Machine learning models for microbiome-based classification of axolotl limb regeneration phases
Aksolotl uzuv rejenerasyon aşamalarının mikrobiyoma dayalı sınıflandırılması için makıne öğrenimi modellerı
- Tez No: 820158
- Danışmanlar: DR. ÖĞR. ÜYESİ KIVANÇ KÖK
- Tez Türü: Yüksek Lisans
- Konular: Biyoistatistik, Genetik, Mikrobiyoloji, Biostatistics, Genetics, Microbiology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İstanbul Medipol Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği ve Biyoenformatik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- 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
2024
Mühendislik Bilimleriİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
DR. İNCİ ZAİM GÖKBAY
DOÇ. DR. YUSUF KAYAR
- İnsan mikrobiyomu ve hastalık ilişkisinin tahmininde makine öğrenmesi uygulamaları
Machine learning approaches to predict the human microbiome and disease associations
METEHAN ÜNAL
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GAZİ ERKAN BOSTANCI
DOÇ. DR. CEREN ÖZKUL KOÇAK
- Aksolotl kol rejenerasyonu alanında mikrobiyota ve transkriptom verisinin madenciliği vasıtasıyla yeni aday biyobelirteçlerin keşfi
Discovery of novel candidate biomarkers in the field of axolotl limb regeneration through mining of axolotl microbiota and transcriptome data
MUHAMMED MUSTAFA ÖGDÜR
Yüksek Lisans
Türkçe
2022
Biyoistatistikİstanbul Medipol ÜniversitesiSağlık Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KIVANÇ KÖK
- Machine learning models for identifying cause effect relationship in medical treatment data
Tıbbi tedavi verilerinden sebep sonuç ilişkilerinin makina öğrenim yöntemleri ile belirlenmesi
MOHAMMED ABEBE YIMER
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZLEM AKTAŞ
- Machine learning models for autoverification of medical laboratory test results
Tıbbi laboratuvar tetkik sonuçlarının otoverifikasyonu için makina öğrenme modelleri
VELİD ALİ
Yüksek Lisans
İngilizce
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SÜLEYMAN SEVİNÇ