Geri Dön

Machine learning models for microbiome-based classification of axolotl limb regeneration phases

Aksolotl uzuv rejenerasyon aşamalarının mikrobiyoma dayalı sınıflandırılması için makıne öğrenimi modellerı

PDF İndir

  1. Tez No: 820158
  2. Yazar: ABDULLAH HÜSEYİN KÖSEOĞLU
  3. Danışmanlar: DR. ÖĞR. ÜYESİ KIVANÇ KÖK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyoistatistik, Genetik, Mikrobiyoloji, Biostatistics, Genetics, Microbiology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: İstanbul Medipol Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Mühendisliği ve Biyoenformatik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 184

Özet

Bir omurgalı rejenerasyon modeli olan aksolotl (Ambystoma mexicanum), rejenerasyon araştırmalarında son derece yararlı olduğunu kanıtladı. Bu çok yönlü model organizma, olağanüstü yenilenme kapasitesine sahiptir. Aksolotl uzuv rejenerasyonu bu tezin odak noktasıdır. Bu konu heyecan verici uzun vadeli translasyonel potansiyeli ile aksolotl araştırmalarında en çok çalışılan konulardan biridir. Süreç, aşağıdaki üç ana aşamada gerçekleştirilir: yara iyileşmesi, blastema büyümesi ve yeniden geliştirme. Omik teknolojilerinin ilerlemesi, bu alandaki araştırmaları hızlandırmış ve değerli veri setlerinin birikmesine neden olmuştur. Aksolotl uzuv rejenerasyonu üzerine artan araştırma hacmine rağmen, bu biyolojik sürecin birçok mikrobiyal yönü belirsizliğini koruyor. Ek olarak, yayınlanan araştırmaların çoğu veri analizi olarak geleneksel istatistikleri kullandığından, makine öğreniminin (ML) sağladığı değerli içgörüler genellikle bilinmemektedir. Bunun nedeni, bu alanda makine öğreniminin nispeten yavaş benimsenmesidir. Özellikle mikrobiyom bu bağlamda yetersiz çalışılmıştır. Araştırma boşluğunu doldurmak için, daha önce yayınlanmış bir seti, makine öğrenimi algoritmaları sayesine en son veri analizi teknikleri kullanılarak yeniden analiz edildi. Bu sayede, daha geleneksel olanlarla birlikte daha yeni yöntemler uygulandı. Bu çalışmanın amacı mevcut deneysel veri seti hakkında tamamlayıcı bilgiler elde etmek ve aksolotl uzuv rejenerasyon biyolojisinin karmaşık temeline ilişkin yeni bilgiler sağlamaktı. Seçilen girdi veri kümesi, yayınlanmış ilgili araştırma makalesinin sonuçlarının bir parçası olarak yayınlanan ve ücretsiz erişime açılan bir ASV veri kümesinden oluşur. ASV bolluk tablosu, ilgili very deposundan indirildi ve derinlemesine yeniden analiz için programlara aktarıldı. Kullanılan makine öğrenimi yaklaşımı çoğunlukla iki tür veri analizine dayanıyordu: denetimsiz makine öğrenimi ve denetimli makine öğrenimi. Girdi verideki temel örüntüleri daha ayrıntılı olarak ortaya çıkarmak için denetimsiz makine öğrenimi uygulandı. Burada hem kümeleme yöntemlerinden hem de boyut küçültme yöntemlerinden yararlanılmıştır. Bu adım, örneklerin kümelenmesini ve ayrılmasını temel aldı. Denetimli makine öğrenimi adımı, girdi örneklerini mikrobiyom verilerine dayalı olarak sınıflandırmak için kullanılan 11 denetimli makine öğrenimi öğrenme yönteminden oluşuyordu. Uygulanan yöntemlerin performansı, yaygın performans metrikleri kullanılarak karşılaştırıldı. Lojistik regresyon modelinin en iyi performansı gösterdiği ve örnekleri başarıyla sınıflandırdığı görülmüştür. Bu modeli rastgele orman izledi. ML, sınıflandırıcıların çıktılarını değerlendirmenin yanı sıra, sınıflandırmanın özelliğe özgü yönlerine de ışık tutar. Burada, yordayıcılar çoklu özellik önem yöntemleri kullanılarak değerlendirildi. İlginç bir şekilde, bu prosedür bazı ASV'leri potansiyel güne özgü ve faza özgü mikrobiyal belirteçler olarak gösterdi. Daha spesifik olarak, bu bakteriler, spesifik rejenerasyon fazının tahmini için önemli özellikler olarak vurgulanmıştır. İlgili özelliklerin çoğu, gerçekleştirilen sınıflandırmadaki önemlerine göre sıralanmıştır. İlgili rejenerasyon aşaması için bu biyobelirteçlerin belirleyici gücünü doğrulamak ve karakterize etmek için bu yönde daha fazla gelecek çalışmalara ihtiyaç vardır. Genel olarak, bu çalışma, makine öğrenimi yaklaşımı kullanarak bu alana yeni bir bakış açısı ve yeni bilgiler sağladı. Bir yandan, rejenerasyon perspektifinden bakıldığında, bu çalışma, daha önce yayınlanmış mikrobiyom verinin yeniden analizine dayalı olarak aksolotl uzuv rejenerasyonunun üç ana aşamasının daha iyi anlaşılmasıyla sonuçlanmıştır. Öte yandan, makine öğreniminden, bahsedilen aşamaların omik veri tabanlı sınıflandırması için yaygın makine öğrenimi algoritmalarının performansı değerlendirildi ve karşılaştırıldı. Çoklu omik teknolojilerdeki gelişmelerin aksolotl uzuv rejenerasyonu araştırmalarında yeni bütünleştirici yaklaşımlara yol açması bekleniyor. Makine öğreniminin bu hedefi gerçekleştirmede vazgeçilmez bir rol oynaması bekleniyor. Bu nedenle, bu tezde bildirilen çaba, bu araştırma alanındaki ilerlemeye katkıda bulunmaktadır.

