MEFV gen varyantlarının sınıflandırılmasında ortaya çıkan belirsizliklerin yapay zeka algoritmalarıyla çözümlenmesi
Analysis of the uncertainties arising during the classification of MEFV gene variants with artificial intelligence algorithms
- Tez No: 767118
- Danışmanlar: PROF. DR. MURAT KİRİŞCİ
- Tez Türü: Yüksek Lisans
- Konular: Biyoistatistik, Biostatistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- 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: 80
Özet
Giriş: Ailevi Akdeniş Ateşi(FMF), ataklar halinde seyreden tekrarlayan ateş ve seröz dokularda enflamasyonla karakterize MEFV genindeki fonksiyon kazandırıcı mutasyonlar kaynaklı olarak meydana gelen otoinflamatuar bir hastalıktır. Bildirilen MEFV gen varyantlarının yarıdan fazlasının klinik önemi bilinmemektedir. Makine öğrenmesi klinik önemi belirlenemeyen varyantların sınıflandırılmasında önemli faydalar sağlayabilir. Materyal-Method: Infevers veri tabanında yer alan MEFV missense ve sessiz 266 varyant dört kategoriye ayrıldı: olası patojenik (LP), olası benign (LB), unresolved, önemi bilinmeyen varyant. Eğitim verisi olarak LP ve LB varyantlar seçildi. Diğer varyantlar belirsiz olarak kabul edildi ve test verisi olarak tercih edildi. Revel, SIFT, MetaLR ve FATHMM skorları 7 makine öğrenmesi yöntemine tabi tutuldu. Sonrasında bu skorlar basamaklı bir bütün makine öğrenmesi yöntemlerinin etkisinin değerlendirildiği bir skorlamaya göre değerlendirildi. Buna göre 4 ve 5 puan alanlar belirsiz geri kalanlar ise doğru sınıflandırılmış olarak kabul edildi. Sonuç: Regresyon Ağacı ve Rasgele ormanlar eğitim verisini % 100 doğrulukla sınıflandırdı. Yedi makine öğrenmesi metodunun da kullanıldığı basamaklı sınıflandırma metodumuz 168 varyantın 139'unu (%83) yakınını LP ve yada LB olarak sınıflandırdı. Tartışma: Kullandığımız sınıflandırma metodu MEFV varyantlarının sınıflandırılmasında mevcut algoritmalar arasında en iyi sonucu vermektedir. MEFV varyantlarının %60'ının önemi bilinmeyen varyant olarak değerlendirildiği göz önüne alındığında mevcut değerlendirme yöntemi klinik bilgilerin eşliğinde klinisyenlere varyant yorumu için daha kesin bir yorumlama imkanı ve kolaylık sağlayabilir. Ancak, kullandığımız sınıflandırma algoritmasının diğer genler üzerindeki etkinliğinin belirlenebilmesi için daha fazla sayıda çalışmaya ihtiyaç vardır
Özet (Çeviri)
Introduction: Familial Mediterranean Fever (FMF) is an autoinflammatory disease caused by functional mutations in the MEFV gene, characterized by recurrent fever and inflammation in serous tissues. The clinical significance of more than half of the reported MEFV gene variants is unknown. Machine learning algorithms can provide significant benefits in classifying clinical siginficance unknown variants. Material-Method: MEFV missense and silent overall 266 variants in the Infevers database were divided into four categories: likely pathogenic (LP), likely benign (LB), unresolved, and variation of unknown significance. While LP and LB variants were selected as training data, others were considered indeterminate and preferred as test data. Revel, SIFT, MetaLR and FATHMM scores were subjected to 7 machine-learning methods. These scores were then evaluated according to a scoring system in which the effect of all cascading machine-learning methods was evaluated. Accordingly, those who scored 4 and 5 were considered indeterminate, and the rest were correctly classified. Result: Regression Trees and Random forests classified the training data with 100% accuracy. Our classification method classified 139 (83%) of 168 variants as LP or LB. Discussion: Our classification method provides the best results among existing algorithms for classifying MEFV variants. Considering that 60% of MEFV variants are evaluated as variants of unknown significance, the current evaluation method may provide clinicians with a more precise interpretation opportunity and convenience for variant interpretation in the light of clinical information. However, more studies are needed to determine the effectiveness of the our classification algorithm on other genes.
Benzer Tezler
- Ailesel akdeniz ateşi tanısı ile izlenmekte olan çocuklarda CYP3A4, CYP2D6 ve MDR1 gen varyantlarının hastalık şiddeti ile ilişkisinin değerlendirilmesi
The evulation of the relationship between CYP3A4, CYP2D6, MRD1gene variants and disease severity in children with familial mediterraneanfever
BÜŞRA BİLİM TÜRKCAN
Tıpta Uzmanlık
Türkçe
2019
RomatolojiAkdeniz ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ. DR. ELİF ÇOMAK
- MEFV geninde 'mutasyon saptanamayan veya tek mutasyon saptanan' ailesel Akdeniz ateşi olgularında, farklı gen varyantlarının araştırılması
Investigation of familial mediterranean fever cases without MEFV mutation or with single MEFV mutation for different gene variants
MEHMET KOCABEY
Tıpta Uzmanlık
Türkçe
2020
GenetikDokuz Eylül ÜniversitesiTıbbi Genetik Ana Bilim Dalı
PROF. DR. ÖZLEM GİRAY BOZKAYA
- COVİD-19 testi pozitif çıkan ailevi akdeniz ateşi hastalarında mefv gen mutasyonlarının dağılımı
Distribution of mefv mutations in familial mediterranean fever patients who testing positive for COVİD-19
TUĞBA TEKELİ
Yüksek Lisans
Türkçe
2023
Tıbbi BiyolojiNecmettin Erbakan ÜniversitesiTıbbi Biyoloji Ana Bilim Dalı
DOÇ. DR. HATİCE GÜL DURSUN
- Ailevi akdeniz ateşi hastalığında genotip fenotip ilişkileri
Genotype phenotype correlations in familial mediterranean fever
ELİF YOSUNKAYA FENERCİ
- NLPR3 genin mutasyonlarının veya polimorfizmlerinin genotip − fenotip ilişkisi
Genotype-phenotype relation of NLPR3 genetic mutations or polymorphisms
GOYCHAK GURBANBAYLI
Yüksek Lisans
Türkçe
2018
BiyoteknolojiEge ÜniversitesiBiyoteknoloji Ana Bilim Dalı
PROF. DR. AFİG BERDELİ