Drug–Target Interaction Prediction Using Machine Learning

طورت مشروعًا للتنبؤ بالتفاعل بين الأدوية والبروتينات (Drug–Target Interaction Prediction) باستخدام Machine Learning، مع تحليل تشابه الأدوية بالاعتماد على خصائصها الجزيئية.

اعتمد المشروع على بيانات BindingDB_Kd، وتم تحويل قيم Kd إلى تصنيف ثنائي للتفاعل، ثم تنفيذ Data Preprocessing وFeature Engineering باستخدام **MACCS Molecular Fingerprints** و**Amino Acid Composition** لتمثيل الأدوية والبروتينات.

لمعالجة مشكلة عدم توازن الفئات، تم استخدام **WGAN-GP** على بيانات التدريب فقط، مع تطبيق **Murcko Scaffold Split** لتقييم قدرة النماذج على التعميم على هياكل دوائية مختلفة.

تم بناء ومقارنة نماذج **Random Forest وXGBoost** باستخدام Scaffold-aware Cross-Validation، وحقق نموذج XGBoost تحسنًا في **ROC-AUC من 77.6% إلى 84.6%**، بالإضافة إلى تحسن Sensitivity من **26% إلى 64%** بعد معالجة عدم التوازن.

المشروع يركز على بناء Pipeline متكامل يبدأ من تجهيز البيانات وتمثيل الـfeatures، مرورًا بمعالجة عدم التوازن وبناء النماذج وتقييمها، وصولًا إلى تحليل النتائج.