Geri Dön

Classification of clinically different subtypes of multiple sclerosis

Multipl skleroz hastalığının farklı klinik alttiplerinin sınıflandırılması

PDF İndir

  1. Tez No: 307075
  2. Yazar: DİDEM KORKMAZ
  3. Danışmanlar: DOÇ. DR. EDA TAHIR TURANLI, YRD. DOÇ. DR. MUSTAFA KAMAŞAK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyoloji, Nöroloji, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biology, Neurology, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Multipl skleroz, Multiple sclerosis
  7. Yıl: 2011
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İleri Teknolojiler Ana Bilim Dalı
  12. Bilim Dalı: Moleküler Biyoloji Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Multipl Skleroz farklı klinik özelliklere sahip farklı altgrupları olan, merkezi sinir sisteminin bağışıklık sistemi merkezli bir hastalığıdır. Günümüzde MS teşhisi koymak için gözden geçirilmiş McDonalds Kriterleri yaygın bir biçimde kullanılmaktadır. Ancak MS diğer sinir sistemi hastalıklarıyla karıştırılabilmektedir. Ayrıca, hastalığın prognozunu tayin etmekte kullanılan geçerli bir kriter listesi yoktur.Bu çalışma TAU, GFAP, NFL ve MOG proteinlerini ve klinik verileri kullanarak MS'in farklı klinik alttiplerinin sınıflandırılmasına odaklanmaktadır. Bu çalışmada yapılması amaçlananlar aşağıdaki şekilde özetlenebilir:?MS örnekleri, CIS örnekleri ve kontrol grubu arasında farklı aday proteinlerin ve klinik veri örüntülerinin araştırılması,?MS'in farklı klinik alttiplerinin protein verileri kullanılarak sınıflandırılabileceğinin gösterilmesi,?CIS'dan kesin MS'e geçişin (prognoz) tahmin edilmesi. Bu çalışma, bu tahminle MS'in prognozunun protein verileri ve klinik veriler kullanılarak tahmin edilebileceğini göstermeyi amaçlamaktadır.Bu çalışmada 67 RRMS, 46 CIS, 22 PPMS ve 22 kontrol (MS olmayan) örneğinin protein ve klinik verileri incelenmiştir. Bu çalışma için kullanılan protein verileri, hastaların BOS örneklerinden elde edilmiştir. Hastaların BOS örnekleri bir ataktan sonraki 3 gün içinde lomber ponksiyon (LP) yöntemiyle elde edilmiştir. LP ilaç kullanımından önce gerçekleştirilmiştir. Örneklerin TAU, GFAP, NFL, MOG ve MBP protein konsantrasyonları Western Blot yöntemiyle tayin edilmiştir. Protein bantları densitometre kullanılarak taranmıştır ve taranan protein bantları, niceliksel bir ölçüm elde edilebilmesi için ImageJ programı ile analiz edilmiştir. Protein miktarları kolorimetrik birim (CU) olarak elde edilmiştir. CU protein bant konsantrasyonunun yoğunluğunu gösteren ve 0 ile 255 arasında değer alan bir sayısal değerdir. Analiz edilmiş değerler yüklenen toplam protein konsantrasyonuna göre doğrusallaştırılmış ve normalize edilmiştir. Tüm proteinler aynı prosedür kullanılarak taranmış ve analiz edilmiştir. ANOVA gibi klasik istatistiksel analizler sonucunda TAU, GFAP, NFL ve MOG protein seviyelerinin farklı alttipler ve kontrol örnekleri arasında anlamlı bir