Cell penetrating peptide prediction and validation by machine learning for efficient delivery of gene therapy vectors
Gen tedavi vektörlerinin etkin iletimi için makine öğrenmesi ile peptit tahmini ve doğrulanması
- Tez No: 862232
- Danışmanlar: DOÇ. DR. DEVRİM DEMİR DORA
- Tez Türü: Yüksek Lisans
- Konular: Genetik, Biyoteknoloji, Biyomühendislik, Genetics, Biotechnology, Bioengineering
- Anahtar Kelimeler: CPP, in silico, makine öğrenmesi, gen tedavisi, CPP, in silico, machine learning, gene therapy
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Gen ve Hücre Tedavisi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu tez çalışmasının amacı, gen tedavisi uygulamalarında kritik bir öneme sahip olan hücre zarına penetre olabilen peptitlerin (CPP) makine öğrenme modeli kullanılarak CPP olma veya CPP olmama özelliğinin tahmin edilmesidir. CPP'ler terapötik materyalin hücre içine etkin bir şekilde ulaştırılmasında büyük öneme sahiptir. Bu bağlamda, bu çalışmada geliştirilen yeni algoritma kullanılarak gen tedavisinde kullanılabilecek yeni CPP'lerin kısa sürede verimli şekilde elde edilmesi amaçlanmaktadır. Yöntem: Veri seti yaklaşık olarak 1400 farklı peptit zinciri kullanılarak oluşturulmuştur. Literatürdeki çalışmalarda önemi gösterilmiş olan amino asit kompozisyonu, uzunluk, entropi ve CTDC gibi fizikokimyasal özellikler kullanılarak makine öğrenme modeli girdileri oluşturulmuştur. CPP olan peptitler algortima ile“1”olarak sınıflandırılırken CPP olmayanlar“0”olarak sınıflandırılmıştır. Makine öğrenme modeli olarak Random Forest modeli seçilmiştir. Veri setinde bulunmayan farklı peptitler için tahminler yapılmıştır. Çalışmanın deneysel bölümünde, CPP olduğu bilinen protamin kullanılarak protaminin genetik materyalin hücre içine girşini arttırdığı gösterilmiştir. Bulgular: Tez kapsamında geliştirilmiş olan model, %91,96 eğitim doğruluğu ve %86,62 doğrulama doğruluğu ile peptit sınıflandırmasını etkili bir şekilde gerçekleştirmiştir. Ayrıca, algoritma, veri setinde bulunmayan peptit örneklerinin büyük bir kısmını doğru bir şekilde tahmin etmiştir. Yapılan deneylerde, protaminin CPP özelliğine sahip olduğu gösterilmiş ve protamin kullanımının transdüksiyon veriminde %64'lük anlamlı bir artış sağladığı belirlenmiştir. Sonuç: Bu çalışma, CPP tahmini yapan bir algoritma geliştirerek, in vitro deneyler öncesinde genetik materyalin taşıma verimliliğini hızlı ve etkili bir şekilde planlamayı mümkün kılmaktadır. Bu sayede, maddi kazancı artırmayı ve zaman kaybını minimize etmeyi hedeflemektedir. Ayrıca, gelecekte hücre içine aktarılmak istenen çeşitli materyallerin taşıma verimliliklerini tahmin etmek için yeni makine öğrenme algoritmalarına rehberlik edebilecek bir örnek çalışma olmuştur.
Özet (Çeviri)
Objective: Predicting cell-penetrating peptides (CPP) through machine learning is vital for advancing gene therapy. This study aims to use a model based on peptide chain sequences and physicochemical properties to distinguish between CPPs and non-CPPs, crucial for improving the targeted delivery of therapeutic genes. Method: Approximately 1400 different peptide chains were utilized as data, incorporating features such as amino acid composition, length, entropy, and CTDC, along with peptide sequences as inputs. The output is binary, with a result of“1”indicating a CPP and“0”denoting a non-CPP. The Random Forest model was chosen as the machine learning model for classification. Predictions were made for different peptides not present in the dataset. In the experimental section of the study, the reowned CPP protamine was employed, demonstrating its ability to enhance cellular internalization. Results: The model achieved a training accuracy of 91.96% and a validation accuracy of 86.62%, demonstrating its effectiveness in predicting peptide classification. The developed algorithm has accurately predicted nearly all of the different peptide samples that were not present in the dataset. Experimental validation in the study confirmed the CPP property of protamine. It was determined that the utilization of protamine resulted in a remarkable 64% increase in transduction efficiency. This underscores the effectiveness of protamine in facilitating the entry of therapeutic agents into cells, showcasing its potential utility in enhancing various biomedical applications, including gene delivery. Conclusion: Through this study, a novel algorithm has been developed to predict CPPs, paving the way for its application in gene therapy research. The algorithm enhances the identification of CPPs, facilitating targeted delivery of therapeutic genes and potentially improving the precision of gene-based treatments. Its efficiency in discovering CPPs may expedite the development of innovative gene delivery methods, advancing the field of gene therapy.
Benzer Tezler
- Nükleer rezonasta moleküler yapıların incelenmesi (yapısal faz geçiş kuramları üzerine bir inceleme)
Başlık çevirisi yok
ABDURRAHMAN ANDİÇ
Yüksek Lisans
Türkçe
1986
Fizik ve Fizik MühendisliğiUludağ ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. AYTAÇ YALÇINER
- İncir işletmelerinde açığa çıkan hurda incirlerin tek hücre proteini üretiminde substrat olarak kullanımı
Başlık çevirisi yok
HÜLYA OKER
Yüksek Lisans
Türkçe
1987
Gıda MühendisliğiEge ÜniversitesiGıda Bilimi ve Teknolojisi Ana Bilim Dalı
DOÇ. DR. MEHMET KARAPINAR
- Batık kültür yöntemi ile melastan tek hücre proteini (THP) üretiminde morchella conica var. costata vent miselyumunun kullanılması
Başlık çevirisi yok
İSMAİL KARABOZ
- Melanogryllus desertus pall. (orthoptero)un nörosekresyon hücrelerine karanlığın etkisi
Başlık çevirisi yok
GÜLER ÖNAL
- Giyardiyazın tanısı ve giardia intestinalis (lambl, 1859) Alexief, 1914 üzerine çalışmalar
Investigations about diagnosis of giardiasis and G. intestinalis
MUSTAFA YILMAZ
Doktora
Türkçe
1985
MikrobiyolojiCumhuriyet ÜniversitesiMikrobiyoloji Ana Bilim Dalı
DOÇ.DR. GÜLDANE SAYGI