Your browser does not support JavaScript!

Αρχική    Συλλογές    Τύπος Εργασίας    Πτυχιακές εργασίες  

Πτυχιακές εργασίες

Τρέχουσα Εγγραφή: 2 από 1685

Πίσω στα Αποτελέσματα Προηγούμενη σελίδα
Επόμενη σελίδα
Προσθήκη στο καλάθι
[Προσθήκη στο καλάθι]
Τίτλος Deep learning model for molecular potency and drug design
Άλλος τίτλος Μοντέλο βαθιάς μάθησης για μοριακή ισχύ και σχεδιασμό φαρμάκων
Συγγραφέας Γιάνναρος, Χρήστος
Σύμβουλος διατριβής Πανταζής, Ιωάννης
Περίληψη Η διαδικασία ανακάλυψης φαρμάκων αντιμετωπίζει συχνά εμπλοκές λόγω των έντο- νων και χρονοβόρων πειραματικών διαδικασιών. Η παρούσα μελέτη αντιμετωπίζει αυ- τές τις προκλήσεις χρησιμοποιώντας το SELFormer, ένα μοντέλο χημικής γλώσσας βασισμένο σε μετασχηματιστή, για την πρόβλεψη τιμές IC50 για αναστολείς της 15- λιποξυγενάσης-1 (15-LOX-1) - κρίσιμης σημασίας για τη θεραπεία φλεγμονωδών ασθε- νειών. Με τη λεπτομερή ρύθμιση SELFormer σε ένα σύνολο μοριακών δεδομένων και συγκρίνοντας την απόδοσή του με παραδοσιακές τεχνικές μηχανικής μάθησης όπως το SVR και το Ridge Regression, αποδεικνύουμε ότι το SELFormer παρέχει ανταγωνιστι- κή ακρίβεια πρόβλεψης. Η προσέγγισή μας είναι σημαντικά βελτιώνει την ανακάλυψη φαρμάκων σε πρώιμο στάδιο, αναδεικνύοντας τη δυνατότητα της ΤΝ να επιταχύνει την ανάπτυξη νέων αναστολέων.
Γλώσσα Αγγλικά
Ημερομηνία έκδοσης 2024-11-21
Συλλογή   Σχολή/Τμήμα--Σχολή Θετικών και Τεχνολογικών Επιστημών--Τμήμα Φυσικής--Πτυχιακές εργασίες
  Τύπος Εργασίας--Πτυχιακές εργασίες
Μόνιμη Σύνδεση https://elocus.lib.uoc.gr//dlib/f/e/5/metadata-dlib-1729235437-809-20924.tkl Bookmark and Share
Εμφανίσεις 15

Ψηφιακά τεκμήρια
No preview available

Κατέβασμα Εγγράφου
Προβολή Εγγράφου
Εμφανίσεις : 3