Genomik çalışmalarda kullanılan makine öğrenmesi modellerinin blokzincir temelli bir eko sistemde federe öğrenme yöntemiyle geliştirilmesi için kavramsal bir çalışma
A conceptual study for developing machine learning models used in genomic studies by federated learning method in a blockchain-based ecosystem
- Tez No: 741282
- Danışmanlar: DR. ÖĞR. ÜYESİ ARAFAT SALİH AYDINER, DR. ÖĞR. ÜYESİ MUHAMMED ERKAN KARABEKMEZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Genetik, Biyoistatistik, Computer Engineering and Computer Science and Control, Genetics, Biostatistics
- Anahtar Kelimeler: Blok zinciri sistemi, Genetik, Gizlilik, Makine öğrenmesi, Öğrenme teknikleri, İş birliği, Blockchain system, Genetics, Confidentiality, Machine learning, Learning techniques, Cooperation
- Yıl: 2022
- Dil: Türkçe
- Üniversite: İstanbul Medeniyet Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Sağlık teknolojilerindeki son gelişmelerle genetik verinin toplanması, kullanılması ve paylaşımı gittikçe hız kazanmaya başladı. Genetik veri, hastalıkların önlenmesi, doğru teşhisler koyma ve kişiselleştirilmiş tedaviler için fırsatlar sunmaktadır. Özellikle makine öğrenmesi (ML) alanındaki ilerlemelerle beraber genetik alandaki ML uygulamaları da hız kazanmaktadır. Ancak genetik alanda ML modellerinin geliştirilmesi için gerekli verinin kullanımında yasal ve teknolojik engeller vardır. Genetik veri kişisel veri sınıfına girer ve bu verilerin kullanımı ancak yasaların izin verdiği ölçülerde olabilir. Bir diğer engel ise genetik verilerin yüksek hacimli veriler olmasıdır. Bundan dolayı işlenmesi ve paylaşılması için güçlü altyapı gerektirmektedir. Genetik alandaki ML çalışmaları genelde bir araştırma kuruluşunun elindeki veri ve bilgi ile sınırlı kalmaktadır. ML alanında benzer çalışmalar yürüten, farklı araştırma kuruluşları arasında ortak çalışmaya imkân tanıyan, güvenli bir iş birliği platformunun kurulması tekrar kullanılabilirlik açısından ciddi verimlilik sağlayabilir. Ayrıca farklı bölgelerdeki kurumların bu tarz çalışmalara dahil edilmesi durumunda, bölgesel genetik farklılıkların sebep olduğu yanılma oranlarının azaltılabileceği düşünülmektedir. Bu çalışmada, yukarıda bahsedilen engellerin aşılarak, araştırma kuruluşları arasında iş birliğini destekleyecek blokzincir temelli bir platform tasarımı sunulmaktadır. Çalışmanın mimari tasarımında“yazlımın 4+1 görünümü”referans alınmış olup dizayn, senaryolar, mantıksal ilişkiler, geliştirme adımları ve süreçler UML diyagramları ile açıklanmaktadır. Blokzincir ile kurumlar arasındaki koordinasyon merkeziyetsiz bir şekilde sağlanmış olacak ve geliştirilen ML modelleri federe öğrenme (FL) yardımı ile birleştirilerek ana modeller üretilebilecektir. İş birliği içerisinde üretilen modeller farklı kurumlar tarafından yeniden kullanılabilir ve tekrar tekrar eğitilerek güçlendirilebilir olacaklardır. Blokzincir alandaki çalışmaların birçoğu birey verisinin güvenli bir şekilde diğer kurumlar ile paylaşılması, veri sahipliğinin kullanıcıya verilmesi ve izinsiz veri kullanımının engellenmesine yönelik yapılmıştır. FL alanındaki çalışmalarda ise ML eğitim süreçlerinde cihazların iş birliği yapabileceği modeller sunulmuştur. Bizim önerdiğimiz tasarım bireyden ziyade kurumlar arasında ki iş birliğine odaklanır. Bu çalışma kurumların sunucuları üzerinde çalışan ML modellerinin bir araya getirilerek daha güçlü modellerin geliştirilebileceği bir ortam önerisi sunar. Bu çoklu iş birliği yaklaşımının performans ve verimliliği arttıracağı düşünülmektedir.
Özet (Çeviri)
Towards the recent developments in healthcare technologies, it is started to accelerate genomic data collecting, using, and sharing. Genetic data promises opportunities for disease prevention, accurate diagnoses, and personalized treatments. Especially with the advances in the field of machine learning (ML), its applications in the field of genetics have also accelerated. However, the usage of genomic data for the development of ML models has big obstacles in technological and legal. Genetic data is counted in the category of personal data and the use of this data can only be within the scope of permitted by law. Another obstacle is the high volume of genetic data. Therefore, it requires a strong infrastructure for processing and sharing ML studies in the field of genetics are generally limited by the data and information available at a single research institution. Having a secure cooperation environment between different research institutions carrying out similar ML application studies may provide significant efficiency because of the reusability of applications. In addition, it is thought that when institutions from different regions are included in such studies, the rate of the error caused by regional genetic differences will decrease. In this study, we propose a blockchain-based platform design that will support cooperation between research institutions by overcoming the aforementioned obstacles. Scenarios, logical relationships, development steps, and processes are explained with UML diagrams with reference to the design“4+1 architectural view model”. The collaboration of research institutions will be provided by blockchain network as decentralized. Furthermore, thanks to the federated learning (FL) method main models will be improved by combining the developed ML models. The Models developed in the edge institutions will be reusable by other institutions and the models can be strengthened with the contribution of the stakeholders by training repeatedly. Most of the studies in the field of blockchain are related to secure data sharing, giving data ownership to the user, and preventing unauthorized data use. On the other hand, the studies in FL field have been focused on the cooperation of devices in ML training processes. According to our study, the collaboration of institutions is taken into consideration rather than individuals. It offers an environment for aggregating ML models, which are trained in the local servers of the institutions, to generate high performed models. It is thought that this multi-collaboration approach will increase performance and productivity.
Benzer Tezler
- Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data
Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları
İSMAİL BİLGEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- A radiogenomics-based approach to clinical decision making
Klinik karar vermede radyogenomik tabanlı bir yaklaşım
MERVE KAŞIKCI ÇAVDAR
Doktora
İngilizce
2025
BiyoistatistikHacettepe ÜniversitesiBiyoistatistik Ana Bilim Dalı
PROF. DR. ERDEM KARABULUT
DOÇ. DR. ERDAL COŞGUN
- Identification of key gene pathways in Alzheimer's disease using machine learning methods on gene expression data
Gen ekspresyon verileriyle Alzheimer risk tahmini ve yolak analizi
KERİM ALPER KAVUŞAN
Yüksek Lisans
İngilizce
2026
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET GÜRAY GÜLER
- Bayesçi gizli sınıf analizi ve makine öğrenimi yöntemleri ile CRISPR Cas9 gen düzenlemesinde hedef dışı skorların tahmini
Prediction of off-target scores in CRISPR Cas9 gene editing with Bayesian latent class analysis and machine learning methods
ALİ MERTCAN KÖSE
Doktora
Türkçe
2024
BiyoistatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. OZAN KOCADAĞLI
- Herpes simplex tip 1 viruslara ait DNA'ların izolasyonu ve biyolojik aktivitelerinin saptanması
Başlık çevirisi yok
PERVİN DİNÇER
Yüksek Lisans
Türkçe
1988
MikrobiyolojiHacettepe ÜniversitesiTıbbi Biyoloji Ana Bilim Dalı
DOÇ.DR. ŞÜKRİYE AYTER