Doktora Tezleri
Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/5800
Browse
2 results
Search Results
Doctoral Thesis Kanserin Moleküler Mekanizmalarını Aydınlatmak için Multi-Omik Verilerin Entegrasyonu: Meme Kanseri Alt Tip Tanımlaması Üzerine Bir Vaka Çalışması(2023) Yazıcı, Miray Ünlü; Güngör, BurcuGelişmiş genomik ve moleküler profilleme teknolojileri, kanser gelişimi ve ilerlemesinin arkasındaki düzenleyici mekanizmaların aydınlatılmasını hızlandırmış ve hedefe yönelik tedavilerin geliştirilmesini kolaylastırmıştır. Bu bağlamda, omik veri türleri arasındaki olası sistematik bağlantıların ve bunların tümör ilerlemesine katkılarının çözümlenmesi oldukça önemlidir. Bu tezde, meme kanserinde (BRCA) genomik ve epigenetik faktörlerin aydınlatılması, hastalık mekanizmalarının ortaya çıkarılması için çoklu omik veri analizine dayanan makine öğrenimi (ML) tabanlı bütünleştirici yaklaşımlar geliştirilmiştir. Bu bütünleştirici yaklaşımlar, gen ifadesi (mRNA), mikroRNA (miRNA) ve metilasyon verilerinden gelen bilgileri birleştirmektedir. Önerilen yöntemler, teşhis ve prognozu içeren hastalık mekanizmaları arasındaki boşluğu kapatmayı amaçlamaktadır. İlk çalışmamızda (3Mint), omik biyobelirteç gruplarının tespiti yoluyla gen seçimini iyileştirmek için biyolojik bilgiyi kullanarak grupların oluşturulmasını ve puanlanmasını gerçekleştirmeyi amaçlıyoruz. İkinci çalışmada (3Mont), yeni geliştirilen pro-gruplama ve önemli belirteçlerin puanlanması bileşenleri ile seçilen özellikler, makine öğrenmesi model geliştirme aşamasında kullanılmaktadır. Sonuç olarak bu tez çalışması, metilasyon verisini 2'li omik veriye (miRNA ve mRNA) dahil ederek daha az biyobelirteç ile BRCA moleküler alt tiplerinin benzer performans metrikleri ile sınıflandırılmasını amaçlamaktadır.Doctoral Thesis Gen İfade Miktarı Verisi Analizi için Yinelemeli Öbek Eliminasyon Yöntemlerinin İyileştirilmesi(2024) Kuzudişli, Cihan; Güngör, BurcuYeni teknolojilerle üretilen biyolojik verilerin giderek artan boyutluluğunun neden olduğu hesaplama ve yorumlama güçlükleri önemli bir zorluk oluşturmaktadır. Özellik seçimi (FS) yöntemleri boyutu azaltmayı amaçlar ve özellik gruplaması, özellikler arasında güçlü korelasyonları tespit etmeyi ve ilgisiz özellikleri belirlemeyi amaçlayan FS teknikleri için bir temel olarak ortaya çıkmıştır. Bu tezde, gözetimli bir bağlamda özellik gruplandırmasını kullanan yöntemler geliştirilmiştir. Başlangıçta farklı kümeleme algoritmalarının SVM-RCE üzerindeki etkilerini test ettik ve K-means ile en iyi performansı gözlemledik. Geliştirilen ilk yöntem olan Öbek İçi Özellik Eleme ile Yinelemeli Öbek Eleme (RCE-IFE) yönteminde, her öbek azaltma adımında hem öbek hem de öbek içi eleme yinelemeli olarak gerçekleştirilir. Deneysel bulgularımız, RCE-IFE'nin güçlü bir sınıflandırıcı performansı sağladığını ve özellik ilgisini ve tutarlılığını korurken özellik boyutunu önemli ölçüde azalttığını göstermektedir. İkinci geliştirilen Gruplama – Puanlama – Model (G-S-M) tabanlı çalışma olan G-S-M_Rep'de, hastalık gruplarını oluşturmak için ön bilgileri kullanıyoruz ve her grubu temsil edecek en iyi özellikleri seçiyoruz. Bu temsili özellikler model tarafından kümülatif bir şekilde öğrenilir. Sonuçlar G-S-M_Rep'in az sayıda özellikle tatmin edici bir model performansına ulaştığını göstermektedir. Sonuç olarak, bu tez özellik gruplandırmaya dayalı yöntemleri sunmakta ve özellik azaltma yeteneğini, sınıflandırma performansını, özellik alaka düzeyini ve özellik tutarlılığını iyileştirmeye odaklanmaktadır.