Machine learning-assisted and fluorescence protein-based biosensor design for amyloid-beta detection
Amiloid-beta tespiti için makine öğrenimi destekli ve floresan protein tabanlı biyosensör tasarımı
- Tez No: 943809
- Danışmanlar: DR. ÖĞR. ÜYESİ ARZU UYAR
- Tez Türü: Yüksek Lisans
- Konular: Biyoteknoloji, Biyomühendislik, Biyokimya, Biotechnology, Bioengineering, Biochemistry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İzmir Yüksek Teknoloji Enstitüsü
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyomühendislik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yeşil Floresan Proteinler (GFP) ve kimerik türevleri, floresans temelli biyolojik çalışmalarda yaygın olarak kullanılmaktadır. Bu tezde, floresan ve floresan olmayan GFP varyantları arasındaki yapısal ve dinamik farklılıkları araştırmak için moleküler dinamik (MD) simülasyonları kullanılmıştır. MD simülasyonları sırasında, floresan GFP varyantları tarafından oluşturulan konformasyonlar“floresan”sınıfına, floresan olmayan varyantların konformasyonları ise“floresan olmayan”sınıfına atanmıştır. Elde edilen konformasyonların alfa karbon (Cα) koordinatları, makine öğrenimi (ML) uygulamaları için üç boyutlu bir veri seti oluşturmuştur. Bu iki durumu dinamik özelliklerine göre sınıflandırmak amacıyla Doğrusal Diskriminant Analizi (LDA) uygulanmıştır. Bu bulgulara dayanarak, literatürdeki patentli bir vektör yapısı temel alınarak, amiloid-β 1–42 ve GFP'yi 14 amino asitlik bir bağlayıcı aracılığıyla birleştiren hesaplamalı bir kimerik GFP modeli oluşturulmuştur. Kimerik protein AlphaFold kullanılarak modellenmiş ve yapısal stabilitesini değerlendirmek için MD simülasyonlarına tabi tutulmuştur. Floresan sinyal üretme potansiyelini değerlendirmek amacıyla, tetramerik ve monomerik Aβ₁₋₄₂ proteinleri kimerik GFP yapısına moleküler kenetleme ile yerleştirilmiş ve yeni kompleksler oluşturulmuştur. Her bir kompleks MD simülasyonlarına tabi tutulmuş ve konformasyonları daha sonra LDA modeli kullanılarak analiz edilmiştir. Bu bütüncül hesaplamalı yaklaşım, GFP tabanlı biyosensörlerin yapısal dinamikleri ve bunların amiloid tespiti potansiyeli hakkında içgörüler sunmaktadır
Özet (Çeviri)
Green Fluorescent Proteins (GFP) and their chimeric derivatives are widely used in fluorescence-based biological studies. In this thesis, molecular dynamics (MD) simulations were employed to investigate the structural and dynamic differences between fluorescent and non-fluorescent GFP variants. During the MD simulations, the conformations generated by fluorescent GFP variants were assigned to the“fluorescent”class, while the conformations of non-fluorescent variants were assigned to the“non-fluorescent”class. The alpha carbon (Cα) coordinates of the obtained conformations constituted a three-dimensional dataset for machine learning (ML) applications. To classify these two states based on their dynamic properties, Linear Discriminant Analysis (LDA) was applied. Based on these findings, a computational chimeric GFP model, which links amyloid-β 1–42 and GFP via a 14-amino-acid linker, was constructed by taking a patented vector structure from the literature as a basis. The chimeric protein was modeled using AlphaFold and subjected to MD simulations to assess its structural stability. To evaluate its potential for fluorescent signal generation, tetrameric and monomeric Aβ₁₋₄₂ proteins were docked onto the chimeric GFP structure, generating new complexes. Each complex was subjected to MD simulations, and their conformations were subsequently analyzed using the LDA model. This integrative computational approach provides insights into the structural dynamics of GFP-based biosensors and their potential for Amyloid-β detection.
Benzer Tezler
- Development of a machine learning platform for analysis of mitochondrial features in live-cell images
Canlı hücre görüntülerinde mitokondri özniteliklerinin analizi için makina öğrenmesi platformu geliştirilmesi
YALÇIN TARKAN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Yüksek Teknoloji EnstitüsüBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR ÖZÇELİK
- A systematic approach with machine learning and a genetic algorithm for the microwave-assisted synthesis of antibacterial ZIF-8 nanoparticles
Sistematik bir yaklaşım ile makine öğrenimi ve genetik algoritma kullanarak antibakteriyel ZIF-8 nanopartiküllerin mikrodalga yardımlı sentezi
NİDA ÜK
Yüksek Lisans
İngilizce
2021
Kimya Mühendisliğiİstanbul Teknik ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. SADRİYE OSKAY
- Derin öğrenme ve boyut indirgeme destekli makine öğrenmesi yöntemleriyle böbrek tümörü tespiti
Kidney tumor detection using deep learning and dimensional reduction-assisted machine learning methods
MUSTAFA TEKE
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiÇankırı Karatekin ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TAHA ETEM
- Makine öğrenmesi yardımıyla VI-RADS skorlaması, biyokimyasal ve klinik parametreler kullanılarak mesane kanseri evresinin öngörülme gücünün değerlendirilmesi
Evaluation of the predictive power of bladder cancer staging using VI-RADS scoring, biochemical, and clinical parameters assisted by machine learning
BATU AKALIN
Tıpta Uzmanlık
Türkçe
2025
ÜrolojiSağlık Bilimleri ÜniversitesiÜroloji Ana Bilim Dalı
PROF. DR. HALİL LÜTFİ CANAT
- Artificial intelligence assisted drop pattern analysis and RNAseq profiling for early diagnosis and follow-up of bladder cancer
Mesane kanserinin erken tanı ve takibinde yapay zeka destekli damla motif analizi ve RNAseq profilleme
RAMİZ DEMİR
Doktora
İngilizce
2023
Moleküler TıpKoç ÜniversitesiTıbbi Genetik Ana Bilim Dalı
PROF. DR. DEVRİM GÖZÜAÇIK