Zero/few-shot dark kinase-phosphosite association prediction with biologically grounded data augmentation
Biyolojik temelli veri artırımıyla sıfır/az örnekli karanlık kinaz–fosfosit ilişkisi tahmini
- Tez No: 972442
- Danışmanlar: DOÇ. DR. ÖZNUR TAŞTAN OKAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Protein fosforilasyonu, kinazlar tarafından düzenlenen temel bir hücresel süreç olup hücre içi sinyal iletiminde kritik bir rol oynar. Bu sürecin bozulması, birçok insan hastalığında etkili olmaktadır. Ancak, geleneksel denetimli makine öğrenimi yöntemleri, veri yetersizliği nedeniyle henüz yeterince çalışılmamış 'karanlık' kinazlara ait substrat fosfositleri belirlemede yetersiz kalmaktadır. Bu eksikliği gidermek amacıyla, bu tezde sıfır ve az örnekli öğrenmeye dayalı bir çerçeve geliştirilmiş ve biyolojik temelli veri artırma stratejileri sunulmuştur. Tüm yöntemler DARKIN karşılaştırma seti üzerinde değerlendirilmiştir. Bu kapsamda iki yeni derin öğrenme mimarisi önerilmiştir: Fosfosit kodlayıcısını uçtan uca ince ayar yoluyla optimize eden ve uyumluluğa dayalı bir model olan DARKIN-FT, ile dizi çiftleri üzerinde ortak dikkat mekanizması kullanarak doğrudan kinaz-fosfosit etkileşimlerini modelleyen ikili sınıflandırma tabanlı DARKIN-Interact. Tezin temel katkısı, biyolojik gerçekliğe dayanan veri artırma yaklaşımlarının sistematik olarak incelenmesidir. Bu amaçla üç farklı strateji değerlendirilmiştir: (i) ProGen2 modelinin ince ayarlanmasıyla gerçekleştirilen kinaz-koşullu fosfosit üretimi; (ii) Kinase Substrate Specificity Atlas (KSSA) kullanılarak yapılan zayıf denetimli etiketleme; ve (iii) homolog sekanslarla veri artırımı. Elde ettiğimiz sonuçlar, DARKIN-FT ve DARKIN-Interact modellerinin DARKIN karşılatırma setindeki mevcut temel yöntemlere kıyasla anlamlı performans artışı sağladığını göstermektedir. Veri artırma stratejilerinin etkisi ise karışıktır: ProGen2 ile yapılan üretim ve KSSA ile zayıf etiketleme performansı düşürürken, homolog sekanslarla yapılan veri artırımı özellikle DARKIN-Interact modeli için Makro Ortalama Kesinliği artırmada etkili olmuştur. Her ne kadar elde edilen sonuçlar umut verici olsa da, yüksek dizi benzerliğine sahip kinazları ayırt etme konusunda zorluklar devam etmektedir. Genel olarak bu tez, düşük veri koşullarında kinaz–fosfosit etkileşimi tahmini için bir çerçeve sunmakta ve karanlık kinaz–fosfosit ilişkisinin modellenmesinde veri artırma stratejilerinin güçlü ve zayıf yönlerine dair önemli içgörüler sağlamaktadır.
Özet (Çeviri)
Protein phosphorylation, a fundamental cellular process mediated by kinases, is crucial for signaling, and its dysregulation is implicated in numerous human diseases. A significant challenge persists in identifying substrate phosphosites for the vast number of understudied 'dark' kinases, for which conventional supervised machine learning methods are ineffective due to data scarcity. To address this gap, this thesis develops a zero- and few-shot learning framework and introduces biologically grounded data augmentation strategies, all evaluated on the DARKIN benchmark. We introduce two novel deep learning architectures: DARKIN-FT, a compatibility-based model that enhances performance through end-to-end fine-tuning of phosphosite encoder, and DARKIN-Interact, a binary classification model that directly captures kinase–substrate interactions via joint attention over sequence pairs. The central contribution is a systematic investigation into biologically grounded data augmentation, evaluating three distinct strategies: (i) kinase-conditional phosphosite generation via a fine-tuned ProGen2 model, (ii) weak supervision using predictions from the Kinase Substrate Specificity Atlas (KSSA), and (iii) augmentation with homologous sequences. Our results demonstrate that DARKIN-FT and DARKIN-Interact significantly outperform existing baselines on the DARKIN benchmark. The investigation into data augmentation yielded mixed results: while kinase conditional generation with ProGen2 and weak labeling with KSSA degraded the performance, augmentation with homologous sequences improved the Macro Average Precision of the DARKIN-Interact model. While the results are promising, challenges persist in disambiguating kinases with high sequence similarity. Overall, this thesis establishes a framework for kinase–phosphosite interaction prediction in low-data regimes and provides valuable insights into the strengths and limitations of data augmentation in the dark kinase-phosphosite association task.
Benzer Tezler
- Zero- and few-shot dark kinase–phosphosite prediction via task-aware protein embeddings
Göreve duyarlı protein gömüleriyle sıfır- ve az-örnekli karanlık kinaz–fosfosit tahmini
ZEYNEP IŞIK
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZNUR TAŞTAN OKAN
DOÇ. DR. RAMAZAN GÖKBERK CİNBİŞ
- Güneş yüzeyindeki granülasyon
<thr granulation over the solar surface
CENNET KAYA
Yüksek Lisans
Türkçe
1997
Fizik ve Fizik Mühendisliğiİstanbul Teknik ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. GÜLÇİN KANDEMİR
- Zero-shot and few-shot named entity recognition in environmental sciences domain
Çevre bilimleri alanında sıfır-örnekli ve az-örnekli adlandırılmış varlık tanıma
KEREM MERT DEMİRTAŞ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERDAR ARSLAN
- Deepkinzero: Zero-shot learning for predicting kinase phosphorylation sites
Deepkinzero: Kinaz fosforilasyon yerlerinin sıfır örnek öğrenim ile tahmini
IMAN DEZNABI
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. ABDULLAH ERCÜMENT ÇİÇEK
Assist. Prof. Dr. ÖZNUR TAŞTAN OKAN
- Evaluating zero-shot learning capabilities of vision-language models
Görme-dil modellerinin sıfır-örnekle öğrenme yeteneklerinin değerlendirilmesi
MUSTAFA DOĞAN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET ERKUT ERDEM