Kanserin Moleküler Mekanizmalarını Aydınlatmak için Multi-Omik Verilerin Entegrasyonu: Meme Kanseri Alt Tip Tanımlaması Üzerine Bir Vaka Çalışması

Abstract

Gelişmiş 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.

Advanced genomic and molecular profiling technologies accelerated the enlightenment of the regulatory mechanisms behind cancer development and progression; and facilitated the development of targeted therapies. In this respect, unraveling the possible systematic connections between-omics data types and their contribution to tumor progression is crucial. In this thesis, new machine learning (ML)-based integrative approaches based on multi-omic data analysis have been developed to elucidate the genomic and epigenetic factors and reveal disease mechanisms in breast cancer (BRCA). These integrative approaches combine information from gene expression (mRNA), microRNA (miRNA) and methylation data. The proposed methods aim to bridge the interpretation gap between the disease mechanisms that drive onset and progression. In our first study (3Mint), in order to improve gene selection via detecting novel groups of cross-omics biomarkers, we aim to perform grouping and scoring of the features using biological knowledge. In the second study (3Mont), the features are selected with newly generated pro-grouping and feature importance scoring components, which are further used for machine learning model development. Thus, this thesis aims to incorporate methylation data into 2-omics data (miRNA and mRNA) for the classification of the BRCA molecular subtypes with lower number of biosignatures in terms of similar performance metrics.