Geri Dön

Evrişimli sinir ağları ile DNA görüntülerinde hasar tespiti yönteminin geliştirilmesi

Development of a damage detection method in DNA images using convolutional neural networks

PDF İndir

  1. Tez No: 916679
  2. Yazar: ALİ AKTAŞ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ CENGİZ GÜNGÖR
  4. Tez Türü: Doktora
  5. Konular: Mühendislik Bilimleri, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Tokat Gaziosmanpaşa Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 100

Özet

İnsan hücreleri, sürekli olarak hem içsel (endojen) hem de dışsal (eksojen) faktörlerin saldırısına maruz kalmaktadır. Bu faktörler, nükleotitlerin kimyasal yapısını değiştirebilir veya DNA'nın fosfodiester omurgasını bozarak DNA hasarına neden olabilirler. Her hücrede, aynı anda binlerce dna hasarı meydana gelir ve bu durum genomun bütünlüğünü tehdit eder. DNA hasarlarının doğru bir şekilde anlaşılması ve sınıflandırılması, genetik, kanser araştırmaları ve toksikoloji gibi alanlarda büyük önem taşımaktadır. DNA hasarının tespitinde yaygın olarak kullanılan yöntemlerden biri, Tek Hücre Jel Elektroforezi olarak da bilinen Kuyruklu Yıldız Testi'dir (Comet Assay). Bu yöntem, tek tek hücrelerdeki DNA hasarını görselleştirmeyi sağlar. Elektroforez uygulandığında, hasarlı DNA çekirdekten çıkarak bir kuyruk oluşturur; bu kuyruk, kuyruklu yıldız benzeri bir şekil alırken, sağlam DNA kompakt kalır. Kuyruğun uzunluğu ve yoğunluğu, DNA hasarının miktarı ile orantılıdır ve bu, DNA parçalanmasının ölçülmesi için hassas ve etkili bir yol sağlar. Teknolojideki ilerlemelerle birlikte, DNA hasarının analizi giderek yapay zekâ (YZ) ve makine öğrenimi (ML) tekniklerini içermeye başlamıştır. Bu teknolojiler, DNA hasarının tespitinde ve sınıflandırılmasında hız ve doğruluğu artırmakla kalmaz, aynı zamanda hasar türlerinin sınıflandırılmasını ve onarım sonuçlarının tahmin edilmesini de kolaylaştırır. YZ ve ML modelleri, DNA görüntülerindeki farklı hasar türlerine özgü desenleri tanımak üzere geniş veri kümeleri üzerinde eğitilebilir. Bu modeller, karmaşık verileri analiz etmek ve yorumlamak için konvolüsyonel sinir ağları (CNN'ler) gibi derin öğrenme mimarilerini kullanır. Bu tez çalışması kapsamında derin öğrenme tabanlı (ESA) yöntemleriyle mikroskopta elde edilmiş DNA görüntülerinin bozulma sınıflandırması amacıyla farklı yöntem ve model çalışmaları önerilmektedir. Tez çalışması kapsamında DNA görüntülerinin etiketleme işleminin gerçekleştirilmesi, etiketlenen DNA görüntülerinin literatürde kullanılan güncel derin öğrenme mimarileri ile sınıflandırma işleminin gerçekleştirilmesi sonuçlarının değerlendirilmesi, sınıflandırma aşamasında en yüksek başarım değerlerine ulaşılan modellerin hiperparametre değerlerinin optimizasyon işlemlerinin gerçekleştirilmesi, geliştirilen optimizasyon değerlerine göre yeniden tüm mimarilerin eğitilmesi ve başarım değerlerinin karşılaştırılması gerçekleştirilmiştir. İkinci aşamada DNA görüntülerinin sınıflandırmasını en iyi şekilde gerçekleştirebilmek için keras kütüphanesinden yardım alınarak hiperparametre optimizasyonu ile en uygun, en yüksek başarımı elde etmek amacıyla modeller oluşturulup, modellerin başarımları karşılaştırılmıştır. 