fa طراحی یک مدل بیوانفورماتیکی برای پیش‌‌بینی فعالیت ترکیبات دارویی و کاربرد آن بر مهار تکثیر HIV و ژن BACE-1 تخصصی متفرقه Divers پژوهشي Research <span dir="RTL"><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;">در این مقاله روش جدیدی برای مسئله پیش‌‌بینی خواص ترکیب‌‌های مولکولی در قدم بهینه&rlm;سازی پیشرو در طراحی دارو ارائه می‌‌گردد. تعداد داده&rlm;های برچسب شده در دسترس در قدم بهینه&rlm;سازی پیشرو اندک است. در سال‌‌های اخیر این چالش مورد توجه قرار گرفته است و از تکنیک‌‌های یادگیری انتقالی و یادگیری عمیق برای حل آن استفاده شده است. بدین منظور از مجموعه‌‌داده‌‌های مشابه به عنوان داده‌‌های کمکی برای آموزش یک مدل قابل اعتماد بهره گرفته شده است. در این روش‌‌، استخراج ویژگی از ترکیب‌‌های مولکولی نقش اساسی در انتقال دانش از مجموعه‌‌داده‌‌های مشابه (کمکی) به مجموعه داده‌‌ی اصلی ایفا می‌‌کند. در این مقاله تاثیر استفاده از شبکه‌‌های پیچشی گرافی که علاوه بر در نظر گرفتن ویژگی‌‌های اتم‌‌ها، قادر به در نظر گرفتن ویژگی‌‌های پیوندهای مولکولی می‌‌باشد، سنجیده می‌‌گردد. برای ارزیابی روش، از دو مجموعه داده استاندارد </span></span></span><span style="font-family:Times New Roman,serif;"><span style="font-size:10.0pt;">BACE</span></span><span dir="RTL"><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;"> و </span></span></span><span style="font-family:Times New Roman,serif;"><span style="font-size:10.0pt;">HIV</span></span><span dir="RTL"><span style="font-family:B Nazanin;"><span style="font-size:12.0pt;"> بهره گرفته شده است. نتایج بیانگر این امر است که روش پیشنهادی قادر به استخراج دانش موثرتری از مجموعه داده‌‌های مشابه برای انتقال به مجموعه‌‌داده‌‌ی هدف بوده است. </span></span></span> In this paper, a new method for the problem of predicting the compound molecule properties in the lead optimization step in drug design is presented. In the lead optimization step, the amount of available biological data on small molecule compounds is low. In recent years, this challenge has been considered and transfer learning and deep learning techniques have been used to solve it. For this purpose, similar data sets have been used as auxiliary data to learn a reliable model. In this method, compound feature extraction plays an essential role in transferring knowledge from similar (auxiliary) data sets to the target data set. In this paper, the effect of using Edge weighted Graph Convolutional Network (EGCN) is assessed which able to consider the feature vector of the compound bond as well as the atom feature vector. To evaluate the method, we have applied the proposed approach on BACE and HIV datasets. The obtained results show that the proposed method is able to extract more efficient knowledge from similar data sets to transfer to the target data set. ترکیب دارویی, شبکه پیچیشی گرافی, پیوندهای مولکولی, یادگیر عمیق, یادگیری انتقالی. Edge weighted Graph Convolutional Network, Molecular bonds, Deep learning, Transfer learning. 181 193 http://gebsj.ir/browse.php?a_code=A-10-392-1&slc_lang=fa&sid=1 Karim Abbasi کریم عباسی karim.abbasi@ut.ac.ir 10031947532846003662 10031947532846003662 No Laboratory of system Biology and Bioinformatics (LBB), Institute of Biochemistry and Biophysics, University of Tehran آزمایشگاه سیستم بیولوژی و بیوانفورماتیک، مرکز تحقیقات بیوشیمی و بیوفیزیک، دانشگاه تهران، ایران Ali Masoudi-Nejad علی مسعودی نژاد amasoudin@ut.ac.ir 10031947532846003663 10031947532846003663 Yes Laboratory of system Biology and Bioinformatics (LBB), Institute of Biochemistry and Biophysics, University of Tehran, Iran آزمایشگاه سیستم بیولوژی و بیوانفورماتیک، مرکز تحقیقات بیوشیمی و بیوفیزیک، دانشگاه تهران، ایران