Yüksek çözünürlüklü erime eğrilerinin sınıflandırılması için derin öğrenme tabanlı yöntemlerin geliştirilmesi
Developing deep learning methods to classify high resolution melting curves
- Tez No: 676563
- Danışmanlar: DOÇ. DR. METE ÇELİK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 123
Özet
Yüksek çözünürlüklü erime (HRM) eğrisi analizi, gerçek zamanlı polimeraz zincir reaksiyonu (PCR) sonuçlarını analiz etmek için etkili, güvenilir ve hızlı bir tekniktir. Eğriler DNA dizisinin uzunluğunu, sırasını ve guanin/sitozin oranını temsil ettiği için DNA analizinde sıklıkla kullanılmaktadır. Literatürde, bu eğrilerin sınıflandırılması genellikle görsel inceleme yoluyla yapılmaktadır ve sınırlı sayıda sayısal analize dayanan yöntem kullanılmıştır. Ancak, türlerin örneklerinin ve yakından ilişkili türlerin sayısı arttıkça, HRM eğrilerinin sınıflandırılması zorlaşmaktadır. Bu nedenle, bu zorlukları çözmek için yeni teknikler gerekmektedir. Bu tezde, HRM verilerinin sınıflandırma doğruluğunu iyileştirmek için derin öğrenme tabanlı üç yeni yöntem önerilmiştir. İlk yöntem, yineleme haritaları (YH) kullanılarak oluşturulan HRM verilerinin görüntü temsilini kullanan YH-ESA'dır. HRM verileri yineleme haritasına dönüştürüldükten sonra önerilen evrişimli sinir ağları (ESA) tabanlı modeller ile sınıflandırılır. İkinci yöntem, hem HRM eğrilerini hem de HRM türev eğrilerini girdi olarak alan ESA-UKVH'dır. Önerilen ESA-UKVH modelinde özellik çıkarımı için ESA modeli ve sınıflandırma için ise UKVH modeli kullanılmıştır. Üçüncü yöntem, önceki iki yöntemin bir kombinasyonu olan YH-ESA-ÇY-UKVH'dir. Önerilen yöntem, HRM eğrilerinin ve HRM türev eğrilerinin yineleme haritalarını ESA-ÇY-UKVH kullanarak sınıflandırmıştır. Önerilen yöntemlerin performansı, doğruluk, makro ortalama F1, özgüllük, kesinlik ve geri çağırma sınıflandırma ölçütleri kullanılarak değerlendirilmiştir. Deneysel çalışmalarda önerilen yöntemler literatürdeki klasik yöntemlerden daha iyi performans göstermiştir.
Özet (Çeviri)
High resolution melting curve analysis (HRM) is an efficient, reliable, and fast technique for analyzing real-time polymerase chain reaction results. Since the curves represent the length, sequence, and guanine/cytosine ratio of the DNA sequence, it is frequently used in DNA analysis. In the literature, the classification of the curves is usually done by visual inspection and a limited number of methods based on numerical analysis have been used. However, as the number and sample of species and the number of closely related species increase, classification of HRM curves becomes difficult. Therefore, new techniques must be developed to solve these difficulties. In this thesis, three new methods are proposed to improve the classification accuracy of HRM data. The first method is RP-CNN using image representation of HRM data generated using recurrence plots. After the images are transformed into recurrence plots, they are classified according to convolutional neural network-based models. The second method is CNN-LSTM, which takes both HRM curves and derivative curves as input. In the CNN-LSTM model, the CNN model was used for feature extraction, and the LSTM model was used for classification. The third method is RP-CNN-Bi-LSTM, which is a combination of the previous two methods. The method classifies recurrence plots of melting curves and derivative melting curves using CNN-Bi-LSTM. The performances of the proposed methods are evaluated using accuracy, macro mean of F1, specificity, precision, and recall classification criteria. In the experimental studies, the proposed methods outperform conventional methods in the literature.
Benzer Tezler
- Lactobacillus cinsi bakterilerin tanımlanmasına yönelik yöntem geliştirilmesi
Development method for identification of Lactobacillus species bacteria
ÖZGE KILIÇ
Yüksek Lisans
Türkçe
2018
Gıda MühendisliğiErciyes ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜLAL KESMEN
- Yöresel peynirlerden izole edilen laktik asit bakterilerinin real-time PCR yüksek çözünürlüklü erime (RT-PCR-HRM) analizi ile karakterizasyonu
Characterization of lactic acid bacteria isolated from traditional cheeses with real-time PCR high resolution melting (RT-PCR-HRM) analysis
ALAEDDİN TÜRKMEN
Yüksek Lisans
Türkçe
2017
BiyoteknolojiErciyes ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZÜLAL KESMEN
- Süt ürünleri ve zeytinde bozulmaya neden olan maya türlerinin 'real-time PCR yüksek çözünürlüklü erime analizi' ile tanımlanması
Identification of spoilage yeasts in dairy products and olives with real-time PCR high resulotion melting analyses
MİNE ERDEM
Yüksek Lisans
Türkçe
2015
BiyoteknolojiErciyes ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZÜLAL KESMEN
- Development of a quick molecular based technique for identification of zooplankton in the Turkish coast of Black Sea
Karadeniz'in Türkiye kıyılarındaki zooplankton türlerinin tanımlanması için moleküler tabanlı hızlı bir yöntem geliştirilmesi
İBRAHİM HALİL MİRALOĞLU
Yüksek Lisans
İngilizce
2015
Bilim ve TeknolojiBoğaziçi ÜniversitesiÇevre Bilimleri Ana Bilim Dalı
PROF. DR. BAHAR İNCE
DR. MUSTAFA KOLUKIRIK
- IL-17, IL-17R, IL-23 VE IL-23R GEN gen polimorfizmlerinin apikal periodontitis hastalarının periapikal lezyonlarında kemik yıkımı oluşması üzerine etkisi
Effect of İL-17, İL-17R, IL-23 and İL-23R gene polymorphisms on the formation of bone destruction at periapical lesions of apical periodontitis patients
ELÇİN TEKİN BULUT
Doktora
Türkçe
2015
Diş Hekimliğiİnönü ÜniversitesiEndodonti Ana Bilim Dalı
DOÇ. DR. NESLİHAN ŞİMŞEK
PROF. DR. SEMA BELLİ