20 katman CNN modeli en yüksek %89 başarım oranına sahip olmuştur. Geliştirilen model, mevcut kullanılan İnsan hücreleri, sürekli olarak hem içsel (endojen) hem de dışsal (eksojen) faktörlerin saldırısına maruz kalmaktadır. Bu faktörler, nükleotitlerin kimyasal yapısını değiştirebilir veya DNA'nın fosfodiester omurgasını bozarak DNA hasarına neden olabilirler. Her hücrede, aynı anda binlerce dna hasarı meydana gelir ve bu durum genomun bütünlüğünü tehdit eder. DNA hasarlarının doğru bir şekilde anlaşılması ve sınıflandırılması, genetik, kanser araştırmaları ve toksikoloji gibi alanlarda büyük önem taşımaktadır. DNA hasarının tespitinde yaygın olarak kullanılan yöntemlerden biri, Tek Hücre Jel Elektroforezi olarak da bilinen Kuyruklu Yıldız Testi'dir (Comet Assay). Bu yöntem, tek tek hücrelerdeki DNA hasarını görselleştirmeyi sağlar. Elektroforez uygulandığında, hasarlı DNA çekirdekten çıkarak bir kuyruk oluşturur; bu kuyruk, kuyruklu yıldız benzeri bir şekil alırken, sağlam DNA kompakt kalır. Kuyruğun uzunluğu ve yoğunluğu, DNA hasarının miktarı ile orantılıdır ve bu, DNA parçalanmasının ölçülmesi için hassas ve etkili bir yol sağlar. Teknolojideki ilerlemelerle birlikte, DNA hasarının analizi giderek yapay zekâ (YZ) ve makine öğrenimi (ML) tekniklerini içermeye başlamıştır. Bu teknolojiler, DNA hasarının tespitinde ve sınıflandırılmasında hız ve doğruluğu artırmakla kalmaz, aynı zamanda hasar türlerinin sınıflandırılmasını ve onarım sonuçlarının tahmin edilmesini de kolaylaştırır. YZ ve ML modelleri, DNA görüntülerindeki farklı hasar türlerine özgü desenleri tanımak üzere geniş veri kümeleri üzerinde eğitilebilir. Bu modeller, karmaşık verileri analiz etmek ve yorumlamak için konvolüsyonel sinir ağları (CNN'ler) gibi derin öğrenme mimarilerini kullanır. Bu tez çalışması kapsamında derin öğrenme tabanlı (ESA) yöntemleriyle mikroskopta elde edilmiş DNA görüntülerinin bozulma sınıflandırması amacıyla farklı yöntem ve model çalışmaları önerilmektedir. Tez çalışması kapsamında DNA görüntülerinin etiketleme işleminin gerçekleştirilmesi, etiketlenen DNA görüntülerinin literatürde kullanılan güncel derin öğrenme mimarileri ile sınıflandırma işleminin gerçekleştirilmesi sonuçlarının değerlendirilmesi, sınıflandırma aşamasında en yüksek başarım değerlerine ulaşılan modellerin hiperparametre değerlerinin optimizasyon işlemlerinin gerçekleştirilmesi, geliştirilen optimizasyon değerlerine göre yeniden tüm mimarilerin eğitilmesi ve başarım değerlerinin karşılaştırılması gerçekleştirilmiştir. İkinci aşamada DNA görüntülerinin sınıflandırmasını en iyi şekilde gerçekleştirebilmek için keras kütüphanesinden yardım alınarak hiperparametre optimizasyonu ile en uygun, en yüksek başarımı elde etmek amacıyla modeller oluşturulup, modellerin başarımları karşılaştırılmıştır. 20 katman CNN modeli en yüksek %89 başarım oranına sahip olmuştur. Geliştirilen model, mevcut kullanılan ESA modellerinin başarım değerine göre daha iyi başarım değeri elde ederken, ESA modellerinin optimizasyonu gerçekleştirildiğinde başarım değerleri daha yüksük seviyeye çıkmaktadır. Geliştirilen model ile nesne tanıma uygulaması gerçekleştirilmiş ve DNA hasar görüntüleri üzerinde otomatik sınıflandırma, aynı zamanda veri setinin arttırılması sağlanarak geliştirilen modelin başarım değeri daha üste seviyeye çıkartılması sağlanmıştır.ESA modellerinin başarım değerine göre daha iyi başarım değeri elde ederken, ESA modellerinin optimizasyonu gerçekleştirildiğinde başarım değerleri daha yüksük seviyeye çıkmaktadır. Geliştirilen model ile nesne tanıma uygulaması gerçekleştirilmiş ve DNA hasar görüntüleri üzerinde otomatik sınıflandırma, aynı zamanda veri setinin arttırılması sağlanarak geliştirilen modelin başarım değeri daha üste seviyeye çıkartılması sağlanmıştır.

