу в автоматизованих високоточних методах прогнозування. Наявні підходи, орієнтовані переважно на одномодальні ознаки, не забезпечують ефективного моделювання складних нелінійних взаємозв’язків між гетерогенними фармакологічними та хімічними даними. Мета роботи. Підвищення точності багатоміткового прогнозування подій DDI шляхом розробки моделі DDI-TransMDL на основі архітектури Трансформер-Енкодера для інтеграції мультимодальних ознак. Методи дослідження. Застосовано методи системного аналізу та глибокого навчання, зокрема Трансформер-Енкодер з механізмом Multi-Head Self-Attention. Реалізовано інжиніринг ознак із включенням коефіцієнта Жаккарда та оцінювання моделі за допомогою 5-Fold Cross-Validation і багатоміткових метрик Micro/Macro F1-Score, ROC-AUC та AUPR. Наукова новизна. Запропоновано архітектуру DDI-TransMDL для інтеграції чотирьох гетерогенних модальностей (SMILES, Target, Enzyme, Pathway) у задачі прогнозування DDI, а також метод включення коефіцієнта Жаккарда у вхідний вектор ознак. Практична цінність. Модель демонструє високу прогностичну ефективність (Micro ROC-AUC ≈ 0.9893, Micro AUPR ≈ 0.8351) та може використовуватися для багатоміткового прогнозування 65 подій DDI у фармаконагляді та клінічних дослідженнях.
dc.description.abstractotherStructure and Scope of the Thesis. The thesis consists of three chapters and comprises 94 pages, 10 figures, 17 tables, and 45 references. Relevance of the Topic. Drug–drug interaction (DDI) prediction is a relevant task in pharmacology and clinical medicine due to the risk of adverse reactions and reduced therapeutic efficacy. The increasing prevalence of polypharmacy necessitates the development of automated and highly accurate prediction methods. Existing approaches, which are primarily based on unimodal features, fail to effectively model complex nonlinear relationships among heterogeneous pharmacological and chemical data. Objective of the Study. The objective of this work is to improve the accuracy of multilabel DDI event prediction by developing the DDI-TransMDL model based on a Transformer Encoder architecture for the integration of multimodal features. Research Methods. The study applies methods of system analysis and deep learning, in particular a Transformer Encoder with a Multi-Head Self-Attention mechanism. Feature engineering techniques are implemented by incorporating the Jaccard coefficient, and model evaluation is performed using 5-Fold Cross Validation and multilabel metrics, including Micro/Macro F1-Score, ROC-AUC, and AUPR. Scientific Novelty. A DDI-TransMDL architecture is proposed for integrating four heterogeneous modalities (SMILES, Target, Enzyme, and Pathway) in the context of DDI prediction, along with a method for incorporating the Jaccard coefficient into the input feature vector. Practical Significance. The model demonstrates high predictive performance (Micro ROC-AUC ≈ 0.9893, Micro AUPR ≈ 0.8351) and can be used for multilabel prediction of 65 DDI events in pharmacovigilance and clinical research.
dc.format.extent147 с.
dc.identifier.citationМaцуєв, Р. О. Інтелектуaльнa системa визнaчення взaємодії між лікaми : магістерська дис. : 122 Комп'ютерні науки / Мaцуєв Ромaн Олексaндрович. – Київ, 2025. – 147 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/78855
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectпрогнозування взаємодії ліків
dc.subjectddi
dc.subjectтрансформер енкодер
dc.subjectмультимодальне навчання
dc.subjectself-attention
dc.subjectk fold cross-validation
dc.subjectбагатоміткова класифікація
dc.subjectpytorch
dc.subject.udc004.891:00485]:615.015.2(043.3)
dc.titleІнтелектуaльнa системa визнaчення взaємодії між лікaми
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Matsuiev_magistr-1.pdf
Розмір:
2.43 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ШІ)
Магістерські роботи