New methodologies for understanding antibiotic resistance mechanisms in translational medicine in gram-positive bacteria
Gram pozitif bakterilerde translasyonel tıpta antibiyotik direnç mekanizmalarını anlamak için yeni metodolojiler
- Tez No: 783467
- Danışmanlar: PROF. DR. ÖZGÜR KURT
- Tez Türü: Doktora
- Konular: Biyoistatistik, Mikrobiyoloji, Biostatistics, Microbiology
- Anahtar Kelimeler: Antibiyotikler, Bakteriler, Dizi analizi, Enterococcus faecium, Gram pozitif bakteriler, Makine öğrenmesi, Mikrobiyal duyarlılık testleri, Polimorfizm-genetik, İlaçlara direnç, İlaçlara direnç-bakteriyel, Antibiotics, Bacteria, Sequence analysis, Enterococcus faecium, Gram positive bacteria, Machine learning, Microbial sensitivity tests, Polymorphism-genetic, Drug resistance, Drug resistance-bacterial
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Acıbadem Mehmet Ali Aydınlar Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
- Bilim Dalı: Biyoistatistik ve Tıp Bilişimi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Gram pozitif bakteriler olan Streptococcus pneumoniae, Staphylococcus aureus ve Enterococcus faecium, klinisyenlerin en büyük endişesi ve küresel halk sağlığı sorunlarından biridir. Antimikrobiyal direnç, bu patojenlerden kaynaklanan yüksek morbidite ve mortalite oranları ile ilişkilidir. Makine öğrenimi, azalan genom dizileme maliyetleri nedeniyle gram-pozitif patojen fenotiplerini anlamak, teşhis etmek, tedavi etmek ve tahmin etmek için popüler bir araç haline gelmiştir. Nükleotid k-merler, amino asit k-merler, tek nükleotid polimorfizmler ve bu özelliklerin kombinasyonları zengin genetik bilgiler içermektedir ve bu bilgiler tüm genom dizileme sayesinde ulaşılabilir olmuştur. Bu çalışmamızda, S.pneumoniae, S.aureus ve E.faecium örnekleri farklı makine öğrenimi modelleri kullanılarak fenotip tahmini yapılmış ve sonuçları karşılaştırılmıştır. S.pneumoniae için penisilin, eritromisin ve tetrasiklin, S.aureus için eritromisin, tetrasiklin, gentamisin ve siprofloksasin ve E. faecium için ampisilin ve vankomisin antibiyotikleri kullanılmıştır. Bu modelleri eğitmek için rastgele ormanlar, destek vektör makineleri, stokastik gradyan artırma ve aşırı gradyan artırma gibi çeşitli makine öğrenme yöntemleri kullanılmış ve karşılaştırılmıştır. Modellerin sonuçlarını değerlendirirken, gram-pozitif patojenlerin fenotiplerini yüksek F1 skoru ve doğruluğu ile tahmin edilebildiği görülmüştür ve bu yaklaşımı kullanmak, ileri çalışmalar için AMR tahminini iyileştirmek için kullanılabilir. Bu çalışmada, AMR tahmin modeli kurulumunun temel özelliklerinin ve makine öğrenimi yöntemi seçiminin sonuçları etkilediği görülmüştür.
Özet (Çeviri)
Streptococcus pneumoniae, Staphylococcus aureus, and Enterococcus faecium, which are gram-positive bacteria, are the major concerns of clinicians and one of the global public health problems. Antimicrobial resistance is associated with high morbidity and mortality rates from these pathogens. Due to reduced genome sequencing costs, machine learning has become a popular tool for understanding, diagnosing, treating, and predicting gram-positive pathogen phenotypes. As a result of whole-genome sequencing, k-mer nucleotides, amino acid k-mers, single nucleotide polymorphisms, and combinations of these features provide rich genetic information. This study compares different machine learning models for S.pneumoniae, S.aureus, and E.faecium. For three antibiotics: Penicillin, Erythromycin, and Tetracycline, we compared nucleotide k-mers, amino acid k-mers, and SNPs in S.pneumoniae, S.aureus for four antibiotics: Erythromycin, Tetracycline, Gentamicin and Ciprofloxacin, and E.faecium for two antibiotics: Ampicillin and Vancomycin. We used and compared machine learning methods such as random forests, support vector machines, stochastic gradient boosting, and extreme gradient boosting to train these models. When evaluating the results of models, we can predict phenotypes of gram-positive pathogens with high F1 scores and accuracy. This approach can be used to improve AMR prediction for further studies. In this study, we found that key features of the AMR prediction model setup and the choice of machine learning method affected the results.
Benzer Tezler
- İzmir'de bazı yolların kapatılarak yaya bölgeleri oluşturma da kent peyzajını geliştirme açısından yeniden planlanması üzerinde araştırmalar
Başlık çevirisi yok
BAHAR TÜRKYILMAZ
Yüksek Lisans
Türkçe
1985
Şehircilik ve Bölge PlanlamaEge ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
- Dokuma kumaşlarda örgü tipinin ham kumaşın boyutları ve geometrik özellikleri üzerindeki etkilerinin araştırılması
Başlık çevirisi yok
EMEL ÖNDER
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR BAŞER
- Sanayi politikaları ve planlı dönemde imalat sanayine etkileri
Başlık çevirisi yok
AHMET CAFOĞLU
Yüksek Lisans
Türkçe
1986
EkonomiGazi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. YALÇIN EROL
- Gebelik ve doğum olgularında prolaktin düzeylerinin değerlendirilmesi
The Evaluation of prolactin values during pregnancy labour and in deliveries
TÜLİN AKAN
Tıpta Uzmanlık
Türkçe
1987
Kadın Hastalıkları ve DoğumGazi ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ.DR. MÜLAZIM YILDIRIM
- Yenileme yatırımları
Başlık çevirisi yok
OSMAN NURİ FİLİZ
Yüksek Lisans
Türkçe
1986
İşletmeGazi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN OKKA