Makine öğrenimi yöntemlerine dayali bilgisayar destekli tani sisteminin geliştirilmesi: Proteomik teknolojileri üzerine uygulaması
Development of computer aided diagnostic system based on machine learning methods: Application on proteomics technologies
- Tez No: 811353
- Danışmanlar: PROF. DR. SAİM YOLOĞLU
- Tez Türü: Doktora
- Konular: Biyoistatistik, Biostatistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: İnönü Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 65
Özet
Amaç: Bu çalışmanın birinci temel amacı proteomik veriler kullanılarak, Plasenta Akreata sendromu hastalığının tanısına ilişkin uygun biyobelirteçlerinin saptanması ile makine öğrenme yöntemleri kullanılarak hastalığın sınıflandırılmasıdır. İkinci amacı ise, kütle spektrometrisi ile etiketsiz kantitasyon proteomik deneyleri için kullanılan çeşitli yazılım çıktıları üzerinden biyoinformatik analizleri yapmaya imkan sağlayan web tabanlı yazılım geliştirilmesidir. Materyal ve Metot: Çalışmada kullanılan veri seti, 10 kontrol ve 10 Plasenta Akreata sendromu hastasına ilişkin maternal serum örneklerine uygulanan proteomik analizler sonucu elde edilen 214 proteinden oluşmaktadır. Biyoinformatik analizler ile iki grup arasında farklı ekspresyona sahip proteinler belirlenmiştir. Çalışmada Plasenta Akreata sendromunun sınıflandırılması 16 proteine dayalı olarak gerçekleştirilmiştir. Sınıflandırma algoritmaları olarak Random Forest, Gradyan Artırılmış Ağaçlar, Destek Vektör Makineleri ve Extreme Gradient Boosting modelleri uygulanmıştır. Bulgular: Deneysel proteomik verilerine uygulanan biyoinformatik analizler sonrasında 98 proteinin iki grup arasında farklı ekspresyona sahip olduğu bulunmuştur. Bu 98 protein arasından RF-RFE değişken seçim yöntemiyle 16 protein seçilmiş ve en iyi sınıflandırma model performansının Extreme Gradient Boosting yöntemine ait olduğu belirlenmiş ve bu modele ilişkin doğruluk, seçicilik, duyarlılık, G-ortalama, Matthews'in Korelasyon Katsayısı, F1-skor değerleri sırasıyla, 99.9, 99.8, 100, 99.9, 99.9 ve 99.7 olarak hesaplanmıştır. Sonuç: Gerçekleştirilen proteomik biyoinformatik analizler ve makine öğrenme yöntemleri sonuçları gözönüne alındığında, P01703, Q96IY4, P06312 kodlu proteinler plasenta akreata sendromu tanı ve tedavisinde olası biyobelirteç olarak kullanılabilir. Öte yandan geliştirilen web tabanlı yazılım sayesinde çeşitli yazılımlardan elde edilen deneysel proteomik verilerinin biyoinformatik analizleri gerçekleştirilebilecektir.
Özet (Çeviri)
Aim: The primary aim of this study is to identify appropriate biomarkers for the diagnosis of Placenta Acreata syndrome using proteomic data, and to classify the disease using machine learning methods. The second aim is to develop web-based software that allows to perform bioinformatic analyzes on various software outputs used for mass spectrometry and label-free quantitation proteomics experiments. Material and Method: The data set used in the study consists of 214 proteins obtained as a result of proteomic analyzes applied to maternal serum samples of 10 controls and 10 patients with Placenta Acreata syndrome. Proteins with different expression between the two groups were determined by bioinformatic analysis. In the study, classification of Placenta Accreta syndrome was performed based on 16 proteins. Random Forest, Gradient Augmented Trees, Support Vector Machines and Extreme Gradient Boosting models were applied as classification algorithms. Results: After bioinformatic analyzes applied to the experimental proteomics data, it was found that 98 proteins had different expression between the two groups. Among these 98 proteins, 16 proteins were selected by the RF-RFE variable selection method and it was determined that the best classification model performance belonged to the Extreme Gradient Boosting method, and the accuracy, selectivity, sensitivity, G-mean, Matthews's Correlation Coefficient, F1-score values for this model. 99.9, 99.8, 100, 99.9, 99.9 and 99.7 respectively. Conclusion: Considering the results of proteomic bioinformatic analyzes and machine learning methods, the proteins P01703, Q96IY4, P06312 can be used as a possible biomarker in the diagnosis and treatment of placenta accreta syndrome. On the other hand, thanks to the developed web-based software, bioinformatic analysis of experimental proteomics data obtained from various software will be possible.
Benzer Tezler
- Medical dataset classification based on different deep learning techniques and meta-heuristic algorithms
Farklı derin öğrenme teknikleri ve meta-sezgisel algoritmalara dayalı tıbbi veri kümesi sınıflandırması
YEZI ALI KADHIM
Doktora
İngilizce
2023
Elektrik ve Elektronik MühendisliğiAtılım ÜniversitesiMühendislik Sistemlerinin Modellenmesi ve Tasarımı Ana Bilim Dalı
PROF. DR. ALOK MISHRA
PROF. DR. REŞAT ÖZGÜR DORUK
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- 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
- Machine learning assisted force field development for nucleic acids
Nükleik asitler için makine öğrenimi destekli kuvvet alanı geliştirilmesi
GÖZDE İNİŞ DEMİR
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
PROF. DR. ADEM TEKİN
- An online network intrusion detection system for DDoS attacks with IoT botnet
IoT botnetleri ile yapılan dağıtık servis dışı bırakma saldırıları için çevrimiçi bir ağ saldırı tespit sistemi
ERİM AYDIN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞERİF BAHTİYAR