Geri Dön

Cancer subtyping and multi-omics analysis of common precursor B Acute Lymphoblastic Leukemias

B hücreli (Common Precursor B) akut lenfoblastik lösemilerin kanser alt tiplemesi ve çoklu omic analizi

PDF İndir

  1. Tez No: 1013672
  2. Yazar: BARAN ALKAN
  3. Danışmanlar: DOÇ. DR. ELİF KUBAT ÖKTEM, PROF. DR. HANDAN ANKARALI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyoistatistik, Genetik, Hematoloji, Biostatistics, Genetics, Hematology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: İstanbul Medeniyet Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Lösemi, lökositlerin kontrolsüz bölünmesi ile karakterize çocukluk çağı kanseridir. Akut lenfoblastik lösemi (ALL) Türkiye'de 1–15 yaş arası çocuklarda görülen ölüm nedenlerinde dördüncü sırada yer almaktadır. Lösemilerin yaklaşık %85'i B hücreli olup, bu gruptaki en yaygın alttip“Common Precursor B-ALL”dir (Yaygın Öncü B-ALL). Bu çalışmada, Molecular Profiling to Predict Responses to Therapy (MP2PRT) kohortuna ait“Common Precursor B-ALL”hastalarının çoklu omik verileri kullanılarak kümeleme analizi R yazılım dili kullanılarak yapılmıştır. RNA dizileme (RNA-seq), kopya sayı değişiklikleri (CNA) ve somatik mutasyon verileri, Genomic Data Commons (GDC) veri bankası altyapısından elde edilmiştir. Veri düzenleme aşamasında transkriptomik ve kopya sayısı verileri için en değişken %50 gen, somatik mutasyon verilerinde ise en sık mutasyona uğrayan 50 gen analize dahil edilmiştir. Farklı omik katmanlardan elde edilen bu verilerin, veri entegrasyonu ve alt tip belirleme sürecinde, MOVICS (Multi-Omics Integration and Clustering System) yazılımı kullanılmış ve on farklı makine öğrenmesi algoritmasının (iClusterBayes, SNF, PINSPlus, NEMO, COCA, LRACluster, Consensus Clustering, IntNMF, CIMLR ve MoCluster) çıktıları birleştirilerek konsensüs temelli bir kümeleme yaklaşımı benimsenmiştir. Kümeleme sonuçları ortalama siluet genişliği, ısı haritası (heatmap), gap istatistiği, kümeleme tahmin endeksi (CPI) gibi metriklerle değerlendirilmiştir. İki, üç, dört ve beş alt tipli modellerle kümeleme analizi denenmiştir. Model belirleme aşamasında hem üç kümeli hem de dört kümeli modeller anlamlı sonuçlar verdiği için devam edilmiş ve bu modeller stabilite, ayrışma gücü ve biyolojik anlamlılık açısından karşılaştırılmıştır. Belirlenen moleküler alt tiplerin biyolojik özelliklerini detaylı olarak karakterize etmek amacıyla kapsamlı genetik analizleri gerçekleştirilmiştir. Diferansiyel gen ekspresyon analizi ile her bir alt tipe özgü gen imzaları belirlenmiş, ardından gen set zenginleştirme analizi (GSEA) ve gen set varyasyon analizi (GSVA) ile bu genlerin dahil olduğu biyolojik yolaklar ve fonksiyonel süreçler incelenmiştir. Ayrıca, tümör mutasyon yükü (TMB) ve fraksiyonel genomik değişim (FGA) gibi genomik instabilite göstergeleri hesaplanarak alt tipler arasındaki farklılıklar ortaya konulmuştur. Bu analizler, her bir alt tipin kendine özgü moleküler ve fonksiyonel özelliklere sahip olduğunu göstermiştir. Elde edilen alt tiplerin genellenebilirliğini ve klinik geçerliliğini değerlendirmek amacıyla TARGET-ALL-P2 dış kohortu kullanılarak harici doğrulama yapılmıştır. Bu doğrulama sürecinde, alt tiplerin yeniden üretilebilir olduğu ve farklı veri setlerinde de benzer biyolojik özellikler sergilediği gösterilmiştir. Her iki modelde de mutasyon profili incelendiğinde, KRAS, NRAS, PTPN11, CREBBP ve FLT3 mutasyonları istatistiki olarak anlamlı dağılmıştır. Üç kümeli modelde RAS mutasyonları, FLT3, CREBBP en çok Küme 2'de görülmüştür, titin mutasyonu ise en çok Küme 1'de görülmüştür. Dört kümeli modelde ise RAS mutasyonları, FLT3, CREBBP en çok Küme 3'te görülürkürken, titin en çok Küme 1'de görülmüştür. Dört kümeli modelde, üç kümeli modelde netleşmeyen NSD2 mutasyonunu Küme 1 için tanımlayıcı özellik olarak ortaya çıkmıştır. Tümör mutasyon yükü analizleri genel modeller için istatistiksel olarak anlamlı bulunmuştur. Üç kümeli modelde en düşük değerler Küme 3'te görülürkürken, dört kümeli modelde en düşük değerler Küme 2'de görülmüştür. Her iki modelde de Küme 1 en yüksek ve geniş TMB dağılımını göstermiştir. Fraction of genome altered kopya sayısı değişimini uğrayan genom oranını ifade eder. Yüksek olması agresif hastalıkla ilişkilidir. Fraksiyonel genomik değişim incelendiğinde üç kümeli modelde Küme 2 en yüksek, Küme 1 en düşük FGA değerlerine sahipken; dört kümeli modelde Küme 3 en yüksek, Küme 1 en düşük FGA değerlerine sahip olmuştur. TARGET-ALL-P2 kohortu kullanılarak gerçekleştirilen doğrulama analizlerinde, Nearest Template Prediction (NTP) ve Prediction Analysis for Microarrays (PAM) yöntemleri ile yapılan alt tip atamaları arasında yüksek uyum gözlenmiş olup, Cohen's kappa değerleri 0.65–0.86 aralığında bulunmuştur (p<0.001). Yapılan incelemede üç kümeli modelde üçüncü küme silüet skoru 0.04 olup sınıflandırmanın kötü olduğu görülmüştür. Dört kümeli modelin daha yüksek stabilite (ortalama siluet genişliği: 0.37) ve daha belirgin genomik ayrışma sağladığı gösterilmiştir. Bu nedenle, ileri analizler dört alt tipli model üzerinden yürütülmüştür. Dört alt tipin moleküler özellikleri biyolojik yolak analizi ile incelendiğinde, belirgin biyolojik farklılıklar gözlenmiştir. Birinci küme, immünolojik olarak aktif bir transkripsiyonel profil ile karakterize olup, inflamasyon ile ilişkili genlerin yüksek ekspresyonu dikkat çekmektedir. İkinci küme, yüksek proliferatif kapasiteye sahip olup hücre döngüsü ve metabolik aktivite ile ilişkili yolakların belirgin aktivasyonu ile tanımlanmaktadır. Üçüncü küme, en yüksek mutasyon yükü ve kopya sayı değişiklikleri ile karakterize edilmekte olup, genomik instabilitenin baskın olduğu bir alt tip olarak öne çıkmaktadır. Dördüncü küme ise metabolik olarak baskılanmış bir durum sergilemekte ve genel olarak düşük proliferatif aktivite ile ilişkilendirilmiştir. Alt tiplerin daha iyi anlaşılabilmesi için kümeye özgü biyobelirteçler belirlenmiş ve bu biyobelirteçler makine öğrenmesi temelli yöntemler kullanılmıştır. Bu kapsamda, Random Forest ve LASSO (Least Absolute Shrinkage and Selection Operator) algoritmaları kullanılarak MOVICS sonuçlarıyla ortak olan yüksek ayırt edici güce sahip genler seçilmiştir. Tedaviye yönelik potansiyel hedeflerin belirlenmesi amacıyla ilaç yeniden konumlandırma (drug repositioning) analizi gerçekleştirilmiştir. Bu analizde, LINCS L1000 Characteristic Direction Signature Search Engine (L1000CDS) platformu kullanılarak alt tipe özgü gen ekspresyon imzaları ile ters korelasyon gösteren farmakolojik ajanlar belirlenmiştir. Multifaktöriyel düzenleyici ağları analizinde (MRN), transkripsiyon faktörleri (TF), mikroRNA'lar (miRNA) ve protein-protein etkileşimleri (PPI) katmanları entegre edilerek her alt tip için model inşa edilmiştir ve topolojik haritalar oluşturulmuştur. Çok değişkenli Cox orantısal risk regresyon analizi yapılmıştır. Aynı zamanda klinik sonuçların tahmin edilmesi amacıyla derin öğrenme tabanlı sağkalım analizi yapay sinir ağı olan DeepSurv modeli kullanılarak Python yazılım dilinde analiz gerçekleştirilmiştir. Model, klinik veri ile GSVA skorları gibi fonksiyonel özellikleri öznitelik olarak alacak şekilde tasarlanmış ve çok katmanlı algılayıcı (multilayer perceptron) mimarisi ile eğitilmiştir. Modelin eğitimi için veri seti rastgele olarak %75 eğitim ve %25 doğrulama olarak ikiye ayrılmıştır. Ağ mimarisi, sırasıyla 64 ve 32 nörondan oluşan iki gizli katmandan yapılandırılmış olup, katmanlar arası öğrenmenin stabilitesini artırmak ve aşırı uyumu (overfitting) azaltmak amacıyla batch normalizasyon uygulanmıştır, parametrelerinin optimizasyonunda AdamW algoritması tercih edilmiştir. Biyobelirteç belirleme sürecinde dört moleküler alt tip genelinde toplam 65 biyobelirteç tanımlanmış olup, bunların 16'sı Küme 1'de, 18'i Küme 2'de, 21'i Küme 3'te ve 10'u Küme 4'te yer almıştır. Küme 1 için gerçekleştirilen biyobelirteç seçimi sürecinde makine öğrenmesi yöntemleri ile OR11K2P, DRD5, BIRC7, ENSG00000272872, ENSG00000251550, TRNP1, LSP1P4, UBE2QL1, ENSG00000253134, LINC02802, ENSG00000260426, STMN1, REEP3, GTDC1, COPG2 ve ARFGAP3, MOVICS kesişimi ile birlikte biyobelirteç olarak tanımlanmıştır. MRN analizinde yerel (degree) ölçüm sonucunda ise en önemli ilk 10 belirteç sırasıyla REEP3, STMN1, UBE2QL1, GTDC1, ARFGAP3, COPG2, TRNP1, BIRC7, DRD5 ve hsa-miR-3667-3p olarak belirlenmiştir. Küme 2 için yapılan biyobelirteç seçimi analizinde, makine öğrenmesi yöntemleri ile MT1X, FBP1, RIOX2, CD48, CYFIP2, POLM, EEF1B2, LOXHD1, ENSG00000276668, LINC00671, ENSG00000273472, ENSG00000237716, DCHS1, ENSG00000279821, ENSG00000286194, ENSG00000253335, TCF4 ve UTRN MOVICS kesişimi ile biyobelirteç olarak tanımlanmıştır. MRN analizi sonucunda en önemli ilk 10 belirteç TCF4, CYFIP2, UTRN, POLM, FBP1, EEF1B2, DCHS1, MT1X, RIOX2 ve hsa-miR-3613-3p olarak belirlenmiştir. Küme 3'te biyobelirteç seçimi sonucunda ENSG00000288101, BDKRB2, C18orf63, ENSG00000286529, TMEM121B, LINC02955, ENSG00000232124, ENSG00000285957, CAPN11, ALDH3B2, LCN6, IL6R, DUSP3, SLC19A1, TMEM187, ABCA2, IL2RG, TAF9B, LARP1B, SNX12 ve DYM MOVICS ile kesişen biyobelirteçler olarak belirlenmiştir. MRN analizi bu kümede öne çıkan ilk 10 belirtecin BDKRB2, DUSP3, IL6R, TAF9B, ALDH3B2, SLC19A1, LARP1B, SNX12, ABCA2 ve C18orf63 olduğunu göstermiştir. Küme 4 için gerçekleştirilen biyobelirteç seçimi analizinde ise RN7SL698P, ENSG00000254484, ENSG00000253430, ENSG00000206816, ZNF540, ZC3H18, FOXJ3, CAMTA1, MIER1 ve PSMB3 MOVICS ile kesişen biyobelirteçler olarak tanımlanmıştır. MRN analizi sonucunda en önemli ilk 10 belirteç FOXJ3, MIER1, ZC3H18, CAMTA1, PSMB3, ZNF540, hsa-miR-1324, hsa-miR-105, hsa-miR-3686 ve hsa-miR-4796-3p olarak belirlenmiştir. Küme 1 için başlıca adaylar çoklu kinaz inhibitörleri (dovitinib), PI3K/AKT yolak inhibitörleri (ZSTK-474, A-443654) ve SYK inhibitörü (R406) olarak öne çıkarken, Küme 2'de seçici serotonin geri alım inhibitörleri (sertralin, paroksetin) ve mitokondriyal fonksiyon modülatörleri (FGIN-1-27) dikkat çekmiştir. Küme 3'te hücresel stres yanıtı ve protein katlanması ile ilişkili mekanizmaları hedefleyen ajanlar (radicicol) ve iyon dengesini etkileyen bileşikler (ouabain) öne çıkmıştır. Küme 4'te ise hücre döngüsü ve proliferasyon yolaklarını hedefleyen ajanlar CDK, AKT ve MEK inhibitörleri (dasatinib, selumetinib, alvosidib, BMS-387032 ve GSK-1070916) karşımıza çıkmıştır. Küme 4, CDK, AKT ve MEK inhibitörlerine karşı en tutarlı ve güçlü sinyalleri verirken Küme 1 için ise kinaz inhibitörleri potansiyel adaylar olarak belirlenmiştir. İlaç yanıtı tahminlerinde kullanılan 5 ilaçtan (A-443654, ZSTK-474, AZD-6482, Dasatinib, GSK-1070916) dasatinib iki analizde de güçlü sinyal vermiştir. Aynı zamanda Küme 4, beş ilaçtan dördüne en yüksek cevap tahminini vererek ilaçlara en hassas küme olmuştur. Kaplan–Meier sağkalım eğrileri, belirlenen alt tipler arasında genel sağkalım açısından anlamlı farklılıklar olduğunu ortaya koymuştur (p = 0.02). Çok değişkenli Cox orantısal risk regresyon analizi, alt tiplerin diğer klinik değişkenlerden bağımsız olarak genel sağkalım üzerinde istatistiksel olarak anlamlı bir etkiye sahip olduğunu göstermiştir. Küme 2'nin, Küme 1'e kıyasla yaklaşık 2.78 kat daha fazla ölüm riski taşımıştır, erkek cinsiyet (HR 1.56) ve yüksek mutasyon yükü (TMB) (HR 1.49) ölüm riskini bağımsız olarak artırmıştır. Ayrıca DeepSurv, klinik değişkenler ve fonksiyonel yolak skorlarının entegrasyonu ile eğitilmiş ve doğrusal olmayan ilişkileri modelleyebilme kapasitesi sayesinde yüksek prediktif performans sergilemiştir, genomik insitabilite (FGA) gibi değerlerin sağkalım üzerinde etkili olduğunu göstermiştir. Sonuç olarak, bu çalışma çoklu omiks verilerin entegrasyonu ve gelişmiş makine öğrenmesi yöntemlerinin kullanımı ile akut lenfoblastik lösemide moleküler alt tiplerin yüksek doğrulukla belirlenebileceğini göstermektedir. Elde edilen alt tipler, yalnızca biyolojik açıdan anlamlı olmakla kalmayıp aynı zamanda klinik sonuçlar ve tedaviye yanıt açısından da önemli farklılıklar sergilemiştir. Bu çalışma, çoklu omik veri entegrasyonu ile pediatrik akut lenfoblastik lösemide klinik olarak anlamlı ve tedaviye yön verebilecek moleküler alt tiplerin güvenilir şekilde tanımlanabileceğini göstermektedir. Bu bulgular akut lenfoblastik lösemide moleküler heterojenitenin çok boyutlu olarak çözülmesini sağlayarak kişiselleştirilmiş tedavi stratejilerinin geliştirilmesi açısından önemli bir potansiyel sunmaktadır. Gelecekte yapılacak çalışmalarda, bu bulguların deneysel doğrulaması yapılması gerekmektedir.

