Geri Dön

Machine learning and systems biology-based approaches for identification of key biomolecules in liver diseases

Karaciğer hastalıklarında anahtar biyomoleküllerin tanımlanması için makine öğrenmesi ve sistem biyolojisi temelli yaklaşımlar

  1. Tez No: 947860
  2. Yazar: BETÜL CÖMERTPAY
  3. Danışmanlar: DOÇ. DR. ESRA GÖV
  4. Tez Türü: Doktora
  5. Konular: Biyomühendislik, Bioengineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Adana Alparslan Türkeş Bilim Ve Teknoloji Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Biyomühendislik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 156

Özet

Karaciğer hastalıkları, dünya genelinde yılda yaklaşık iki milyon ölüme neden olan önemli bir sağlık sorunudur. Bu tez çalışmasında, karaciğer hastalıklarının moleküler peyzajını anlamaya yönelik kapsamlı bir sistem biyolojisi yaklaşımı sunmakta; bulk ve tek hücre transkriptomik verilerle birlikte proteomik, düzenleyici (regülatör) ve mikrobiyom verilerini entegre etmektedir. Erken kronik karaciğer hastalığı (eCLD), kronik karaciğer hastalığı (CLD), akut karaciğer yetmezliği (ALF), akut-kronik karaciğer yetmezliği (ACLF), alkole bağlı olmayan yağlı karaciğer hastalığı (NAFLD), steatohepatit, siroz ve hepatoselüler karsinom (HCC) gibi çok çeşitli klinik durumları kapsayan bu tez, tanısal, prognostik ve terapötik açıdan potansiyel taşıyan hem bilinen hem de yeni biyomoleküler imzaları ortaya koymuştur. Farklılaşmış gen ekspresyonu analizleri, gen düzenleyici ağ çıkarımları ve tek hücre verileriyle bilgilendirilmiş modelleme, mikrobiyom profillemesiyle birleştirilerek hastalık evresine özgü moleküler değişimler karakterize edilmiştir. Tanımlanan yeni aday biyomoleküller arasında genler (örneğin PRKAB2, CLEC1B, CRHBP, TJP2), mikroRNA'lar (örneğin miR-548az-5p, miR-548t-5p) ve transkripsiyon faktörleri (örneğin FOXO1, SP1, ESR2) yer almaktadır. Ayrıca Eikenella ve Dictyostelium discoideum gibi mikrobiyal türler, bağırsak-karaciğer ekseninde potansiyel yeni katkı sağlayıcılar olarak ortaya çıkmıştır. Makine öğrenimi yöntemleri, analitik çerçevenin merkezinde yer alarak elde edilen sonuçların hem tanısal hem de prognostik yorumlanabilirliğini artırmıştır. Tanı sınıflandırmaları, temel bileşen analizi (PCA) ve Random Forest, k-En Yakın Komşu (k-NN), Çok Katmanlı Algılayıcı (MLP), XGBoost, LightGBM, Gradient Boosting ve CatBoost gibi çeşitli denetimli algoritmalarla gerçekleştirilmiştir. Özellikle CatBoost, HCC tanısında %93.75 doğruluk ve mükemmel hassasiyet/özgüllük (AUC = 1.0) ile en yüksek performansı sergilemiştir. Prognostik modellemelerde kullanılan Random Survival Forest (RSF) algoritmaları, HCC hastalarını risk düzeylerine göre ayırabilmiş ve özgül bağışıklık hücre tiplerinde sağkalım ile ilişkili genleri ortaya koymuştur örneğin monositlerde RTN3, ENO1 ve FOLR3; NK hücrelerinde CRIP1 ve PSMA7. Hesaplamalı tahminlerin güvenilirliğini sağlamak adına, 1000 iterasyonluk bootstrap yeniden örnekleme ve rastgele temel modellerle karşılaştırmalı tek örneklem t-testleri uygulanmıştır. Genel olarak bu tez, çoklu-omik verilerin makine öğrenimi ve sistem biyolojisi yaklaşımlarıyla bütünleştirilmesinin karaciğer hastalıklarının biyolojisine dair önemli bilgiler sunduğunu göstermektedir. Bulgular, hastalık evreleri ve hücre tipleri arasında küratörlü bir biyomoleküler imzalar kaynağı sağlamanın yanı sıra, klinik geçerliliği yüksek adayları da ön plana çıkarmaktadır. Veri odaklı keşif ile klinik uygulama arasında köprü kuran bu çalışma, gelecekteki biyobelirteç doğrulama çalışmaları ve karaciğer hastalıklarında kişiselleştirilmiş tıp stratejileri için güçlü bir temel oluşturmaktadır.

