ÖZET Son zamanlarda hızla artan literatür hacmi araştırmacıların farklı alanlarda üretilen bilgiye hâkim olmalarını zorlaştırmaktadır. Bu durum farklı alanlar arasındaki bağlantılar aracılığıyla yapılabilecek keşiflerin önündeki en büyük engellerden biridir. Literatür Tabanlı Keşif metodolojisi farklı alanlar arasında köprü vazifesi görerek bu zorluğun üstesinden gelmeye çalışmaktadır. Son yıllarda hızla gelişen yapay zekâ algoritmaları sıklıkla Literatür Tabanlı Keşifte oldukça başarılı sonuçlar elde edilmesine neden olmuştur. İlaç yeniden kullanımı mevcut bir ilacın başka hastalıklarda da etkili olup olmayacağını araştırılmasıdır. İlaç yeniden kullanımı, yatırımcıların pek fazla tercih etmediği Nadir Hastalık sınıfında bulunan hastalıklar için bir fırsat olarak görülmektedir. Bu tez kapsamında UMLS ve patentlerden elde edilen verilerden bir Bilgi Grafı (Knowledge Graph) oluşturulmuştur. Bu Bilgi Grafı üzerinde Graf Temsil metotları yardımıyla Duchenne Muscular Distrophy hastalığı için mevcut ilaçlar arasından yeniden kullanılabilecek ilaçlar için hipotezler üretilmiştir.

ABSTRACT Recently, the rapidly increasing volume of literature makes it difficult for researchers to master the information produced in different fields. This is one of the biggest barriers to discoveries that can be made through connections between different fields. The Literature Based Discovery methodology tries to overcome this challenge by acting as a bridge between different fields. Artificial intelligence algorithms that have developed rapidly in recent years have often led to very successful results in Literature Based Discovery. Drug repurposing is the investigation of whether an existing drug will be effective in other diseases. Drug repurposing is seen as an opportunity for rare diseases that are not preferred by investors. Within the scope of this thesis, a Knowledge Graph was created from the data obtained from UMLS and patents. On this Knowledge Graph, hypotheses have been generated for reusable drugs among existing drugs for Duchenne Muscular Dystrophy by Graph Representation methods.