Özet (Çeviri)

As a vertebrate model of regeneration, the axolotl (Ambystoma mexicanum), has proved extremely useful in regeneration research. This versatile model organism possesses remarkable regeneration capacity. Axolotl limb regeneration is the focus of this thesis. It is one of the most studied topics in axolotl research with exciting long-term translational potential. The process is accomplished in the following three subsequent main phases: wound healing, blastema growth, and redevelopment. The advance of the omic technologies has accelerated research in this field and resulted into accumulation of valuable datasets. Despite the growing body of research on axolotl limb regeneration, many microbial aspects of this biological process remain elusive. Additionally, since most published research utilized conventional statistics as data analysis, the valuable insights yielded by machine learning (ML) usually remain unknown. This due to the relatively slow adoption of ML in this field. Especially the microbiome has been understudied in this context. To fill the research gap, previously published datasets were re-analyzed using cutting-edge data analysis techniques in the form of machine learning algorithms. Herewith, the more recent methods were applied along with the more conventional ones. The aim of this study was to obtain complementary insight into available experimental datasets and provide new insights into the complex basis of axolotl limb regeneration biology. The selected input dataset consist of an ASV dataset, which was released and made freely accessible as part of the results of the related, published research article. The ASV abundance table was downloaded from the related repository and imported into the programs for in-depth re-analysis. The employed machine learning approach relied mostly on two types of data analysis: unsupervised ML and supervised ML. To uncover the underlying patterns in input data in further details, unsupervised ML was applied. Here, both clustering methods and dimension reduction methods were utilized. This step revealed clustering and separation of samples based. The supervised ML step was comprised of 11 supervised ML learning methods, which were used to classify the input samples based on microbiome data. The performance of the implemented methods was compared using common performance metrics. It was noticed that the logistic regression model performed best and successfully classified samples. This model was followed by random forest. In addition to evaluating the output of the classifiers, the ML also shed light on the feature-specific aspects of classification. Here, the predictors were assessed usingmultiple feature importance methods. Interestingly, this procedure implicated certain ASVs as potential day-specific and phase-specific microbial markers. More specifically, these bacteria were highlighted as important features for prediction of specific regeneration phase. Most relevant features were ranked about their importance in performed classification. More future work in this direction is needed to validate and characterize the discriminatory capacity of these candidate biomarkers for the respective regeneration phase. Overall, this work provided a novel perspective and new insights into this research area by using a machine learning approach. On the one hand, from the regeneration perspective, this study resulted into a better understanding of the three main phases of axolotl limb regeneration based on the re-analysis of the previously published microbiome data. Also, from machine learning, performance of common machine learning algorithms for omic data-based classification of the mentioned phases was assessed and compared. Advancements in multi-omics technologies are expected to give rise to new integrative approaches in the axolotl limb regeneration research. Machine learning is expected to play an indispensable role in fulfilling this goal. As such, the effort reported this thesis contributes to the progress in this research field.

