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 Makine Öğrenmesi Yöntemleriyle Antimikrobiyal Peptit Aktivite Tahmini(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2023) Söylemez, Ümmü Gülsüm; Güngör, BurcuAntimicrobial peptides (AMPs) are considered as promising alternatives to conventional antibiotics in order to overcome the growing problems of antibiotic resistance. Computational prediction approaches receive an increasing interest to identify and design the best candidate AMPs prior to the in vitro tests. In this thesis, using the multiple properties of the peptides we aimed to develop machine learning approaches that can predict the antimicrobial activities of the peptides. We have created two datasets for the peptides showing antimicrobial activity against Gram-negative and against Gram-positive bacteria separately. In our first study, ten different physico-chemical properties of the peptides were calculated, and used as features of the peptides. Following the data exploration and data preprocessing steps, a variety of classification models were build with 100-fold Monte Carlo Cross-Validation; and the performance of these models were evaluated. In the second study, we proposed a novel method called AMP-GSM. The method was tested for three datasets, and the prediction performance of AMP-GSM was comparatively evaluated with several feature selection methods and several classifiers. In the last study, using motif matching score with the models of activity against Gram-positive and Gram-negative bacteria, we created novel peptides and predicted the target selectivity of these peptides. The studies presented in this thesis advance the field of computational research by making it easier to predict the possible antimicrobial effects of peptides and to design AMPs in wet laboratory environments.