UNIVERZITET U TUZLI
FAKULTET ELEKTROTEHNIKE
Franjevačka br.2
Tuzla
O B J A V L J U J E
Amina Buljubašić Hamidović, bachelor inž. el., javno će braniti završni magistarski rad pod naslovom: „Određivanje QSAR modela tehnikama mašinskog učenja“, dana 03.06.2024. godine sa početkom u 12,00 sati na Fakultetu elektrotehnike Univerziteta u Tuzli-Stelekt, pred Komisijom u sastavu:
- Dr. sci. Emir Skejić, vanredni profesor-predsjednik
Uža naučna oblast Računarstvi i informatika
Fakultet elektrotehnike Univerziteta u Tuzli - Dr. sci. Damir Demirović, vanredni profesor-mentor/član
Uža naučna oblast Računarstvi i informatika
Fakultet elektrotehnike Univerziteta u Tuzli - Dr. sci. Amira Šerifović Trbalić, vanredni profesor-član
Uža naučna oblast Automatika i robotika
Fakultet elektrotehnike Univerziteta u Tuzli
Zamjenski član Komisije, dr.sci. Emir Mešković, vanredni profesor, uža naučna Računarstvi i informatika, Fakultet elektrotehnike Univerziteta u Tuzli.
Pristup javnosti je slobodan.
Završni magistarski rad se može pogledati u Sekretarijatu fakulteta svakim radnim danom od 09,00 do 15,00 sati.
REZIME RADA
Oblasti koje se bave QSAR modeliranjem suočavaju se sa rastućim izazovima optimizacije podataka i primjenom algoritama mašinskog učenja. Fokus ovog rada usmjeren je na ChEMBL bazu podataka s ciljem identifikacije potencijalno bioaktivnih spojeva. Za razliku od tradicionalnog pristupa sa polovinim maksimalne inhibicijske konstante IC50, korištena je inhibicijska konstanta Ki kao mjerilo afiniteta spoja prema ciljnom proteinu.
Analiza Lipinski deskriptora pruža duboki uvid u molekulske karakteristike spojeva, dok se PaDEL deskriptori koriste za preciznu pripremu podataka. Rezultati istraživanja pokazuju da većina korištenih modela efikasno obrađuje podatke s minimalnim odstupanjem testnih podataka od trening podataka. Implementacija web aplikacije olakšava korisničku primjenu rezultata, omogućavajući brzo dobivanje vrijednosti inhibicijske konstante za određene molekule.
Rad prikazuje komparaciju rezultata sa rezultatima drugih autora, uspoređujući koji modeli široke primjene imaju najbolje rezultate nad različitim setovima podataka. Također prikazani su procesi poboljšanja, čišćenja i pripreme finog podešavanja podataka u cilju optimizacije hiperparametara.
Ograničenja QSAR modeliranja naglašena su, posebno uz istaknutu važnost kvalitetnih ulaznih podataka. Rad pruža temelje za daljnji razvoj u identifikaciji bioaktivnih spojeva s potencijalom za farmaceutsku primjenu. Modeli korišteni za analizu ChEMBL podataka pokazuju opću primjenjivost i otpornost na prekomjerno prilagođavanje, pridonoseći napretku u preciznosti identifikacije spojeva s potencijalom za razvoj novih lijekova.