Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Eskişehir Osmangazi Üniversitesi, Fen Bilimleri Enstitüsü, Fen Bil.Enst.Md.Lüğü, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: SALİHA ACAR
Danışman: Eyyüp Gülbandılar
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:
Moleküler kanser etkenlerinin belirlenmesi hassas onkoloji açısından kritik öneme sahiptir. Bu çalışmada öncelikle; kanser sürücü genlerinin hangileri olduğu, hastalık süresince nasıl bir rol oynadıkları ve birbirleriyle etkileşimlerinin olup olmadığı gibi soruların cevaplarını tahmin etmek amacıyla mutasyon ve gen ifade verilerini kullanarak karma yöntemli iki aşamalı bir algoritma geliştirilmiştir. Kural tabanlı kontrol, ağırlıklı mutasyon skoru ve çeyrekler açıklığı hesaplarına dayanan bu hibrit kümeleme algoritması 8 farklı kanser kohortunda test edilmiştir. Yakın zamanlarda yayınlanmış 4 farklı çalışma ile yapılan karşılaştırmalar sonucunda, bu algoritmanın genel performans açısından bu 4 çalışmadan daha iyi olduğu anlaşılmıştır. Bu çalışma kapsamında ayrıca paraganglioma, düşük dereceli glioma ve glioblastoma gibi merkezi sinir sistemi tümörlerinin sürücü genler ve gen ifadeleri açısından karşılaştırılması yapılmış, ortak sürücü genlerin ve ifadeleri değişmiş genlerin hücresel çoğalma mekanizmalarındaki rolleri ve birbirleriyle etkileşimleri de araştırılmıştır. Analizler sonucunda ATRX, NF1, MUC16 ve TTN genlerinin her üç tümör tipi için de sürücü gen adayı oldukları belirlenmiş; FSTL5, GABRG2, VSNL1 ve LPL genlerinin de ekspresyonu en çok değişen ortak genler olduğu bulunmuştur. Bulgular sonucunda, belirtilen genlerin glial ve nöroendokrin hücre tümörlerinin tedavisinde potansiyel hedefler olabileceği ortaya konulmuştur. Bu tez kapsamında yapılan son çalışmada ise paraganglioma/feokromositoma, düşük dereceli glioma ve glioblastoma tümörlerinin klinik ve moleküler verilerle ağırlıklı oy tabanlı bir topluluk sınıflandırma algoritması tasarımı yapılmıştır. Algoritma, en yüksek doğru sınıflandırma başarısına sahip 6 sınıflandırıcı (Yapay Sinir Ağları, Lojistik Regresyon, Ekstra Ağaçlar, Rastgele Orman, Gradyan Arttırma ve Aşırı Gradyan Arttırma) ile oluşturulmuştur. Yapılan deneyler sonucunda %90,4'lük bir doğruluk oranına ulaşılmış, böylece iyi bir sınıflandırma performansı elde edilmiştir. Bulgular, bu yöntemin merkezi sinir sistemi tümörleri için tedavi planlamasında önemli bir destek olabileceğini göstermiştir.