CRISPR-CAS13D ile hedef dışı etkilerin derin öğrenmeyle modellenmesi: DEEPCAS13 modelinin yapısal gRNA verisiyle iyileştirilmesi
Modeling off-target effects of CRISPR-CAS13D via deep learning: refining DEEPCAS13 with structural gRNA data
- Tez No: 987180
- Danışmanlar: DOÇ. DR. ALPER YILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Biyoteknoloji, Moleküler Tıp, Genetik, Biotechnology, Molecular Medicine, Genetics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Moleküler Biyoloji ve Genetik Ana Bilim Dalı
- Bilim Dalı: Moleküler Biyoloji ve Genetik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
CRISPR-Cas13d sistemi, RNA düzenleme alanında önemli bir potansiyele sahip olmakla birlikte, bu sistemin klinik uygulamalardaki güvenilirliği, hedef dışı etkilerin minimize edilmesine bağlıdır. Mevcut hesaplamalı modeller (örn. DeepCas13), gRNA tasarımını çoğunlukla 1-boyutlu (sekans) ve 2-boyutlu (ikincil yapı) bilgilere dayanarak yapmakta, hedef spesifikliği için kritik olan 3-boyutlu (3D) konformasyonel yapıyı göz ardı etmektedir. Bu çalışma, DeepCas13 modelini, 3D yapısal bilgiyi entegre eden çoklu-girdi (multi-modal) bir yaklaşımla iyileştirmeyi amaçlamıştır. Bu doğrultuda, RNAglib (graf temsili) ve UMAP (boyut indirgeme) tekniklerine dayalı yenilikçi bir 3D özellik çıkarım işlem hattı oluşturulmuştur. Geliştirilen bu işlem hattı, literatürden elde edilen 5.700 gRNA'lık 'Eğitim ve Test Veri Seti'ndeki her bir gRNA için 32 boyutlu yapısal vektörler üretmek ve bu verileri modele entegre etmek amacıyla kullanılmıştır. Geliştirilen model, 5-katlı çapraz doğrulama yöntemiyle eğitilmiş ve değerlendirilmiştir. Sonuçlar, 3D yapısal bilginin entegrasyonunun, temel DeepCas13 modeline (PCC: -0.3792, AUC: 0.7238, AUPR: 0.7063) kıyasla belirgin bir performans artışı sağladığını göstermiştir. Geliştirilen modelin, test (doğrulama) verisi üzerindeki ortalama performansı; Pearson Korelasyon Katsayısı (PCC) -0.7984, ROC Eğrisi Altında Kalan Alan (AUC) 0.9549 ve Hassasiyet-Duyarlılık Eğrisi Altında Kalan Alan (AUPR) 0.8269 olarak hesaplanmıştır. Yüksek AUC/AUPR skorları, modelin 'verimli' ve 'verimsiz' gRNA'ları ayırt etmede mükemmele yakın bir başarı sergilediğini doğrulamaktadır. Ayrıca modelin pratik uygulanabilirliği, 10.250 adet gRNA yapısından oluşan mutasyonlu validasyon seti (in silico validasyon seti) üzerinde test edilmiştir. Model, bu geniş aday havuzu içerisinden en verimli adayı (DeepScore: 0.995) başarıyla seçerek ve yeni hedefler için“de novo”(yeni) yüksek skorlu gRNA'lar (DeepScore: 0.950) tasarlayarak başarısını kanıtlamıştır. Bu sonuçlar, 3D yapısal bilginin entegrasyonunun, CRISPR-Cas13d sisteminin hedef spesifikliğini artırmak ve potansiyel hedef dışı etkileri minimize etmek için kritik bir yaklaşım sunduğunu ortaya koymaktadır.
