Derin öğrenme mimarileri ve kelime yerleştirme tekniklerini kullanarak antikanser peptit tahminleme
Anti-cancer peptide prediction using deep learning architectures and word embedding techniques
- Tez No: 892947
- Danışmanlar: DR. ÖĞR. ÜYESİ ZEYNEP HİLAL KİLİMCİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Biyomedikal araştırmalar, Yapay Zeka Endeksi, Biomedical research, Artificial Intelligence Index
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Antikanser peptitler (ACP'ler), antineoplastik özellikler sergileyen bir peptit grubudur. ACP'lerin kanser önlemede kullanımı, geleneksel kanser tedavilerine uygun bir alternatif sunabilir çünkü daha yüksek seçicilik ve güvenlik derecesine sahiptirler. Son bilimsel gelişmeler, istenen hücreleri etkin bir şekilde tedavi eden peptit tabanlı terapilere ilgi uyandırmıştır. Ancak, peptit dizilerinin sayısı artarken, güvenilir bir tahmin modeli geliştirmek zorlaşmıştır. Bu çalışmada, kelime yerleştirme ve derin öğrenme modellerini birleştirerek antikanser peptitlerini kategorize etmek amaçlanmıştır. Word2Vec, GloVe, FastText ve One-HotEncoding gibi yöntemler peptit dizilerini çıkarmak için kullanılmıştır. Bu yerleştirme modellerinin çıktıları, CNN, LSTM, BiLSTM gibi derin öğrenme modellerine beslenmiştir. Önerilen yöntemin etkisini göstermek için ACPs250 ve Independent veri setlerinde deneyler gerçekleştirilmiştir. Başka bir yaklaşımda, TF-IDF vektörleştirmesi ve destek vektör makineleri (SVM'ler), naive Bayes, tekrarlayan sinir ağları (RNN'ler) ve kapılı tekrarlayan birim (GRU) gibi modeller kullanılmıştır. Çalışmanın değerini göstermek için çeşitli deneyler yapılmış ve ENNACT, ENNAACT+A, ENNAACT+B ve ACP740 gibi yaygın veri kümeleri kullanılmıştır. Deneysel sonuçlar, önerilen modelin sınıflandırma doğruluğunu, mevcut çalışmalara kıyasla artırdığını gösterdi. Önerilen FastText+BiLSTM kombinasyonu, ACPs250 veri seti için %92,50 ve Independent veri seti için %96,15 doğruluk oranı sergileyerek yeni bir başarı durumunu belirler ve ayrıca ENNACT veri kümesi için GRU ile %90,28, ENNACT+A veri kümesi için RNN ile %91,44, ENNAACT+B veri kümesi için RNN ile %91,76 ve ACP740 veri kümesi için GRU ile %97,12 olan en iyi sınıflandırma doğruluklarını göstermektedir.
Özet (Çeviri)
Antikanser peptides (ACPs) are peptides known for their antineoplastic properties, potentially serving as an alternative to traditional cancer treatments due to their enhanced selectivity and safety. Recent scientific progress has sparked interest in peptide-based therapies that target specific cells. However, the growing number of peptide sequences poses challenges in developing accurate prediction models. This study aimed to create an effective model for categorizing ACPs by combining word embedding and deep learning techniques. Initially, methods like Word2Vec, GloVe, FastText, and One-Hot-Encoding were employed to extract peptide sequences as embeddings. These embeddings were then used as inputs for deep learning models like CNN, LSTM, and BiLSTM. To showcase the proposed framework's impact, comprehensive experiments were conducted on well-established datasets, ACPs250 and Independent. An alternative approach involved TF-IDF vectorization and models such as SVMs, naive Bayes, RNNs, and GRUs. To emphasize the study's value, a systematic series of experiments was performed on widely-used datasets with substantial data sizes, including ENNACT, ENNAACT+A, ENNAACT+B, and ACP740. Experimental results demonstrated that the proposed model improved classification accuracy compared to existing studies. The recommended FastText+BiLSTM combination established a new success rate with 92.50% accuracy for the ACPs250 dataset and 96.15% for the Independent dataset. Furthermore, it achieved the best classification accuracies for the ENNACT dataset with GRU at 90.28%, ENNACT+A dataset with RNN at 91.44%, ENNAACT+B dataset with RNN at 91.76%, and ACP740 dataset with GRU at 97.12%.
Benzer Tezler
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Kuantum hesaplama kullanan derin öğrenme ile karşılıklı görüşmelerde duygu analizi
Sentiment analysis in conversations with deep learning using quantum computing
SEDEF AKSU
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KARAKÖSE
- Kelime gömme yaklaşımlarının iadesiz torbalanmasına dayanan uzun kısa süreli bellek mimarisi ve metin sınıflandırmasına uygulanması
Long-short term memory architecture based on non-returnable baggigng of word embedding approaches and an application to text classification
MUHAMMET OĞUZHAN YALÇIN
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMuğla Sıtkı Koçman Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. NEVİN GÜLER DİNCER
- Derin öğrenme ve büyük veri yaklaşımları ile metin analizi
Text analysis with deep learning and big data approaches
BETÜL AY KARAKUŞ
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GALİP AYDIN
- Metin madenciliği ve derin öğrenme yöntemleriyle film eleştirilerinde duygu sınıflandırması
Sentiment classification in film reviews using text mining and deep learning methods
ONUR YILDIZ
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOstim Teknik ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT ŞİMŞEK