farklılık gösterdiği bulunmuştur (p<0.001). Farklı sınıflandırma yöntemleri kullanılarak, MS'in farklı klinik alttpleri protein verileri ve klinik verilere göre sınıflandırılmışlardır.Ayrıca, bu çalışmada literatürde ilk kez CIS'tan MS'e geçiş bu klinik veri ve protein verilerinin örüntüleri kullanılarak gösterilmiştir.Sınıflandırma için, 6 yöntem karşılaştırılmıştır: kNN, Bayes Ağları, Decorate, Karar Ağaçları, Rasgele Ağaç ve AdaBoost. Ayrıca sınıflandırmalar aşağıdaki veri altgruplarıyla gerçekleştirilmiştir:?Sadece protein verileriyle,?Protein verileri üzerinde temel bileşenler analizi uygulandıktan sonra,?Protein verileri ve klinik verilerle,?Tüm veriler üzerinde temel bileşenler analizi uygulandıktan sonra,?Bilgi Kazancı yöntemiyle özellik seçimi yapıldıktan sonra.Protein verileriyle yapılan testlerin sonuçlarına göre, tüm proteinler kullanılarak MS hastaları ve Kontrol grubu 94.25% ± 6.44 (AUC=0.97 ± 0.08) doğrulukla sınıflandırılmıştır. Kontrol grubu ve CIS hastalarının sınıflandırılması ise aynı protein grubuyla 87.31% ± 12 (AUC= 0.93 ± 0.09) doğrulukla gerçekleşmiştir.GFAP-MOG proteinleri kullanılarak, MS hastaları, CIS hastaları ve kontrol grubu %74.66 (AUC = 0.73) doğrulukla sınıflandırılmıştır. Buna ek olarak, PPMS ve RRMS 'in sınıflandırılması TAU-GFAP ve MOG proteinleri tarafından 93.65% ± 8.35 (AUC= 0.96 ± 0.11) doğrulukla elde edilmiştir.Bu çalışmada veri boyutunun sınırlı olmasına karşın, CIS'tan RRMS'e geçişin TAU proteini kullanılarak öngörülebileceği gösterilmiştir. TAU protein seviyesi CIS'tan CISRR'ye geçişi 76.22% ± 17.15 (AUC = 0.77 ± 0.24) doğrulukla tahmin etmiştir. CIS, CISRR ve RRMS'in sınıflandırılması ise GFAP proteini kullanılarak 67.07% ± 11.77 (AUC =0.81 ± 0.13) doğrulukla elde edilmiştir.Tüm sınıflandırma yöntemlerinin ve tüm veri altgruplarının sonuçlarına bakıldığında:1.MS hastaları, CIS hastaları ve kontrol grubu arasındaki 71.43%± 10.95 (AUC: 0.82± 0.12) doğrulukla,2.CIS ve Kontrol grubu arasındaki sınıflandırma 87.31%±12.02 (AUC: 0.93±0.09) doğrulukla,3.MS ve CIS arasındaki sınıflandırma 76.51% ±11.15 (AUC: 0.83 ±0.12) doğrulukla,4.RRMS ve PPMS arasındaki sınıflandırma 95.77% ±6.63 (AUC: 0.97±0.08) doğrulukla,5.MS ve Kontrol grubu arasındaki sınıflandırma 92.64% ±7.15 (AUC: 0.97±0.06) doğrulukla,6.CIS grubundan RRMS grubuna geçiş 86.45% ±12.6 (AUC: 0.89±0.19) doğrulukla tahmin edilmiştir.Bu çalışma, MS'in klinik alttiplerinin tanısı ve prognozunu ve farklı alttipler arası geçişi tahmin etmek için bu protein ve klinik verileri ve bilgisayar destekli sınıflandırma yöntemlerini kullanan ilk çalışmadır. Çalışmaların devamında örnek sayısı arttırılmalıdır. Ayrıca farklı sınıflandırma yöntemlerinin denenmesi de gereklidir. Sınıflandırma yöntemlerinin parametrelerinin optimizasyonu da daha iyi sonuçlar vermesi beklenmektedir. MS hastaları, CIS hastaları ve kontrol grubunun sınıflandırılması için hiyerarşik bir model uygulanabilir.