Özet (Çeviri)
Although the CRISPR-Cas13d system holds significant potential in the field of RNA editing, the reliability of this system in clinical applications depends on the minimization of off-target effects. Current computational models (e.g., DeepCas13) largely rely on 1-dimensional (sequence) and 2-dimensional (secondary structure) information for gRNA design, overlooking the 3-dimensional (3D) conformational structure which is critical for target specificity. This study aimed to enhance the DeepCas13 model through a multi-modal approach that integrates 3D structural information. To this end, an innovative 3D feature extraction pipeline based on RNAglib (graph representation) and UMAP (dimensionality reduction) techniques was developed. This pipeline was utilized to generate 32-dimensional structural vectors for each gRNA within the 'Training and Test Dataset' comprising 5,700 gRNAs obtained from the literature, and to integrate these data into the model. The developed model was trained and evaluated using a 5-fold cross-validation method. The results demonstrated that the integration of 3D structural information yielded a significant performance improvement compared to the baseline DeepCas13 model (PCC: -0.3792, AUC: 0.7238, AUPR: 0.7063). The average performance of the developed model on the test (validation) data was calculated as follows: Pearson Correlation Coefficient (PCC) of -0.7984, Area Under the ROC Curve (AUC) of 0.9549, and Area Under the Precision-Recall Curve (AUPR) of 0.8269. High AUC/AUPR scores confirm that the model exhibits near-perfect success in distinguishing between 'efficient' and 'inefficient' gRNAs. Furthermore, the practical applicability of the model was tested on a mutated validation set (in silico validation set) comprising 10,250 gRNA structures. The model demonstrated its success by effectively selecting the most efficient candidate (DeepScore: 0.995) from this extensive candidate pool and by designing“de novo”high-scoring gRNAs (DeepScore: 0.950) for new targets. These findings indicate that the integration of 3D structural information offers a critical approach for enhancing the target specificity of the CRISPR-Cas13d system and minimizing potential off-target effects.
Benzer Tezler
- Development of therapeutic strategies against Crimean-Congo hemorrhagic fever (CCHF)
Kırım-Kongo kanamalı ateşine (KKKA) karşı tedavi stratejilerinin geliştirilmesi
ECE AVCI
Yüksek Lisans
İngilizce
2024
Biyoteknolojiİhsan Doğramacı Bilkent ÜniversitesiMalzeme Bilimi ve Nanoteknoloji Ana Bilim Dalı (disiplinlerarası)
DR. ÖĞR. ÜYESİ URARTU ÖZGÜR ŞAFAK ŞEKER
- CRISPR/CAS yöntemi ile makak morpheus geninin (NPIPA1) knock-out edilmesi
Making knock-out of macaque morpheus gene (NPIPA1) using CRISPR/CAS method
KÜBRA PASPAL
Yüksek Lisans
Türkçe
2015
GenetikUludağ ÜniversitesiMoleküler Biyoloji ve Genetik Ana Bilim Dalı
YRD. DOÇ. ELİF UZ
- Modeling of the mechanism of the glucocorticoid resistance using CRISPR/Cas9 mediated genome editing
CRISPR/Cas9 genom değiştirme tekniği aracılığı ile glukokortikoid resistans mekanizmasının modellenmesi
AHSEN ÖZCAN
Yüksek Lisans
İngilizce
2016
BiyolojiSabancı ÜniversitesiMoleküler Biyoloji, Genetik ve Biyoteknoloji Ana Bilim Dalı
PROF. DR. MEHMET BATU ERMAN
- CRISPR\Cas9 yöntemi aracılığı ile insan CCDC 124 geni delesyonunun hücre bölünmesi üzerine etkileri
Effects of CRISPR\Cas9 mediated human CCDC124 gene deletion on cellular division
SİNEM GÜL
Yüksek Lisans
Türkçe
2015
GenetikGebze Teknik ÜniversitesiMoleküler Biyoloji ve Genetik Ana Bilim Dalı
PROF. DR. UYGAR HALİS TAZEBAY
- CRISPR-Cas9 based investigation of chromatin modifiers in human somatic cell reprogramming
CRISPR-Cas9 aracılığı ile kromatin modifiye eden genlerin insan hücre yeniden programlanmasında incelenmesi
CAN AZTEKİN
Yüksek Lisans
İngilizce
2016
Moleküler TıpKoç ÜniversitesiBiyomedikal Bilimler ve Mühendislik Ana Bilim Dalı
YRD. DOÇ. DR. TEVFİK TAMER ÖNDER