Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Maskininlärningsmetoder för klassificering av G-proteinkopplade receptorer
KTH, School of Engineering Sciences (SCI).
2019 (Swedish)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
Machine Learning Methods for Classification of G Protein-Coupled Receptors (English)
Abstract [sv]

G-proteinkopplade receptorer utgör ett av de största ämnesområderna inom läkemedelsindustrin då approximativt en tredjedel av dagens mediciner binder till dessa. Målet med detta projekt är att använda olika maskininlärningsalgoritmer för att se hur väl de kan klassifiera dessa receptorer i olika tillstånd. Både de övervakade och oövervakade algoritmerna identifierade snarlika områden av proteinet som viktiga för klassificering av de olika tillstånden. Mer specifikt så kunde de övervakade metoderna "Random Forest" och "Multilayer Perceptron" göra förutsägelser om vilket tillstånd som proteinet befinner sig i med mycket god träffsäkerhet. De undersökta metoderna kan komma till användning när det gäller att analyzera mer komplexa molekyldynamiska simuleringar av G proteinkopplade receptorer. Slutligen kan detta sedan användas för att få en djupare förståelse av ligand bindningsmekanismen, vilket är ett avgörande steg i utvecklingen av nya mediciner för att behandla sjukdomar.

Abstract [en]

G protein-coupled receptors are one of the biggest targets for pharmaceutical drugs today. The aim with this project was to use different machine learning algorithms to classify the protein into different functional states and compare the results obtained by different algorithms. Both the supervised and unsupervised methods implemented in this project identified similar regions of the protein as important for classification of their functional state. More specifically, the supervised methods Random Forest and Multilayer Perceptron were able to make predictions of the functional state of a protein with great accuracy. The methods investigated will be useful for designing and analyzing the molecular dynamics simulations of GPCRs. Ultimately this will further our understanding of the drug binding mechanics, a critical step for the rational development of new drugs to treat various diseases.

 

Place, publisher, year, edition, pages
2019.
Series
TRITA-SCI-GRU ; 2019:130
National Category
Engineering and Technology
Identifiers
URN: urn:nbn:se:kth:diva-254770OAI: oai:DiVA.org:kth-254770DiVA, id: diva2:1335210
Supervisors
Examiners
Available from: 2019-07-04 Created: 2019-07-04 Last updated: 2019-07-04Bibliographically approved

Open Access in DiVA

fulltext(3097 kB)11 downloads
File information
File name FULLTEXT01.pdfFile size 3097 kBChecksum SHA-512
da489c34e1d654154e5980eb428775976c6d98a647430de586319f6687e2883768b9cda3bab6f9f6c54733174edc9c5c654e3a989908f0a47415b7b13410fa50
Type fulltextMimetype application/pdf

By organisation
School of Engineering Sciences (SCI)
Engineering and Technology

Search outside of DiVA

GoogleGoogle Scholar
Total: 11 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 25 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf