Proteomik verilerden tiroid nodülleri için topluluk öğrenme yöntemlerine dayalı hastalık tahmin modeli geliştirilmesi
Development of disease prediction model based on ensemble learning methods for thyroid nodules from proteomic data
- Tez No: 1025107
- Danışmanlar: PROF. DR. MURAT KİRİŞCİ
- Tez Türü: Doktora
- Konular: Biyoistatistik, Biostatistics
- Anahtar Kelimeler: Tiroid nodülleri, Thyroid nodule
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
- Bilim Dalı: Biyoistatistik ve Tıp Bilişimi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tiroid nodüllerinin preoperatif yönetiminde ultrasonografi rehberliğinde ince iğne aspirasyonu (FNA) biyopsisi ve sitolojik değerlendirme altın standart olarak kabul edilmekle birlikte, bu aspirasyonların yaklaşık %15 ila %30'u belirsiz sitolojik bulgular içermekte ve kesin tanıya ulaşmak için cerrahi müdahale veya destekleyici moleküler testler gerekmektedir. Bu tanısal zorluğun çözümüne katkı sağlamak amacıyla bu çalışmada, açık erişimli preoperatif FNA proteomik verileri (n = 284, p = 6262) üzerinden hem topluluk öğrenmesine dayalı etkili bir genel malignite sınıflandırma modelinin geliştirilmesi hem de gelecekteki klinik uygulamalar için kararlılığı yüksek bir protein biyobelirteç aday panelinin tanımlanması hedeflenmiştir. Bu amaçla, model seçimi ile model değerlendirmesi adımlarını birbirinden ayrıştırarak veri sızıntısını önleyen 5x5 iç içe çapraz doğrulama (nested CV) yöntemi kurularak, öncelikle 5 farklı topluluk öğrenmesi modelinin yansız performans tahminleri karşılaştırılmış ve en başarılı performans tahmini XGBoost modeli (AUC = 0.947 ± 0.035) ile elde edilmiştir. Ardından, bu modelleme çerçevesinin tüm veriye uygulanmasıyla 78 proteinlik nihai bir sınıflandırma modeli geliştirilmiştir. Bununla birlikte, gelecekteki klinik doğrulama çalışmalarına hedef göstermek amacıyla, nihai modelin öznitelik kümesinde yer alan proteinler arasından, nested CV dış döngülerinin tamamında da ortak olarak seçilen 14 protein nihai biyobelirteç aday paneli olarak tanımlanmıştır. Aday proteinler arasında Fibronektin (FN1), Galektin-3 (LGALS3) ve Anneksin A1 (ANXA1) gibi tiroid kanseri patolojisinde iyi bilinen proteinlerin yanı sıra daha önce tiroid kanserleriyle olan ilişkisi hakkında sınırlı sayıda çalışmaya konu olmuş Vezikül füzyon ATPazı (NSF) ve Tripeptidil-peptidaz 1 (TPP1) ile yalnızca gen ekspresyonu seviyesinde çalışılmış Tubulin alfa-4A zinciri (TUBA4A), Kollajen alfa-2(I) zinciri (COL1A2), Hem bağlayıcı protein 1 (HEBP1) ve Bazal hücre adezyon molekülü (BCAM) gibi yeni biyobelirteç adayları da yer almaktadır. Sonuç olarak, bu çalışma proteomik ve makine öğrenmesi entegrasyonuyla tiroid nodüllerinin malignite ayrımında etkili bir sınıflandırma sistemi sunmakta ve farklı veri bölmelerinde kararlılık gösteren proteinlerden oluşan bir moleküler panel önererek gelecekteki doğrulama çalışmaları için sağlam bir temel oluşturmaktadır.
Özet (Çeviri)
In preoperative management of thyroid nodules, ultrasonography-guided fine-needle aspiration (FNA) biopsy and cytological evaluation is the gold standard; however, 15% to 30% of aspirations are cytologically indeterminate, requiring additional molecular tests or surgical intervention for accurate diagnosis. To contribute to addressing this challenge, this study aimed to develop an effective general malignancy classification model based on ensemble learning and to identify a stable panel of protein biomarker candidates for future clinical applications, using open-access preoperative FNA proteomic data (n = 284, p = 6262). For this purpose, 5x5 nested cross-validation (nested CV) method was established, separating model selection and model assessment steps to prevent data leakage. First, unbiased performance estimates of 5 different ensemble models were compared, and XGBoost (AUC = 0.947 ± 0.035) achieved the best performance. Subsequently, a final classification model of 78 proteins was developed by applying this modeling procedure to all the data. To provide a target for future clinical validation studies, 14 proteins from the feature set of the final model selected consistently across all nested CV outer loops were identified as the final biomarker candidate panel. These candidate proteins include well-known proteins in thyroid cancer pathology such as Fibronectin (FN1), Galectin-3 (LGALS3), and Annexin A1 (ANXA1), as well as six novel biomarker candidates, namely, Vesicle-fusing ATPase (NSF) and Tripeptidyl-peptidase 1 (TPP1), which have previously been the subject of limited studies regarding their association with thyroid cancers, and Tubulin alpha-4A chain (TUBA4A), Collagen alpha-2(I) chain (COL1A2), Heme-binding protein 1 (HEBP1), and Basal cell adhesion molecule (BCAM), which have only been studied at the gene expression level. In conclusion, by integrating proteomics and machine learning, this study presents an effective classification system for malignancy differentiation of thyroid nodules and proposes a molecular panel of data split-stable proteins, thereby providing a robust foundation for future validation studies.
Benzer Tezler
- Üst tam protezlerde relining ve rebasing metodlarının tutuculuk yönünden karşılaştırılması
Başlık çevirisi yok
M.ÜSTÜN GÜLDAĞ
- Porselenle metal alaşım bağlantılarının dayanıklılık yönünden incelenmesi
Başlık çevirisi yok
ZERRİN KARAALİ
- Ağız içinde uygulanan kuron ve köprülerde kullanılan çeşitli maddelerin karşılıklı olarak mukayesesi
Başlık çevirisi yok
EMİNE ÖZTAN
Yüksek Lisans
Türkçe
1986
Diş HekimliğiMarmara ÜniversitesiProtetik Diş Tedavisi Ana Bilim Dalı
PROF. DR. İLHAN ÇUHADAROĞLU
- İki farklı krom-nikel metal alışımında değişik döküm kanallarının dökülebilirlik ve pöröziteye etkisinin incelenmesi
Başlık çevirisi yok
HALDUN İPLİKÇİOĞLU
- Yivli köprü sistemi
Başlık çevirisi yok
AHMET FAHRİ CİVELEK
Doktora
Türkçe
1989
Diş HekimliğiMarmara ÜniversitesiProtetik Diş Tedavisi Ana Bilim Dalı
PROF. DR. İLHAN ÇUHADAROĞLU