Kanser modellerinin veri analizi ve matematiksel davranışları
Data analysis and mathematical behavior of cancer models
- Tez No: 1012722
- Danışmanlar: PROF. DR. YASEMİN BAŞBINAR, DR. ÖĞR. ÜYESİ NECLA KOÇHAN
- Tez Türü: Doktora
- Konular: Matematik, Onkoloji, Mathematics, Oncology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Onkoloji Ana Bilim Dalı
- Bilim Dalı: Translasyonel Onkoloji Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, matematiksel modelleme yaklaşımları ile sağlık bilimlerinde yaygın olarak kullanılan veri odaklı yöntemler arasında anlamlı bir bağ kurulup kurulamayacağını, glioblastoma örneği üzerinden incelemektedir. Bu kapsamda, zamana ve uzaya bağlı dinamikleri ve stokastik etkileri içeren sürekli bir tümör büyüme modeli önerilmiştir. Model, bireysel tümör heterojenliğini yansıtan ölçülebilir parametreler üzerinden tanımlanmış ve matematiksel analiz ile sayısal çözümler aracılığıyla klinik verilerle uyumlu senaryolar üretmek amacıyla değerlendirilmiştir. Önerilen yaklaşım, yalnızca mekanistik modelleme ile sınırlı kalmayıp, mutasyon ve transcriptomik verilerden elde edilen veri analitiği sonuçları ile entegre edilerek tümör büyümesinin genetik belirleyicilerini ortaya koymayı hedeflemektedir. Literatürde radyogenomik yaklaşımlar ve hacimsel görüntüleme analizleri ön planda olmakla birlikte, bu yaklaşımların tümör hacim dinamikleri ile çoklu omik veriler bağlamında bütüncül biçimde ele alındığı çalışmalar oldukça sınırlıdır. Bu çalışma, bu boşluğu doldurarak matematiksel modelleme ile genomik ve transcriptomik verileri entegre eden kapsamlı bir çerçeve sunmaktadır. Elde edilen bulgular, matematiksel modelden türetilen tümör kütlesi ile kısıtlı ortalama sağkalım süresi (RMST) arasında güçlü ve tutarlı bir ters yönlü ilişki olduğunu göstermektedir. Bu durum, tümör yükünün klinik açıdan anlamlı bir prognostik gösterge olabileceğini ortaya koymaktadır. Ayrıca, EGFR, PTEN ve TP53 gibi iyi bilinen sürücü genlerin yanı sıra LRP2, TSR2 ve HSD17B10 gibi daha az çalışılmış genlerin de tümör büyümesi ve sağkalım üzerinde etkili olduğu belirlenmiştir. Mekanistik açıdan değerlendirildiğinde, tümör progresyonunun proliferatif ve baskılayıcı biyolojik süreçler arasındaki denge ile şekillendiği görülmektedir. Bu bulgu, glioblastomanın heterojen ve karmaşık doğasını yansıtmakta ve çok ölçekli modelleme yaklaşımlarının gerekliliğini vurgulamaktadır. Sonuç olarak, bu çalışma matematiksel modelleme ile klinik ve çoklu omik verilerin entegrasyonunun, tümör büyümesi ve sağkalımın anlaşılması açısından güçlü ve yorumlanabilir bir çerçeve sunduğunu göstermekte ve hassas onkoloji alanında hasta spesifik prognostik araçların geliştirilmesine katkı sağlamaktadır.
Özet (Çeviri)
This study investigates whether a meaningful connection can be established between mathematical modeling approaches and data-driven methodologies commonly used in health sciences, with a particular focus on glioblastoma. In this context, a continuous tumor growth model incorporating spatiotemporal dynamics and stochastic effects is proposed to capture individual tumor heterogeneity. The model is formulated using measurable parameters and analyzed through both mathematical and numerical methods to generate clinically consistent scenarios. Beyond mechanistic modeling, the proposed framework integrates transcriptomic and somatic mutation data through data analytics to identify the genetic determinants of tumor growth. While existing literature primarily emphasizes radiogenomic approaches and volumetric imaging-based analyses, studies that jointly consider tumor volume dynamics with multi-omics data remain limited. This study addresses this gap by providing a comprehensive framework that systematically combines mathematical modeling with genomic and transcriptomic information. The results demonstrate a strong and consistent inverse relationship between model-derived tumor mass and restricted mean survival time (RMST), indicating that tumor burden serves as a clinically meaningful prognostic indicator. This relationship is supported not only empirically but also mechanistically, reinforcing the validity of the proposed model. Furthermore, the integration of multi-omics data identifies both well-established driver genes, such as EGFR, PTEN, and TP53, and less-studied genes, including LRP2, TSR2, and HSD17B10, as contributors to tumor dynamics and survival variability. From a mechanistic perspective, tumor progression appears to be governed by a balance between proliferative drivers and suppressive biological processes, reflecting the complex and heterogeneous nature of glioblastoma. Despite certain limitations, including the use of model-derived tumor mass and the absence of direct radiological integration, the study presents a unified and interpretable framework. Overall, this work demonstrates that integrating mathematical modeling with clinical and multi-omics data provides a powerful approach for understanding tumor growth and survival, with potential applications in developing patient-specific prognostic tools in precision oncology.
Benzer Tezler
- Computation of cell paths using adaptive tracking integrated with learning based segmentation and identification of movement patterns
Öğrenme tabanlı segmentasyon ile entegre adaptif takip kullanılarak hücre yollarının hesaplanması ve hareket biçimlerinin belirlenmesi
KÜBRA ATEŞ
Yüksek Lisans
İngilizce
2025
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiMoleküler Biyoloji-Genetik ve Biyoteknoloji Ana Bilim Dalı (disiplinlerarası)
PROF. DR. HALİL BAYRAKTAR
- Optimization models for survival analysis to identify key gene sets in cancer
Kanser hastalığında önemli gen kümelerini belirlemek için geliştirilen en iyileme modelleri
ONUR DERELİ
Doktora
İngilizce
2020
Endüstri ve Endüstri MühendisliğiKoç ÜniversitesiEndüstri Mühendisliği ve Operasyon Yönetimi
PROF. DR. CEYDA OĞUZ
- Lojistik regresyon analizi ve makine öğrenmesi algoritmaları ile prostat kanseri risk faktörlerinin belirlenmesi üzerine bir çalışma
A study on the determination of prostate cancer risk factors by logistic regression analysis and machine learning algorithms
SELMAN AKTAŞ
Doktora
Türkçe
2022
Biyoistatistikİstanbul Üniversitesi-CerrahpaşaBiyoistatistik Ana Bilim Dalı
PROF. DR. MURAT KİRİŞCİ
- Ftir histo-spectroscopic evaluation and chemometric discrimination of colon cancer
Kolon kanserinin ftır hısto-spectroscopıc değerlendirmesi ve kemometrik ayrıştırımı
SUSAN NAJAH MAHDI AL-KINANI
Yüksek Lisans
İngilizce
2020
Biyokimyaİstanbul Teknik ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. RAMAZAN KIZIL
- Metabolism-oriented multiomics data integration
Farklı omı̇k verı̇lerı̇n metabolı̇zma odaklı entegrasyonu
AYCAN ŞAHİN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. ALİ ÇAKMAK