Çoklu omik verilerinin birleştirilmesinde kullanılan yaklaşımların ve sınıflandırma yöntemlerinin performansının araştırılması
Performance investigation of approachesand classification methods used in integration multi-omics data
- Tez No: 650595
- Danışmanlar: DOÇ. DR. GÖKMEN ZARARSIZ
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Biyoistatistik, Statistics, Biostatistics
- Anahtar Kelimeler: Çoklu omik, birleştirme yöntemleri, sistem biyolojisi, sınıflandırma yöntemleri, Biyoistatistik, Omik veri, Sınıflandırma, İstatistik, İstatistiksel yöntemler, Multi-Omics data, Integration methods, Systems biology, Classification methods, Combining methods, Bioistatistics, Omics data, Classification, Statistics, Statistical methods
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yaşam bilimlerinin birçok alanında başarıyla uygulanan omik teknolojilerinin gelişmesiyle birlikte binlerce metabolitin veya genin ekspresyon düzeyleri eş zamanlı olarak ölçülebilmekte ve uygun istatistiksel yöntemler kullanılarak hastalıklara ilişkin tanı ve teşhis yapılabilmektedir. Bu alanda kullanılan birleştirme ve sınıflandırma yöntemlerinin biyolojik sistemde kullanılabilecek modeller ve hastalığa ilişkin tanı ve tedaviler açısından önemli katkılar sağlayabileceği düşünülmektedir. Bu çalışmada çoklu omik veriler üzerinde veri birleştirme ve sınıflandırma yöntemlerinin performanslarının değerlendirilmesi amaçlanmıştır. Ham veriler ile mRMR ve PCA analizi kullanılarak oluşturulan veriler art arda, dönüşüm tabanlı ve model tabanlı birleştirme yöntemleri ile birleştirildi. Art arda birleştirme ve model tabanlı birleştirme yöntemleri kullanılarak birleştirilen veriler MKL, NSC, RF ve SVM sınıflandırma yöntemleriyle, dönüşüm tabanlı birleştirme yöntemiyle birleştirilen verilerde CANetwork, RVM ve Ada-boost RVM sınıflandırma yöntemleriyle hastalığın alt sınıfları tahmin edilmektedir. Gerçek veri setlerinden elde edilen uygulama sonuçları kullanılan veri ve yöntemlerin performanslarının birbirlerine göre üstünlüklerinde farklılık gösterebilmektedir. mRMR değişken seçimi kullanılan verilerin art arda birleştirme yöntemiyle birleştirilmesi ve bu verilerin MKL sınıflandırma yönteminin hastalıklarının alt tiplerinin tahmininde diğer yöntemlere nazaran daha doğru ayırabilmektedir. Ancak daha kapsamlı değerlendirmeler yapılabilmesi için benzetim çalışmaları ile desteklenmesi gerekmektedir.
Özet (Çeviri)
With the development of omics technogoies successfully applied in many fields of life sciences, expression levels of thousands of metabolites or genes can be measured simultaneously and diagnosis of diseases can be made using appropriate statistical methods. It is thought that the combination and classification methods used in this field can make significant contributions in terms of models that can be used in the biological system and diagnosis and treatment of the disease. In this study, it was aimed to evaluate the performance of data integration and classification methods on multi-omic data. The raw data and generated using mRMR and PCA analysis were combined using concatenate integration, transformation based integration, and model based integration methods. Data integration with consecutive and model-based methods, MKL, NSC, RF and SVM methods, transformation based combination method, data integrated with CANetwork, RVM, Ada-boost RVM methods to estimate the subtype of the disease. Application results obtained from real data sets may differ in the superiority of the performances of the data and methods used. The mRMR feature selection can be combined with the concatenation of the data used and this data can be separated more accurately than other methods in the prediction of the subtypes of the diseases of the MKL classification method. However, it should be supported by simulation studies in order to make more comprehensive evaluations.
Benzer Tezler
- Investigation of the candidate tumor suppressor gene CTCF using multi-omics data mining
CTCF aday tümör süpresör geninin multi-omik veri madenciliği ile araştırılması
ESRA DURSUN
Yüksek Lisans
İngilizce
2021
Biyoistatistikİstanbul Medipol ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KIVANÇ KÖK
- Machine learning approach to quantification of intra-tumour heterogeneity using genomic, epigenomic and proteomic data
Genomik, epigenomik ve proteomik verileri kullanarak tümor içi heterojenite nicelleştirmesine makine öğrenmesi yaklaşımı
ERSİN ONUR ERDOĞAN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZGÜR CAN TURNA
- Sağ taraf ve sol taraf kolon kanserlerı arasındakı çoklu omik moleküler özelliklerin kliniğe çevrilmesi
Clinical translation of multiple omic molecular features between RIGHT side and left side colon cancers
HATİCE ÇİLEM BİNİCİER
Yüksek Lisans
Türkçe
2022
OnkolojiDokuz Eylül ÜniversitesiOnkoloji Ana Bilim Dalı
PROF. DR. YASEMİN BAŞBINAR
- A pathway graph kernel based multi-omics approach for patient clustering
Hasta kümelemesi için yolak çizge çekirdeği bazlı bir çoklu-omik yaklaşımı
YASİN İLKAĞAN TEPELİ
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZNUR TAŞTAN OKAN
- Kanser hücre hatlarında multi-omik verilerin ağ tabanlı entegrasyonundan öğrenme yoluyla ilaç yanıtının tahmin edilmesi
Predicting drug response through learning from network-based integration of multi-omics data in cancer cell lines
SINA DADMAND
Yüksek Lisans
İngilizce
2023
Mühendislik BilimleriKoç ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
DOÇ. DR. NURCAN TUNÇBAĞ