Özet (Çeviri)

Leukemia is the most common pediatric malignancy caused by dysfunctional proliferation of leukocytes. Acute lymphoblastic leukemia remains the fourth leading cause of death among children aged 1 to 15 in Turkey. Multi-omics clustering was performed using the MOVICS framework in Molecular Profiling to Predict Responses to Therapy (MP2PRT) cohort. RNAseq, Copy-number alteration and somatic mutation datas were retrieved from GDC infrastructure. Subtypes were derived integrating ten different machine learning algorithms and their consensus ensemble. Both three and four cluster models were evaluated. Comprehensive downstream analyses differential expression, gene set enrichment analysis (GSEA), gene set variation analysis (GSVA), tumor mutational burden (TMB), and fraction genome altered (FGA), were conducted to characterize subtype-specific molecular features. Subtype reproducibility and predictive performance were evaluated in external cohort TARGET-ALL-P2. Cluster-specific biomarkers were identified using machine learning approaches Random Forest and LASSO intersection with MOVICS. Drug repositioning analysis was performed using the LINCS L1000 Characteristic Direction Signature Search Engine (L1000CDS). Multifactorial Regulatory Networks (MRNs) had constructed integrating transcription factor (TF) regulation, post-transcriptional miRNA regulation, protein–protein interactions (PPIs). DeepSurv Survival modeling was performed using clinical data and GSVA results as features with a multilayer perceptron architecture. Four-cluster model provided superior stability (average silhouette width 0.37) and clearer genomic stratification. Cluster 1 exhibits an immunologically active transcriptional state; Cluster 2 is a highly proliferative subgroup, Cluster 3 can defined by high genomic instability with the highest mutational and copy-number burdens; and Cluster 4, which represents a metabolically repressed state. Each cluster showed distinct molecular profiles, drug candidates confirming clusters are independent prognostic factors.

Benzer Tezler

  1. Tez No

    919519

    Molecular subtyping in colon cancer through consensus clustering of multi-omics data

    Çoklu omik verilerinin konsensus kümelemesi aracılığıyla kolon kanserinin moleküler alt tiplemesi

    GÜLLÜ ELİF ÖZDEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Moleküler TıpMarmara Üniversitesi

    Biyomühendislik Ana Bilim Dalı

    PROF. DR. KAZIM YALÇIN ARGA

  2. Tez No

    859271

    Kanser alt gruplaması için çoklu-omik verilerin evrişimsel otokodlayıcı mimarisi ile entegrasyonu

    Integration of multi-omics data with convolutional autoencoder architecture for cancer subtyping

    HÜSEYİN UYAR

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÖZGÜR GÜMÜŞ

  3. Tez No

    955908

    Scalable multi-omics data-driven modeling of metabolism: a systems approach to simulate metabolic reprogramming

    Ölçeklenebilir, çoklu-omik veriye dayalı metabolizma modellemesi: hücresel yeniden programlamayı simüle etmek için sistemsel bir yaklaşım

    EZGİ TANIL

    Doktora

    İngilizce

    İngilizce

    2025

    BiyomühendislikYeditepe Üniversitesi

    Genetik ve Biyomühendislik Ana Bilim Dalı

    DOÇ. DR. İLKEM EMRAH NİKEREL

  4. Tez No

    948937

    Renal hücreli karsinomun otomatik derece sınıflandırması için U-net tabanlı derin öğrenme ağı

    U-net based deep learning network for automatic grade classification of renal cell carcinoma

    SÜEDA KAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Biyomühendislikİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MÜRVET KIRCI

  5. Tez No

    964057

    Machine learning-based subtyping of renal cancer via non-apoptotic cell death pathways

    Cell death pathways apoptotik olmayan hücre ölüm yollari üzerinden böbrek kanserinin alt tiplerine makine öğrenmesi tabanli ayrilmasi

    HAKAN KAHRAMAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Moleküler TıpGebze Teknik Üniversitesi

    Biyomühendislik Ana Bilim Dalı

    DOÇ. DR. PINAR PİR

Geri Dön