Benzer Tezler

  1. Tez No

    929788

    Finding novel markers for neurodevelopmental diseases by machine learning-based classification

    Makine öğrenmesi bazlı sınıflandırma kullanarak nörogelişimsel hastalıklar için ayırt edici özelliklerin bulunması

    ATACAN DENİZ ÖNCÜ

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Hesaplamalı Bilimler Ana Bilim Dalı

    PROF. ŞEFİKA KUTLU ÜLGEN

    DOÇ. ARZUCAN ÖZGÜR TÜRKMEN

  2. Tez No

    898091

    Mathematical model-based clinical decision support system algorithm design study that can support the diagnosis of celiac disease

    Çölyak hastalığının teşhisine destek verebilecek matematik model tabanlı kds algoritması tasarımı

    ELİF KESKİN BİLGİÇ

    Doktora

    İngilizce

    İngilizce

    2024

    Mühendislik Bilimleriİstanbul Üniversitesi-Cerrahpaşa

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. İNCİ ZAİM GÖKBAY

    DOÇ. DR. YUSUF KAYAR

  3. Tez No

    922924

    İnsan mikrobiyomunda bulunan bakteriyofaj komünitesinin konakçı hastalıklarıyla olan ilişkisinin araştırılması

    Investigation of the relationship bacteriophage community in the human microbiome with host diseases

    MEHMET HORA

    Doktora

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes Üniversitesi

    Biyoinformatik Sistemler Biyolojisi Ana Bilim Dalı

    PROF. DR. AYCAN GÜNDOĞDU

  4. Tez No

    947860

    Machine learning and systems biology-based approaches for identification of key biomolecules in liver diseases

    Karaciğer hastalıklarında anahtar biyomoleküllerin tanımlanması için makine öğrenmesi ve sistem biyolojisi temelli yaklaşımlar

    BETÜL CÖMERTPAY

    Doktora

    İngilizce

    İngilizce

    2025

    BiyomühendislikAdana Alparslan Türkeş Bilim Ve Teknoloji Üniversitesi

    Biyomühendislik Ana Bilim Dalı

    DOÇ. DR. ESRA GÖV

  5. Tez No

    920086

    Makine öğrenmesi temelli 16S mikrobiyom verilerinin işlenmesi için iş hattı: Tip 1 diyabet için vaka çalışması

    Machine learning based 16s microbiome processing pipeline: A case study for type 1 diabetes

    AÇELYA DALGIÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    BiyoistatistikHacettepe Üniversitesi

    Biyoinformatik Ana Bilim Dalı (Disiplinlerarası)

    DR. ÖĞR. ÜYESİ İDİL YET

Geri Dön