Geri Dön

Machine learning-based subtyping of renal cancer via non-apoptotic cell death pathways

Cell death pathways apoptotik olmayan hücre ölüm yollari üzerinden böbrek kanserinin alt tiplerine makine öğrenmesi tabanli ayrilmasi

PDF İndir

  1. Tez No: 964057
  2. Yazar: HAKAN KAHRAMAN
  3. Danışmanlar: DOÇ. DR. PINAR PİR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Moleküler Tıp, Tıbbi Biyoloji, Biyomühendislik, Molecular Medicine, Medical Biology, Bioengineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Gebze Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Biyomühendislik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Apoptoz dışı programlanmış hücre ölümü, geleneksel apoptoz mekanizmasının ötesine geçen yeni yolların ortaya çıkmasıyla birlikte giderek daha fazla ilgi görmektedir. Bu çalışma, yakın zamanda tanımlanan apoptoz dışı hücre ölümü mekanizmalarının—nekroptoz, piroptoz, ferroptoz, parthanatos, otofajik hücre ölümü ve cuproptosis—moleküler temelini ve bu yolların farklı kanser türlerindeki özgül rollerini ortaya koymayı amaçlamaktadır. Araştırma, bu mekanizmaların kanser biyolojisindeki önemini ve gen ekspresyon profilleri aracılığıyla kanser türlerini ayırt etme potansiyelini incelemektedir. Apoptoz dışı programlanmış hücre ölümü (PCD) mekanizmaları, tümör davranışının kritik düzenleyicileri olarak öne çıkmış ve biyobelirteç keşfi ile kanser alt türlerinin sınıflandırılması için yeni fırsatlar sunmuştur. Bu çalışma, bu PCD yollarından türetilen gen ekspresyon imzalarının çeşitli kanser türlerinde tanısal değerini araştırmaktadır. The Cancer Genome Atlas (TCGA) veriseti kullanılarak özellikle böbrek kanserlerinde (KIRC, KIRP, KICH), aktivatör ve inhibitör genlerin düzenlenmesinin belirgin şekilde bozulduğu kanser türleri sistematik olarak belirlenmiştir. Biyolojik olarak anlamlı özellikler (örneğin entropi, PCA, yolak ortalamaları) kullanılarak, böbrek kanseri alt türlerini %94 doğrulukla sınıflandırabilen çok sınıflı makine öğrenmesi modelleri geliştirilmiştir. Boyut indirgeme ve SHAP tabanlı yorumlanabilirlik analizleri, bu alt türlerin özellikle piroptoz ve otofajik hücre ölümü tarafından şekillenen belirgin moleküler desenler sergilediğini ortaya koymuştur. Doku sınıflandırması ve tümör tanımlaması için gerçek zamanlı tahminler sunan Flask tabanlı bir web platformu (kidneycancerscope.com) geliştirilmiştir. Bu çalışma, apoptoz dışı hücre ölümü gen imzalarının kanser sınıflandırması için biyobelirteçler olarak kullanılabileceğini göstermekte ve yapay zeka destekli tanı platformlarının geliştirilmesini desteklemektedir.

Özet (Çeviri)

Non-apoptotic programmed cell death (PCD) has attracted growing interest due to the discovery of alternative mechanisms that function independently of traditional apoptosis. This study aims to elucidate the molecular foundations of recently characterized non-apoptotic PCD pathways—namely necroptosis, pyroptosis, ferroptosis, parthanatos, autophagic cell death, and cuproptosis—and to explore their specific roles across various cancer types. Emphasis is placed on understanding how these pathways contribute to cancer biology and their potential utility in distinguishing cancer types based on gene expression patterns. Non-apoptotic PCD mechanisms have emerged as pivotal regulators of tumor progression, presenting novel avenues for biomarker discovery and cancer subtype classification. In this study, we evaluate the diagnostic relevance of gene expression signatures associated with these pathways across a diverse set of cancer types. Leveraging data from The Cancer Genome Atlas (TCGA), we identified specific cancers—particularly subtypes of kidney cancer—where the regulation of key activator and inhibitor genes is significantly altered. By constructing biologically informed features such as pathway-specific means, principal components, and entropy-based metrics, we trained multi-class machine learning models that achieved 94% accuracy in classifying kidney cancer subtypes (KIRC, KIRP, KICH). Dimensionality reduction techniques and SHAP-based interpretability analyses revealed distinct molecular profiles for each subtype, with pyroptosis and autophagic cell death emerging as dominant discriminative pathways. To facilitate real-time diagnostic application, we developed a Flask-based web platform (kidneycancerscope.com) capable of performing tissue classification and tumor subtype prediction. Overall, our findings highlight the potential of non-apoptotic cell death gene signatures as biomarkers for cancer classification and support the advancement of AI-powered diagnostic tools.

Benzer Tezler

  1. Tez No

    1005922

    Solid böbrek kitlelerine sahip hastalarda operasyon öncesı benign-malign ayrımında ve alt tiplendirmede berrak hücreli olasılık skoruna dayalı görüntü işleme ve makina öğrenme yapay zeka modeli

    Image processing and machine learning artificial intelligence model based on a clear cell likelihood score to predict preoperative benign-malignant differentiation and subtyping in patients with solid renal masses

    ÖZGÜR DENİZ TATAROĞLU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    ÜrolojiSağlık Bilimleri Üniversitesi

    Üroloji Ana Bilim Dalı

    DOÇ. DR. AKİF ERBİN

    DOÇ. DR. AYTÜL HANDE YARDIMCI

  2. Tez No

    953177

    Contributions to machine learning in biomedical informatics

    Biyomedikal enformatikte makine öğrenmesine katkılar

    İNCİ MELİHA BAYTAŞ

    Doktora

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMıchıgan State Unıversıty

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    PROF. DR. ANIL KUMAR JAIN

  3. Tez No

    733247

    A web tool to explore, annotate and classify the Acibadem breast cancer cohort RNAseq data with gene signatures and clinical/mutation data, according to molecular subtypes

    Acıbadem meme kanseri kohortu RNA-seq verilerini gen imzalari ve klinik/mutasyon verileriyle moleküler alt tiplere göre keşfetmek, betimlemek ve sınıflandırmak için bir web aracı

    KÜBRA ÇALIŞIR

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Biyolojiİhsan Doğramacı Bilkent Üniversitesi

    Moleküler Biyoloji ve Genetik Ana Bilim Dalı

    DOÇ. DR. ÖZLEN KONU KARAKAYALI

  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

    488414

    Machine learning based DDOS attack detection for software-defined networks

    Yazılım tanımlı ağlar için makine öğrenme esaslı DDOS attack algılama

    DOUGLAS OMURO MAKORI

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    Assist. Prof. Dr. SEÇKİN ARI

Geri Dön