Özet (Çeviri)

Human cells are continuously subjected to attacks from both internal (endogenous) and external (exogenous) factors. These factors can alter the chemical structure of nucleotides or disrupt the phosphodiester backbone of DNA, leading to DNA damage. In every cell, thousands of DNA damage events occur simultaneously, threatening genomic integrity. Accurate understanding and classification of DNA damage are crucial in fields such as genetics, cancer research, and toxicology. One widely used method for detecting DNA damage is the Comet Assay, also known as Single-Cell Gel Electrophoresis. This tech-nique allows for the visualization of DNA damage at the single-cell level. During electro-phoresis, damaged DNA migrates out of the nucleus, forming a tail resembling a comet, while intact DNA remains compact. The length and intensity of the tail are proportional to the amount of DNA damage, providing a sensitive and effective means for measuring DNA fragmentation. With advancements in technology, DNA damage analysis has in-creasingly incorporated artificial intelligence (AI) and machine learning (ML) techniques. These technologies not only improve the speed and accuracy of DNA damage detection and classification but also facilitate the identification of damage types and the prediction of repair outcomes. AI and ML models can be trained on large datasets to identify pat-terns specific to various types of DNA damage. These models utilize deep learning archi-tectures such as convolutional neural networks (CNNs) to analyze and interpret complex data. In this thesis, various methods and models are proposed for the classification of DNA damage observed in microscope images using deep learning-based (ESA) approach-es. The study includes the labeling of DNA images, the classification of these labeled images using current deep learning architectures from the literature, the evaluation of clas-sification results, the optimization of hyperparameters for models achieving the highest performance, and the retraining of all architectures based on optimized parameters, fol-lowed by a comparison of performance metrics. In the second phase, models were devel-oped to achieve the most accurate DNA damage classification through hyperparameter optimization with the Keras library. The performance of these models was compared, and a 20-layer CNN model achieved the highest accuracy of 89%. The developed model out-performed the currently used ESA models in terms of accuracy, and further optimization of ESA models resulted in even higher performance levels. Using the developed model, object recognition applications were implemented, enabling automatic classification of DNA damage images. Additionally, dataset augmentation was performed to further en-hance the performance of the developed model. This study aims to advance DNA dam-age classification with deep learning methods, ultimately improving the automation and accuracy of DNA damage analysis.

Benzer Tezler

  1. Tez No

    786201

    Yapay öğrenme ile DNA- ve RNA-bağlayıcı proteinlerin sınıflandırılması

    Classification of DNA- and RNA-binding proteins by artificial learning

    ÖZGÜR CAN ARICAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge Üniversitesi

    Sağlık Biyoinformatiği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZGÜR GÜMÜŞ

  2. Tez No

    676563

    Yüksek çözünürlüklü erime eğrilerinin sınıflandırılması için derin öğrenme tabanlı yöntemlerin geliştirilmesi

    Developing deep learning methods to classify high resolution melting curves

    FATMA ÖZGE ÖZKÖK

    Doktora

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. METE ÇELİK

  3. Tez No

    887071

    A deep learning architecture for missing metabolite concentration prediction

    Eksik metabolit miktarı tahmini için bir derin öğrenme mimarisi

    SADİ ÇELİK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALİ ÇAKMAK

  4. Tez No

    608922

    Dermoskopik görüntülerden melanomanın derin evrişimsel sinir ağları ile teşhisi

    Diagnosis of melanoma in dermoscopic images with deep convolutional neural networks

    ENES AYAN

    Doktora

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HALİL MURAT ÜNVER

  5. Tez No

    952097

    Skin cancer detection with convolutional neural network

    Evrişimli sinir ağları ile cilt kanseri tespiti

    ROSNY WAREN ANDJOGO

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTokat Gaziosmanpaşa Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YASEMİN ÇETİN KAYA

Geri Dön