Derin öğrenme modelleriyle biyolojik veri analizi: DNA2VEC tabanlı gömülü temsil ve derin sinir ağı ile promotör sınıflandırması
Biological data analysis with deep learning models: Promoter classification using DNA2VEC-Based embedding and deep neural network
- Tez No: 992222
- Danışmanlar: DR. ÖĞR. ÜYESİ EMRE DELİBAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: DNA, Derin öğrenme, Yapay zeka, DNA, Deep learning, Artificial intelligence
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Sivas Cumhuriyet Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka ve Veri Bilimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Promotör bölgeleri, gen ifadesinin düzenlenmesinde kritik rol oynayan DNA dizileridir. İnsan genomunda bu bölgelerin doğru bir şekilde sınıflandırılması, genetik regülasyonun anlaşılması ve biyomedikal uygulamalarda doğru hedeflerin belirlenmesi açısından büyük önem taşımaktadır. Bu çalışmada, insan genomundaki promotör bölgelerinin sınıflandırılması amacıyla DNA2Vec gömülü temsilleri, UNK stratejisi ve derin sinir ağı (DNN) mimarisi kullanılarak hibrit bir model geliştirilmiştir. Önerilen modelin başarımını değerlendirmek için doğruluk, kesinlik, geri çağırma, F1 skor, çapraz doğrulama başarımı, hata matrisi ve ROC eğrisi gibi yaygın sınıflandırma metrikleri kullanılmıştır. Uygulanan parametre optimizasyonu sürecinde rastgele arama yöntemi ile 15 farklı hiperparametre kombinasyonu test edilmiş ve en yüksek başarı üçüncü kombinasyon ile elde edilmiştir. Sonuçlara göre model, %85,03 doğruluk, %87,86 kesinlik, %81,28 geri çağırma, %84,44 F1 skoru ve %93,76 ROC-AUC değeri ile güçlü bir sınıflama performansı sergilemiştir. Özellikle ROC eğrisinin alan altında kalan değeri ve hata matrisinde gözlenen yüksek doğru sınıflama sayısı, modelin pozitif ve negatif sınıfları başarıyla ayırt edebildiğini göstermektedir. Kullanılan veri kümesindeki sınıf dengesizliğine rağmen, önerilen yaklaşım, yüksek duyarlılık ve doğruluk düzeyiyle promotör bölgelerin tahmininde etkili bir yöntem olarak öne çıkmaktadır.
Özet (Çeviri)
Promoter regions are DNA sequences that play a critical role in the regulation of gene expression. Accurate classification of these regions in the human genome is of great importance for understanding genetic regulation and identifying appropriate targets in biomedical applications. In this study, a hybrid model was developed for the classification of promoter regions in the human genome using DNA2Vec embedding representations, the UNK strategy, and a deep neural network (DNN) architecture. To evaluate the performance of the proposed model, common classification metrics such as accuracy, precision, recall, F1 score, cross-validation accuracy, confusion matrix, and ROC curve were employed. During the parameter optimization process, 15 different hyperparameter combinations were tested using a random search strategy, and the highest performance was achieved with the third combination. According to the results, the model demonstrated strong classification performance with 85.03% accuracy, 87.86% precision, 81.28% recall, 84.44% F1 score, and a ROC-AUC value of 93.76%. In particular, the high area under the ROC curve and the high number of correct classifications observed in the confusion matrix indicate that the model is able to successfully distinguish between positive and negative classes. Despite the class imbalance present in the dataset, the proposed approach stands out as an effective method for promoter prediction with high sensitivity and accuracy.
Benzer Tezler
- Prediction of microsatellite status in colorectal cancer whole slide images using deep neural networks
Derin sinir ağları kullanılarak kolorektal kanser tüm slayt görüntüleri üzerinde mikrosatellit durumu tahmini
FATMA VİLDAN ENGİN
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- 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
2026
Biyoistatistikİstanbul Medeniyet ÜniversitesiBiyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
DOÇ. DR. ELİF KUBAT ÖKTEM
PROF. DR. HANDAN ANKARALI
- Genişletilmiş lateral inhibisyon yöntemiyle oct verileri üzerinden retinal hastalıkların sınıflandırılması
Classification of retinal diseases based on oct data by extended lateral inhibition method
RUKEN ERDEM DEMİR
Doktora
Türkçe
2025
BiyoistatistikKaradeniz Teknik ÜniversitesiBiyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
PROF. DR. KEMAL TURHAN
- İlaç – hedef etkileşiminde (DTI) proteinlerin etkili özelliklerinin belirlenmesinde yapay zeka algoritmaları tabanlı bir çerçeve geliştirme
Development of a framework based on artificial intelligence algori̇thms to determi̇ne the effective properties of proteins in the drug-target interacti̇on (DTİ)
SARA NAGHIB ZADEH
Doktora
Türkçe
2025
Yönetim Bilişim Sistemleriİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
PROF. ZÜMRÜT SATI
- Estimating metabolic flux variability with machine learning
Metabolik akış değerlerinin makine öğrenmesi ile tahmini
BARIŞ CAN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ ÇAKMAK