Machine learning-assisted and fluorescence protein-based biosensor design for amyloid-beta detection
Amiloid-beta tespiti için makine öğrenimi destekli ve floresan protein tabanlı biyosensör tasarımı
- Tez No: 943809
- Danışmanlar: DR. ÖĞR. ÜYESİ ARZU UYAR
- Tez Türü: Yüksek Lisans
- Konular: Biyokimya, Biyomühendislik, Biyoteknoloji, Biochemistry, Bioengineering, Biotechnology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İzmir Yüksek Teknoloji Enstitüsü
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyomühendislik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 105
Özet
Yeşil Floresan Proteinler (GFP) ve kimerik türevleri, floresans temelli biyolojik çalışmalarda yaygın olarak kullanılmaktadır. Bu tezde, floresan ve floresan olmayan GFP varyantları arasındaki yapısal ve dinamik farklılıkları araştırmak için moleküler dinamik (MD) simülasyonları kullanılmıştır. MD simülasyonları sırasında, floresan GFP varyantları tarafından oluşturulan konformasyonlar“floresan”sınıfına, floresan olmayan varyantların konformasyonları ise“floresan olmayan”sınıfına atanmıştır. Elde edilen konformasyonların alfa karbon (Cα) koordinatları, makine öğrenimi (ML) uygulamaları için üç boyutlu bir veri seti oluşturmuştur. Bu iki durumu dinamik özelliklerine göre sınıflandırmak amacıyla Doğrusal Diskriminant Analizi (LDA) uygulanmıştır. Bu bulgulara dayanarak, literatürdeki patentli bir vektör yapısı temel alınarak, amiloid-β 1–42 ve GFP'yi 14 amino asitlik bir bağlayıcı aracılığıyla birleştiren hesaplamalı bir kimerik GFP modeli oluşturulmuştur. Kimerik protein AlphaFold kullanılarak modellenmiş ve yapısal stabilitesini değerlendirmek için MD simülasyonlarına tabi tutulmuştur. Floresan sinyal üretme potansiyelini değerlendirmek amacıyla, tetramerik ve monomerik Aβ₁₋₄₂ proteinleri kimerik GFP yapısına moleküler kenetleme ile yerleştirilmiş ve yeni kompleksler oluşturulmuştur. Her bir kompleks MD simülasyonlarına tabi tutulmuş ve konformasyonları daha sonra LDA modeli kullanılarak analiz edilmiştir. Bu bütüncül hesaplamalı yaklaşım, GFP tabanlı biyosensörlerin yapısal dinamikleri ve bunların amiloid tespiti potansiyeli hakkında içgörüler sunmaktadır
Özet (Çeviri)
Green Fluorescent Proteins (GFP) and their chimeric derivatives are widely used in fluorescence-based biological studies. In this thesis, molecular dynamics (MD) simulations were employed to investigate the structural and dynamic differences between fluorescent and non-fluorescent GFP variants. During the MD simulations, the conformations generated by fluorescent GFP variants were assigned to the“fluorescent”class, while the conformations of non-fluorescent variants were assigned to the“non-fluorescent”class. The alpha carbon (Cα) coordinates of the obtained conformations constituted a three-dimensional dataset for machine learning (ML) applications. To classify these two states based on their dynamic properties, Linear Discriminant Analysis (LDA) was applied. Based on these findings, a computational chimeric GFP model, which links amyloid-β 1–42 and GFP via a 14-amino-acid linker, was constructed by taking a patented vector structure from the literature as a basis. The chimeric protein was modeled using AlphaFold and subjected to MD simulations to assess its structural stability. To evaluate its potential for fluorescent signal generation, tetrameric and monomeric Aβ₁₋₄₂ proteins were docked onto the chimeric GFP structure, generating new complexes. Each complex was subjected to MD simulations, and their conformations were subsequently analyzed using the LDA model. This integrative computational approach provides insights into the structural dynamics of GFP-based biosensors and their potential for Amyloid-β detection.
Benzer Tezler
- Machine learning assisted force field development for nucleic acids
Nükleik asitler için makine öğrenimi destekli kuvvet alanı geliştirilmesi
GÖZDE İNİŞ DEMİR
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
PROF. DR. ADEM TEKİN
- Makine öğrenmesi destekli akciğer görüntüleme
Machine learning assisted lung imaging
GÜLCE LEYLEK
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NAKİFE YASEMİN TOPALOĞLU
DR. ÖĞR. ÜYESİ AHMET EGESOY
- Machine-learning-assisted de novo design of molybdenum disulfide binding peptides
Molibden disülfid bağlayıcı peptitlerin makine öğrenimi destekli de novo tasarımı
ALP DENİZ ÖĞÜT
Yüksek Lisans
İngilizce
2024
Biyomühendislikİzmir Yüksek Teknoloji EnstitüsüBiyoteknoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DENİZ TANIL YÜCESOY
DR. ÖĞR. ÜYESİ MEHMET SERKAN APAYDIN
- Machine learning assisted intraoperative assessment of brain tumor margins using HRMAS NMR spectroscopy
Beyin tümörü sınırlarının ameliyat sırasında HRMAS NMR spektroskopisi kullanılarak makine öğrenimi destekli değerlendirilmesi
DORUK ÇAKMAKÇI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAH ERCÜMENT ÇİÇEK
- Machine learning assisted design of biomedical high entropy alloys with low elastic modulus for orthopedic applications
Ortopedik uygulamalar için düşük elastik modüle sahip biyomedikal yüksek entropili alaşımların makine öğrenimi destekli tasarımı
HÜSEYİN CAN ÖZDEMİR
Doktora
İngilizce
2024
Makine MühendisliğiKoç ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. DEMİRCAN CANADİNÇ