Bahattin Can Maral, Mehmet Tan · 2022 · IFIP International Conference on Artificial Intelligence Applications and Innovations · Springer International Publishing · pp. 414-425 · Citado por 1
Entre los avances recientes en bioinformática y quimiogenómica, diversos métodos de aprendizaje profundo han sido los más destacados. Esto provocó una sobresaturación de modelos potentes que superaron fácilmente los límites de los conjuntos de datos existentes. Posteriormente, se lograron numerosos avances mediante mejoras en los conjuntos de datos. En medio de estos avances, los investigadores de Deep Compound Profiler (DeepCOP) se distinguieron con un método innovador para introducir nuevas características manteniendo relativamente simple el modelo de aprendizaje profundo. En este estudio proponemos llevar ese método un paso más allá aplicando aprendizaje por transferencia entre líneas celulares. Para evaluar mejor los beneficios del aprendizaje por transferencia, introdujimos 2 particiones de datos basadas en fármacos. El método de aprendizaje por transferencia, en su núcleo, utiliza el conocimiento aprendido en líneas celulares 'origen' para dar una ventaja inicial a las líneas celulares 'objetivo'.
Bahattin Can Maral · 2022 · arXiv preprint arXiv:2202.11763 · Citado por 18
La super-resolución (SR), el proceso de obtener imágenes de alta resolución a partir de una o más observaciones de baja resolución de la misma escena, ha sido un tema de investigación muy popular en las últimas décadas tanto en el procesamiento de señales como en el procesamiento de imágenes. Debido a los avances recientes en las Redes Neuronales Convolucionales, la popularidad de los algoritmos de SR se ha disparado, ya que la barrera de entrada se ha reducido significativamente. Recientemente esta popularidad se ha extendido al procesamiento de vídeo, llegando al desarrollo de modelos de SR que funcionan en tiempo real. En este artículo comparamos distintos modelos de SR especializados en imagen única y echamos un vistazo a cómo han evolucionado para abordar múltiples objetivos y formas a lo largo de los años.
Rıza Işık, Işıksu Ekşioğlu, Bahattin Can Maral, Benan Bardak, Mehmet Tan · 2020 · 2020 IEEE 20th International Conference on Bioinformatics and Bioengineering (BIBE) · IEEE · pp. 111-114 · Citado por 1
Comprender el mecanismo de acción de los fármacos es vital para el descubrimiento de medicamentos. Identificar el efecto de los fármacos sobre la expresión génica permite arrojar luz sobre la influencia sistémica de los compuestos químicos en los organismos biológicos. En este artículo proponemos utilizar redes neuronales multi-tarea para predecir la expresión génica diferencial inducida por compuestos químicos en líneas celulares de cáncer basándonos únicamente en características de los compuestos. Nuestro modelo predice la expresión génica diferencial identificada mediante un método llamado Characteristic Direction sobre una gran base de datos de expresión génica inducida por compuestos (LINCS L1000). Los resultados muestran que las redes multi-tarea superan a otras líneas base de una sola tarea. También comparamos distintas representaciones de los compuestos y reportamos el efecto del clustering de genes sobre el rendimiento de predicción.
Kimyasalların Gen Düzenleyici Etkilerinin Tahmini için Transfer Öğrenimi
Bahattin Can Maral · 2022 · TOBB ETÜ
La quimiogenómica es el estudio de la reacción genómica y/o proteómica de dianas biológicas frente a compuestos químicos con el objetivo de asistir en el diseño y cribado de fármacos. Uno de los muchos desafíos en quimiogenómica se deriva de la dependencia de datos experimentales reales; la combinación de distintos compuestos químicos y dianas farmacológicas crea un número poco realista de experimentos posibles, lo que resulta en conjuntos de datos sesgados hacia determinadas sustancias químicas y dianas. Los avances recientes en aprendizaje automático han producido una sobresaturación de modelos potentes que superan fácilmente los límites de estos conjuntos de datos. Para neutralizar los efectos de estos sesgos utilizamos aprendizaje por transferencia, un método para transferir conocimiento de problemas similares. El sesgo más importante en los conjuntos de datos de quimiogenómica es el relativo a las dianas farmacológicas. La accesibilidad e importancia de ciertas líneas celulares incrementa enormemente la probabilidad de que sean utilizadas como diana en estos experimentos, mientras que otras apenas cuentan con datos suficientes para entrenar modelos de aprendizaje automático.