Özet (Çeviri)

Multiple sclerosis(MS) is an immune-mediated disease of the central nervous system (CNS) with heterogeneous clinical presentation and course. Today, revised McDonald?s criteria is the gold standard for MS diagnosis. MS can be confused with other neurological diseases. Moreover, there is no absolute criteria for the prediction of prognosis of the disease.This study focuses on the classification of different clinical subtypes of MS using TAU,GFAP,NFL and MOG proteins and clinical data. The aim of this study are summarized as follows:?To investigate different candidate protein and clinical data patterns among the MS subtypes, CIS samples and control samples.?To show that clinical subtypes of MS can be classified using protein data and clinical data.?To predict the transition between CIS and MS. This study aims to show that the prognosis of MS can be predicted using protein and clinical data.Protein findings and clinical data of 67 Relapsing Remitting MS (RRMS), 46 Clinically Isolated Syndrome (CIS), 22 Primary Progressive MS (PPMS) patients and 22 control subjects were analyzed in this study. CSFs of patients were collected by lumbar puncture (LP) within 3 days of an acute attack. LP was performed before the medication. TAU,GFAP,NFL, MOG and MBP protein concentrations of samples were determined by Western Blot analysis. Protein bands were scanned by using densitometer and scanned protein bands were analyzed by using ImageJ analysis software to obtain quantitative measurement [1]. Quantities of proteins were taken as colorimetric unit (CU). CU is a numerical value showing the insensitivity of protein band concentration, ranged between 0 (most) and 255 (least). Analyzed values were linearized and normalized due to loaded total protein concentration. All samples were scanned and analyzed with the same standard procedure. After classical statistical analysis such as ANOVA, TAU,GFAP, NFL and MOG protein results found to be significantly different among subtypes and control samples (p<0.001). Using different classification methods, different clinical subtypes of multiple sclerosis were classified according to their protein and clinical data patterns.To the best of our knowledge, there are no other studies in the literature that uses these patterns to predict the transition from Clinically Isolated Syndrome (CIS) to Multiple Sclerosis. The clasification results of protein data showed that when the proteins are used together for classification of MS and control samples, 94.25% ± 6.44 accuracy and 0.97 ± 0.08 area under curve (AUC) was obtained. It is also found that control group and CIS patients can be classified using these proteins together with 87.31% ± 12.02 accuracy and 0.93 ± 0.09 AUC. The overall accuracy obtained using GFAP-MOG is 74.12% ± 10.77 (AUC=0.79 ± 0.13) between control group, CIS patients and MS patients. In addition, when used for discriminating PPMS from RRMS, TAU-GFAP and MOG provided 93.65% ± 8.35 accuracy and 0.96 ± 0.11 AUC.Although the sample size is limited, it has been also shown in this study for the first time that the transition from CIS to RRMS can be predicted by using TAU protein concentration in CSF. The level of TAU protein gave the 76.22% ± 17.15 (AUC = 0.77 ± 0.24) accuracy for the differentiation of CIS from CIS/RRMS, whereas GFAP levels provided the 67.07% ± 11.77 (AUC =0.81 ± 0.13) accuracy for the overall classification of CIS, CIS/RRMS and RRMS.The overall results are listed as follows:1.MS patients, CIS patients, and control group were classified with 71.43%± 10.95 accuracy (AUC: 0.82± 0.12),2.CIS and control group were classified with accuracy: 87.31%±12.02 (AUC: 0.93±0.09),3.MS and CIS were clasified with 76.51% ±11.15 (AUC: 0.83 ±0.12) accuracy,4.RRMS and PPMS were classified with 95.77% ±6.63 accuracy (AUC: 0.97±0.08),5.MS and control group were classified with 92.64% ±7.15 (AUC: 0.97±0.06) accuracy.6.Transition from CIS to RRMS was predicted with 86.45% ±12.6 (AUC: 0.89±0.19) accuracy.This is a novel study using computer aided classification methods with protein and clinical data for diagnostic and prognostic purposes in predicting clinical subtypes of MS and predicting transition between subtypes. In future studies, sample size should be increased, and new biomarkers should be tested. For better classification results, other classification methods can be used. In addition, the parameters of classification algorithms can be fine-tuned for better classification performance. A hierarchical model can be applied for overall classification of clinical subtypes of MS/CIS patients and control group.

Benzer Tezler

  1. Tez No

    843912

    MRS verileri kullanılarak makine öğrenmesi yöntemleri ile MS hastalığının teşhis ve sınıflandırılması

    Diagnosis and classification of MS disease with machine learning methods using MRS data

    ZİYA EKŞİ

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. CEMİL ÖZ

  2. Tez No

    876081

    Multi-omics data integration in the prediction of potential biomarkers and therapeutics in human cancers

    Kanserlerde potansiyel biyobelirteç ve terapötiklerin tahmininde çoklu omik verilerin entegrasyonu

    GİZEM GÜLFİDAN YILDIZ

    Doktora

    İngilizce

    İngilizce

    2024

    BiyomühendislikMarmara Üniversitesi

    Biyomühendislik Ana Bilim Dalı

    PROF. DR. KAZIM YALÇIN ARGA

    DOÇ. DR. BESTE TURANLI

  3. Tez No

    417137

    Metaplastik meme karsinomlarında kök hücre belirteçleri (ALDH1, CD44, CD24) ve hücreler arası sıkı bağlantı proteinlerinin (CllAUDİN 3, claudin 4 ve claudin 7) ekspresyonlarının tanı, prognoz ve moleküler alt tipler ile ilişkisi

    Correlations between expressions of stem cell markers (aldh1, CD44, CD24), tight junction proteins (claudin 3, claudin 4, claudin 7) and diagnosis, prognosis and molaculary subtypes of metaplastic carcinomas

    ONUR GÖNÜLLÜ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2015

    Patolojiİstanbul Üniversitesi

    Tıbbi Patoloji Ana Bilim Dalı

    PROF. DR. HÜSEYİN RIDVAN İLHAN

  4. Tez No

    651726

    Development of an experimental image processing tool and flow-cytometry based electromagnetic scattering analysis for medical diagnosis of red blood cell pathology

    Kırmızı kan hücresi patolojisinin tıbbi teşhişi için deneysel gorüntü işleme aracının ve akış-sitometri esaslı elektromanyetik saçılım analizinin geliştirilmesi

    POLAT GÖKTAŞ

    Doktora

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. VAKUR BEHÇET ERTÜRK

    PROF. DR. AYHAN ALTINTAŞ

  5. Tez No

    267696

    Folliküler lenfomada tümör hücresi ve mikroçevre ilişkisinin immünfenotipik değerlendirilmesi

    Evaluation immunophenotypically of relations between tumor cells and their microenvironment in follicular lymphoma

    NURTEN BAŞEL

    Yüksek Lisans

    Türkçe

    Türkçe

    2010

    OnkolojiÇukurova Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. BERKSOY ŞAHİN

Geri Dön