Özet (Çeviri)

Liver diseases remain a significant global health concern, causing approximately two million deaths annually. In this thesis, presents a comprehensive systems biology investigation into the molecular landscape of liver diseases by integrating bulk and single-cell transcriptomic, proteomic, regulatory, and microbiome data. Spanning a wide range of clinical conditions including early chronic liver disease (eCLD), chronic liver disease (CLD), acute liver failure (ALF), acute-on-chronic liver failure (ACLF), non-alcoholic fatty liver disease (NAFLD), steatohepatitis, cirrhosis, and hepatocellular carcinoma (HCC) the study identifies both known and novel biomolecular signatures with potential diagnostic, prognostic, and therapeutic relevance. Differential expression analysis, gene regulatory network inference, and single-cell-informed modeling were combined with microbiome profiling to characterize stage-specific molecular changes. Novel candidate biomolecules included genes (e.g., PRKAB2, CLEC1B, CRHBP, TJP2), microRNAs (e.g., miR-548az-5p, miR-548t-5p), and transcription factors (e.g., FOXO1, SP1, ESR2). Additionally, microbial species such as Eikenella and Dictyostelium discoideum emerged as potentially new contributors within the gut-liver axis. Machine learning played a central role in the analytical framework, enhancing both the diagnostic and prognostic interpretability of the results. Diagnostic classification was performed using principal component analysis (PCA) and several supervised algorithms, including Random Forest, k-Nearest Neighbors, Multilayer Perceptron (MLP), XGBoost, LightGBM, Gradient Boosting, and CatBoost. Notably, CatBoost achieved the highest accuracy in HCC diagnosis (93.75%) with perfect sensitivity and specificity (AUC = 1.0). Prognostic modeling using Random Survival Forests (RSF) enabled the stratification of HCC patients by risk level and highlighted key survival-associated genes in specific immune cell types—for instance, RTN3, ENO1, and FOLR3 in monocytes, and CRIP1, PSMA7 in NK cells. Robustness was ensured through 1,000-iteration bootstrap resampling and one-sample t-tests against random baseline models, confirming the reliability of the computational predictions. Altogether, this thesis demonstrates the power of integrating multi-omics data with machine learning and systems-level approaches to reveal critical insights into liver disease biology. The findings not only provide a curated resource of biomolecular signatures across disease states and cell types but also highlight candidates with high translational potential. By combining data-driven discovery with clinical relevance, this work lays a strong foundation for future biomarker validation and precision medicine strategies in liver disease research.

Benzer Tezler

  1. Tez No

    946222

    Machine learning approaches in glioma to identify subtype-specific candidate biomarkers and therapeutics

    Glioma alt türlerine özgü aday biyobelirteç ve terapötiklerin belirlenmesi için makine öğrenmesi yöntemleri

    SEMRA MELİS SOYER

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    BiyomühendislikMarmara Üniversitesi

    Biyomühendislik Ana Bilim Dalı

    DOÇ. DR. CEYDA KASAVİ

  2. Tez No

    66398

    İmalat sistemlerinin tasarlanması ve öncelik kurallarının belirlenmesinde yapay sinir ağlarının kullanılması

    Başlık çevirisi yok

    TARIK ÇAKAR

    Doktora

    Türkçe

    Türkçe

    1997

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. AYHAN TORAMAN

  3. Tez No

    459335

    Ağırlandırılmış gen ko-ekspresyon ağ analizininden (WGCNA) elde edilen biyobelirteçlerin kullanılmasıyla malign melanomda ilaç seçimi

    Drug selection for malignant melanoma using biomarkers generated by weighted gene co-expression network analysis (WGCNA)

    SEMİH ALPSOY

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    BiyoistatistikOrta Doğu Teknik Üniversitesi

    Sağlık Bilişimi Ana Bilim Dalı

    YRD. DOÇ. DR. AYBAR CAN ACAR

    DOÇ. DR. ALİ OSMAY GÜRE

  4. Tez No

    854797

    Efficient optimization algorithms for computational biology

    Hesaplamalı biyolojide etkin eniyileme algoritmaları

    OĞUZ CAN BİNATLI

    Doktora

    İngilizce

    İngilizce

    2024

    Endüstri ve Endüstri MühendisliğiKoç Üniversitesi

    Endüstri Mühendisliği ve Operasyon Yönetimi

    PROF. DR. MEHMET GÖNEN

  5. Tez No

    857542

    Magnetic resonance spectroscopic imaging based detection of genetic alterations in gliomas

    Gliomalarda genetik değişikliklerin manyetik rezonans spektroskopik görüntüleme tabanlı tespiti

    BANU SAÇLI BİLMEZ

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ESİN ÖZTÜRK IŞIK

Geri Dön