Geri Dön

Machine learning based model for clinical characterization of germline variants from RNA-seq data

RNA-seq datasından germ hattı varyantların klinik karakterizasyonu için makine öğrenmesi tabanlı model

PDF İndir

  1. Tez No: 768502
  2. Yazar: ÖZGENUR AKDAŞ
  3. Danışmanlar: PROF. DR. FATİH ERDOĞAN SEVİLGEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyomühendislik, Bioengineering
  6. Anahtar Kelimeler: Dizi analizi-RNA, Genetik hastalıklar-doğuştan, Genetik varyasyon, Germ hücreleri, Makine öğrenmesi, RNA, Sequence analysis-RNA, Genetic diseases-inborn, Genetic variation, Germ cells, Machine learning, RNA
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Gebze Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyomühendislik Ana Bilim Dalı
  12. Bilim Dalı: Biyoinformatik Sistemler Biyolojisi Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Varyant analizi sonucu bulunan varyantların klinik sınıfı, ACMG-AMP kriterlerine göre hesaplamalı olarak tahmin edilmekte veya ClinVar gibi veri tabanlarından elde edilmektedir. ClinVar veri tabanındaki varyantlar, deneysel veya hesaplamalı olarak karakterize edilmiştir. Bununla birlikte, tüm varyantlar patojenik veya iyi huylu olarak sınıflandırılmamıştır. Bu sınıflandırılmamış varyantlar literatürde belirsiz öneme sahip varyant (Variant of Uncertain Significance, VUS) olarak adlandırılmaktadır. Varyantlar, varyantların popülasyon sıklığı, ekzonik fonksiyonu klinik sınıfı gibi belirli kriterlere göre filtreleme yapılarak önceliklendirilmekte ve uzmanlar tarafından yorumlanmaktadır. VUS'lar, önceliklendirme ve yorumlama sorunları nedeniyle klinisyenler tarafından sıklıkla raporlanmamaktadır. Bu nedenle VUS'lar, özellikle nadir görülen kalıtsal hastalıklarda düşük tanı oranlarının nedenlerinden biridir. Son yıllarda, RNA-Seq verilerinden elde edilen ekspresyon ve uç birleştirme (splicing) bilgileri kullanılarak VUS'ların önceliklendirilebileceğini gösteren birçok çalışma yayınlanmıştır. Bu çalışma kapsamında, RNA-Seq verilerinin VUS karakterizasyonu üzerindeki önemi araştırılmış ve yeni bir rastgele orman sınıflandırıcısı tabanlı VUS karakterizasyon modeli önerilmiştir. Modelin eğitimi sırasında, yayınlanmış çalışmalardaki varyant sınıflandırıcılar tarafından geleneksel olarak kullanılan patojenite tahmin puanları ve popülasyon sıklığı gibi özniteliklere ek olarak uç birleştirme ve ekspresyon özniteliklerinden faydalanılmıştır. Elde edilen model, 5 kat çapraz doğrulama kullanan model için %98 ortalama doğruluk ve bir test verisi üzerinde VUS'ların patojenitesini (özgüllük) tahmin etmek için %88 doğruluk sağlamaktadır. Ancak, uç birleştirme ve ekspresyonu etkileyen varyant sayısının yetersiz olması nedeniyle, RNA-Seq verilerinin varyant karakterizasyonu üzerindeki gözlenen etkisi çok sınırlıydı.

Özet (Çeviri)

Clinical class of variants obtained by variant analysis are estimated computationally according to ACMG-AMP criteria or retrieved from databases such as ClinVar. Variants in the ClinVar database have been characterized either experimentally or computationally. However, not all variants are classified as pathogenic or benign. Those non-classified variants are referred to as Variant of Uncertain Significance (VUS) in the literature. Variants are prioritized by filtering based on certain criteria such as population frequency, exonic function clinical class of the variants and then interpreted by experts. VUSs are often not reported by clinicians due to prioritization and interpretation problems. Therefore, VUSs are the one of the reasons for the low diagnostic rate, especially in rare hereditary diseases. In recent years, many studies have been published demonstrating that VUSs can be prioritized using expression and splicing information obtained from RNA-Seq data. Within the scope of this study, the significance of RNA-Seq data on VUS characterization was investigated and a novel random forest classifier based VUS characterization model is proposed. During training of the model, we exploit splicing and expression features, in addition to features such as pathogenicity prediction scores and population frequency which are customarily used by variant classifiers in published studies. The resulting model provides, 98% mean accuracy for the model using 5-fold cross-validation and %88 accuracy for predicting pathogenicity of VUSs (specificity) on a holdout test data. However, due to the insufficient number of variants affecting splicing and expression, the effect of RNA-Seq data on variant characterization was very limited.

Benzer Tezler

  1. Tez No

    1005922

    Solid böbrek kitlelerine sahip hastalarda operasyon öncesı benign-malign ayrımında ve alt tiplendirmede berrak hücreli olasılık skoruna dayalı görüntü işleme ve makina öğrenme yapay zeka modeli

    Image processing and machine learning artificial intelligence model based on a clear cell likelihood score to predict preoperative benign-malignant differentiation and subtyping in patients with solid renal masses

    ÖZGÜR DENİZ TATAROĞLU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    ÜrolojiSağlık Bilimleri Üniversitesi

    Üroloji Ana Bilim Dalı

    DOÇ. DR. AKİF ERBİN

    DOÇ. DR. AYTÜL HANDE YARDIMCI

  2. Tez No

    1011844

    Yapay zeka ile entegre radyomik yaklaşım kullanılarak glial tümörlerde tanısal ve prognostik analizlerin yapılması

    Diagnostic and prpgnostic analysis of glial tumors using an artificial intelligence-integrated radiomic approach

    YUNUS EMRE SAĞLAM

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    NöroşirürjiBezm-İ Alem Vakıf Üniversitesi

    Beyin ve Sinir Cerrahisi Ana Bilim Dalı

    PROF. DR. MUSTAFA AZİZ HATİBOĞLU

  3. Tez No

    988413

    Pankreas kitlelerinin karakterizasyonunda 18F-FDG PET/BT radyomiks özelliklerinin tanısal değeri ve vizüel değerlendirmeye katkısı

    Diagnostic value of 18F-FDG PET/CT radiomic features and their contribution to visual assessment in the characterization of pancreatic masses

    DILŞAT FIRAT ARSLAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Radyoloji ve Nükleer Tıpİstanbul Üniversitesi

    Nükleer Tıp Ana Bilim Dalı

    PROF. DR. ZEYNEP GÖZDE ÖZKAN

  4. Tez No

    797497

    Holografik mikroskopinin hücresel analiz ve veri güvenliği performansının iyileştirilmesi

    Improvement of cellular analysis and data security performance of holographic microscopy

    MUHAMMED ALİ PALA

    Doktora

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiSakarya Uygulamalı Bilimler Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA ZAHİD YILDIZ

  5. Tez No

    403404

    Simplified cardiodynamic tissue electrophysiology characterization, reduced order modeling with therapeutic perspective

    Başlık çevirisi yok

    CELAL ALAGÖZ

    Doktora

    İngilizce

    İngilizce

    2017

    Radyoloji ve Nükleer TıpDrexel Unıversıty

    Biyomedikal Ana Bilim Dalı

    Dr. ALLON GUEZ

Geri Dön