Geri Dön

Rna-seq gen ekspresyonu verileri üzerinde derin öğrenme ile kanser sınıflandırması ve uygulaması

Cancer classification and application with deep learning on rna-seq gene expression data

PDF İndir

  1. Tez No: 980850
  2. Yazar: BÜŞRA ÇETİNKAYA
  3. Danışmanlar: DOÇ. DR. MUSTAFA CEM KASAPBAŞI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İstanbul Ticaret Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışma, kanser sınıflandırmasını geliştirmek amacıyla RNA-seq gen ekspresyonu verilerinin derin öğrenme teknikleri ile analizini kapsamlı bir şekilde ele almaktadır. Kanserin teşhisi ve sınıflandırılması, genellikle karmaşık biyolojik verilerin işlenmesi ve analiz edilmesini gerektiren bir süreçtir. Bu bağlamda, RNA-seq (RNA sequencing) verileri, hücredeki genlerin ekspresyon seviyelerini ölçen ve kanser gibi hastalıkların biyolojik temellerini anlamamıza yardımcı olan önemli bir biyoinformatik kaynaktır. UCI Machine Learning Repository'den elde edilen bu veri seti, farklı kanser türlerine ait gen ifade seviyelerini içermektedir ve bu veriler, kanserin tanımlanmasında kritik rol oynamaktadır. Çalışmada kullanılan derin öğrenme yöntemleri, özellikle yapay sinir ağları (ANN) ve LSTM (Long Short-Term Memory) gibi ileri düzey modeller, RNA-seq verilerindeki karmaşık ilişkileri öğrenmek ve sınıflandırmak için tercih edilmiştir. Derin öğrenme, veriden otomatik olarak anlamlı özellikler çıkarma yeteneği ile bilinir, bu da genetik veri analizi gibi yüksek boyutlu ve çok değişkenli verilere uygulanabilirliğini artırır. Bu özellik, özellikle kanser türlerinin sınıflandırılması gibi zorlu biyolojik görevlerde modelin başarısını büyük ölçüde artırmaktadır. Makine öğrenimi, genellikle veriye dayalı karar verme süreçlerinde önemli bir araç olarak kullanılsa da, derin öğrenme algoritmaları bu tür verilerin daha derin ve soyut düzeylerde analiz edilmesini mümkün kılmaktadır. Bu çalışma, derin öğrenme tekniklerinin kanser teşhisindeki potansiyelini ve gen ekspresyon verilerinin analiziyle kanser türlerinin doğru bir şekilde sınıflandırılmasını nasıl mümkün kılabileceğini incelemektedir. Sonuç olarak, RNA-seq verileri ile derin öğrenme algoritmalarının birleşimi, kanserin erken teşhisi ve tedavi stratejilerinin belirlenmesinde yeni bir döneme geçme potansiyeline sahiptir.

Özet (Çeviri)

This study comprehensively addresses the analysis of RNA-seq gene expression data using deep learning techniques to improve cancer classification. Cancer diagnosis and classification typically require the processing and analysis of complex biological data. In this context, RNA-seq (RNA sequencing) data serves as an important bioinformatics resource that measures the expression levels of genes within cells and helps us understand the biological foundations of diseases such as cancer. The dataset obtained from the UCI Machine Learning Repository contains gene expression levels for various types of cancer, and these data play a critical role in cancer identification. The deep learning methods used in this study, particularly Artificial Neural Networks (ANN) and Long Short-Term Memory (LSTM) models, have been chosen to learn and classify the complex relationships within RNA-seq data. Deep learning is known for its ability to automatically extract meaningful features from data, which increases its applicability to high-dimensional and highly variable data such as genetic data analysis. This characteristic significantly enhances the success of the model, especially in challenging biological tasks such as cancer classification. While machine learning is commonly used as an important tool in data-driven decision-making processes, deep learning algorithms enable the analysis of such data at deeper and more abstract levels. This study examines how deep learning techniques can make cancer diagnosis more efficient and enable the accurate classification of cancer types through the analysis of gene expression data. As a result, the combination of RNA-seq data and deep learning algorithms has the potential to open new frontiers in early cancer detection and the development of treatment strategies.

Benzer Tezler

  1. Tez No

    687467

    Using gene expression profiles of cancer patients with image-based deep learning approach to develop methods for classification and prediction of cancer while revealing critical genes

    Kanser hastalarının gen ifade verileri kullanılarak kanserde kritik genlerin tanımlanması, kanser sınıflandırılması ve tahmini için görüntü-tabanlı derin öprenme yaklaşımı

    BÜŞRA NUR DARENDELİ KİRAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    BiyomühendislikYıldız Teknik Üniversitesi

    Biyomühendislik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ALPER YILMAZ

  2. Tez No

    1013672

    Cancer subtyping and multi-omics analysis of common precursor B Acute Lymphoblastic Leukemias

    B hücreli (Common Precursor B) akut lenfoblastik lösemilerin kanser alt tiplemesi ve çoklu omic analizi

    BARAN ALKAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Biyoistatistikİstanbul Medeniyet Üniversitesi

    Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı

    DOÇ. DR. ELİF KUBAT ÖKTEM

    PROF. DR. HANDAN ANKARALI

  3. Tez No

    678417

    Ricania simulans'ta kitin sentaz 1 geninin transkriptom analizi

    Transcriptome analysis of chitin synthase 1 gene in Ricania simulans

    SERPİL TURHAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    GenetikAtatürk Üniversitesi

    Tarımsal Biyoteknoloji Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SEMRA ÇİÇEK

  4. Tez No

    996662

    SH-SY5Y nöroblastoma hücresinde soğuk stresin transkriptomik etkilerinin araştırılması

    Investigation of the transcriptomic effects of cold stress in SH-SY5Y neuroblastoma cells

    NAZMİ ÖZGEN

    Doktora

    Türkçe

    Türkçe

    2026

    Tıbbi Biyolojiİnönü Üniversitesi

    Tıbbi Biyoloji ve Genetik Ana Bilim Dalı

    PROF. DR. ŞENGÜL YÜKSEL

  5. Tez No

    535890

    Count based clustering and classification of RNA-seq data

    RNA dizileme verilerinin kesikli yöntemler ile sınıflandırılması ve kümelendirilmesi

    DİNÇER GÖKSÜLÜK

    Doktora

    İngilizce

    İngilizce

    2019

    BiyoistatistikHacettepe Üniversitesi

    Biyoistatistik Ana Bilim Dalı

    PROF. DR. AHMET ERGUN KARAAĞAOĞLU

Geri Dön