Chemical similarity of cancer drugs and the construction of a comprehensive drug target network,focusing on the cancer metabolic pathway.Chemical similarity of cancer drugs and the construction of a comprehensive drug target network,focusing on the cancer metabolic pathway.Η χημική ομοιότητα των φαρμάκων κατά του καρκίνου και η κατασκευή ενός ολοκληρωμένου δικτύου στόχων φαρμάκων, εστιάζοντας στο μεταβολικό μονοπάτι του καρκίνου Διπλωματική Εργασία Diploma Work 2020-02-202019enDrug Repositioning using in silico approaches, gains more and more ground both in academia and in the R& D departments of big pharmaceutical companies mostly because they result in a significant reduction to cost and time assisting in designing more efficient and safer drug molecules. One of the main fields it has been deployed is treating and preventing cancer, which despite the massive efforts on time and investments has not been efficiently tackled yet. This has led to reposition compounds like Acetylsalicylic acid (Aspirin) and Metformin to cure various types of tumour. Chemical similarity is an important concept in drug research. In silico tools for similaritybased approaches are used to identify compounds with similar bioactivities based on structural similarity between two ligands that could share same or similar targets. As chemical similarity seems to be an indication for similar pharmacological activity, this thesis aims to take advantage of it and develop two computational approaches to find approved or experimental drugs which could possibly be used to treat cancer. These are based on algorithms common in chemoinformatics, on machine learning models, and ensemble methods to enhance their performance in order to make confident predictions. The approaches are based on the assessment of the Simplified Molecular-Input Line-Entry System (SMILES) as adequate molecular structure representations for the identification of drug similarities. The first method aims to pairwise drug similarity or similarity among a few compounds, whereas the second one focuses on drug group similarity. Results include suggestions of coxib similar drugs and repositioned drugs focusing on metabolic pathways of cancer.H επανατοποθέτηση φαρμάκων με χρήση in silico προσεγγίσεων, κερδίζει όλο και περισσότερο έδαφος στην ακαδημαϊκή έρευνα και στα τμήματα Έρευνας και Ανάπτυξης των μεγάλων φαρμακευτικών εταιρειών κυρίως λόγω της επιτυχίας τους στη σημαντική μείωση του κόστους και του χρόνου ανάπτυξης, επικουρώντας στη σχεδίαση πιο αποδοτικών και ασφαλών φαρμάκων. Ένα από τα κύρια πεδία στα οποία έχει χρησιμοποιηθεί είναι η θεραπεία και η πρόληψη του καρκίνου, ο οποίος παρά τις μεγάλες προσπάθειες που γίνονται σε χρόνο κι επενδύσεις δεν έχει αντιμετωπιστεί ακόμα αποτελεσματικά. Αυτό έχει οδηγήσει στον επανατοποθέτηση φαρμάκων όπως το Ακετυλοσακυλικό οξύ (Ασπιρίνη) και η Μετφορμίνη για να θεραπεύσουν διάφορους τύπους καρκίνου. Η χημική ομοιότητα είναι μια σημαντική έννοια στη φαρμακευτική έρευνα. In silico εργαλεία για προσεγγίσεις με βάση την ομοιότητα χρησιμοποιούνται για να αναγνωρίσουν δραστικές με όμοια βιολογική δράση αξιολογώντας τη δομική ομοιότητα μεταξύ ουσιών με όμοιες ή παρόμοιες πρωτεΐνες. Καθώς η χημική ομοιότητα αποτελεί ένδειξη για όμοια φαρμακολογική δράση, αυτή η διπλωματική αποσκοπεί στο να την εκμεταλλευτεί και να αναπτύξει 2 υπολογιστικές προσεγγίσεις για να βρεθούν εγκεκριμένα ή πειραματικά φάρμακα, τα οποία πιθανόν θα μπορούσαν να χρησιμοποιηθούν για την αντιμετώπιση του καρκίνου. Αυτές βασίζονται σε συνήθεις μεθόδους στον τομέα της υπολογιστικής χημείας, μοντέλα μηχανικής μάθησης και συνδυασμό αυτών τους ώστε να έχουμε ισχυρές προβλέψεις. Η προσέγγιση γίνεται με αξιολόγηση των SMILES σαν επαρκή μοριακή απεικόνιση για την αναγνώριση φαρμακευτικών ομοιοτήτων. Η πρώτη μέθοδος αφορά την ανά ζεύγη χημική ομοιότητα δύο ενώσεων ή ομοιότητα λίγων δραστικών ενώ η δεύτερη επικεντρώνεται στην ομοιότητα ομάδας φαρμάκων. Τα αποτελέσματα περιλαμβάνουν προτάσεις φαρμάκων όμοιων με τις coxibs και επανατοποθετημένα φάρμακα που εστιάζουν στα μεταβολικά μονοπάτια του καρκίνου.http://creativecommons.org/licenses/by/4.0/Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών ΥπολογιστώνKallergis_Georgios_Dip_2019.pdfChania [Greece]Library of TUC2020-02-19application/pdf1.1 MBfree Kallergis Georgios Καλλεργης Γεωργιος Zervakis Michail Ζερβακης Μιχαηλ Stavrakakis Georgios Σταυρακακης Γεωργιος Sfakianakis Stylianos Σφακιανακης Στυλιανος Πολυτεχνείο Κρήτης Technical University of Crete Machine learning Computational pharmaceutics