Geri Dön

Kanser alt gruplaması için çoklu-omik verilerin evrişimsel otokodlayıcı mimarisi ile entegrasyonu

Integration of multi-omics data with convolutional autoencoder architecture for cancer subtyping

  1. Tez No: 859271
  2. Yazar: HÜSEYİN UYAR
  3. Danışmanlar: DOÇ. DR. ÖZGÜR GÜMÜŞ
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Ege Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 130

Özet

Kanser, hücrenin kontrolsüz büyümesi ile karakterize kompleks hastalıklar topluluğudur. Normalde, hücrenin büyümesi düzenleyici mekanizmalarla sıkı bir şekilde kontrol edilmektedir. Ancak genomda meydana gelen değişiklikler, bu mekanizmalarda anormalliklere yol açarak kanser oluşumuna neden olabilmekte ve bu değişiklikler kanserden kansere farklılık göstermektedir. Bu sebeple uygun tedavinin belirlenmesinde altta yatan anormalliklerin keşfedilmesi büyük önem taşımaktadır. Bir kanser türüne ait spesifik alt grupların saptanması, kişiselleştirilmiş ve hedef odaklı tedavilerin uygulanabilmesi için önemlidir. Bu tez çalışmasında, kanser alt gruplama problemine bir çözüm sunma amacıyla, çoklu-omik verilerin entegre edilerek gruplamanın yapıldığı bir yöntem geliştirilmiştir. Geliştirilen yöntem, evrişimsel otokodlayıcı ve topluluk kümelemesi modüllerinden oluşmaktadır. Meme kanseri hastalarının mRNA, miRNA, lncRNA, metilasyon ve protein omik verileri evrişimsel otokodlayıcı ile işlenerek öznitelikler çıkarılmış ve hastalar bu özniteliklere göre topluluk kümelemesiyle gruplanmıştır. Bulunan alt gruplar sağ kalım bakımından log-rank test ile karşılaştırılmış ve anlamlı fark bulunmuştur. Geliştirilen yöntem literatürdeki diğer yöntemlerle ARI, NMI ve AMI metrikleri kullanılarak karşılaştırılmış ve yöntemin daha üstün ya da rekabet edebilir bir performans gösterdiği bulunmuştur. Harici veri setleri ile testler gerçekleştirilerek yöntemin genelleştirme yeteneği sınanmıştır. Farklılaşmış gen ifadesi analizi ve MRMR algoritması kullanılarak, bulunan meme kanseri alt gruplarına özgü biyobelirteçler belirlenmiştir. Ayrıca, ablasyon çalışması yapılarak evrişimsel otokodlayıcıdaki evrişim katmanının performansa katkısı araştırılmıştır. Bu çalışmada geliştirilen yöntem ile, çoklu-omik veriyle kanser alt gruplamasına yönelik literatürdeki derin öğrenme yöntemlerine bir yenisi eklenmiştir. Çoklu-omik verilerin entegrasyonunda evrişimsel otokodlayıcı kullanımına yeni bir teknik sunulmuştur.

Özet (Çeviri)

Cancer is a complex group of diseases characterized by uncontrolled cell growth. Normally, the growth of a cell is tightly controlled by regulatory mechanisms. However, changes in the genome can cause cancer formation by leading to abnormalities in these mechanisms, and these changes differ from cancer to cancer. Therefore, discovering the underlying abnormalities is of great importance in determining the appropriate treatment. Identifying specific subtypes of a cancer type is important to be able to apply personalized and targeted therapies. In this thesis, a method has been developed in which clustering is performed by integrating multi-omics data to provide a solution to the cancer subtyping problem. The developed method consists of convolutional autoencoder and consensus clustering modules. The mRNA, miRNA, lncRNA, methylation and protein omics data of the breast cancer patients were processed with convolutional autoencoder to extract features and the patients were grouped by consensus clustering according to these features. The identified subgroups were compared in terms of survival using the log-rank test, and significant differences were found. The developed method was compared with other methods in the literature using ARI, NMI, and AMI metrics, and it was found that the method showed superior or competitive performance. The generalizability of the method was tested with external datasets. Biomarkers specific to the identified breast cancer subgroups were determined using differential gene expression analysis and the MRMR algorithm. Furthermore, an ablation study was conducted to investigate the contribution of the convolution layer in the convolutional autoencoder to the performance. With the method developed in this study, a new one has been added to the deep learning methods in the literature for cancer subtyping with multi-omics data. A new technique for using convolutional autoencoders in the integration of multi-omics data has been presented.

Benzer Tezler

  1. Integration of multi-omics data for enlightening the molecular mechanisms of cancer: a case study on breast cancer subtype identification

    Kanserin moleküler mekanizmalarını aydınlatmak için multi-omik verilerin entegrasyonu: meme kanseri alt tip tanımlaması üzerine bir vaka çalışması

    MİRAY ÜNLÜ YAZICI

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül Üniversitesi

    Biyomühendislik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BURCU GÜNGÖR

  2. Identification of cancer patient subgroups via pathway based multi-view graph kernel clustering

    Kanser hasta alt gruplarının yolak esaslı çok bakışlı çizge çekirdeği gruplaması ile belirlenmesi

    ALİ BURAK ÜNAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ÖZNUR TAŞTAN OKAN

  3. Malign ve benign plevral sıvıların ayrımında poliamin yolağındaki enzimlerin prognostik değeri

    The prognostic value of enzymes in the polyamine pathway in the differentiation of malignant and benign pleural fluids

    FATMAGÜL DEMİR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Göğüs CerrahisiGaziantep Üniversitesi

    Göğüs Cerrahisi Ana Bilim Dalı

    DOÇ. DR. AHMET ULUŞAN

  4. Tissue density classification in mammographic images using local features

    Yerel öznitelikler ile mamografi görüntülerinde doku yoğunluğunun sınıflandırılması

    SEZER KUTLUK

    Yüksek Lisans

    İngilizce

    İngilizce

    2012

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLGE GÜNSEL

  5. GA68-PSMA PET/BT görüntülemesinde radyofarmasötik biyodağılımı ve biyodağılımı etkileyen faktörler

    Radiopharmaceutical biodistribution and the factors affecting biodistribution in GA68-PSMA PET/CT imaging

    AYÇA ARÇAY ÖZTÜRK

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2021

    Radyoloji ve Nükleer TıpAkdeniz Üniversitesi

    Nükleer Tıp Ana Bilim Dalı

    PROF. DR. ADİL BOZ