Dekonvolüsyon yöntemi ile akciğer kanseri hücre türü kompozisyonunun belirlenmesi ve hasta prognozunun incelenmesi
Determination of lung cancer cell type composition and patient prognosis analysis using deconvolution method
- Tez No: 990678
- Danışmanlar: DR. YASİN KAYMAZ
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Bioengineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomühendislik Ana Bilim Dalı
- Bilim Dalı: Biyomühendislik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Akciğer adenokarsinomu (LUAD) ve skuamöz hücreli karsinom (LUSC), küçük hücreli olmayan akciğer kanserlerinin (NSCLC) en yaygın alt tiplerini oluşturmaktadır. Son yıllarda tümör dokularını oluşturan farklı stromal ve immün hücrelerin çeşitli oranlarda mevcudiyeti hastalığın seyrine dair bilgiler vereceğine yönelik çalışmalar artmıştır. Tümör mikroçevresinin doğru ve hassas yöntemlerle tespiti tedavinin sonucunu belirlemede büyük önem taşımaktadır. Doku bazlı incelemelerde alınan biyopsi örneği ile tümör mikroçevre kompozisyonunu net olarak ortaya çıkarabilmek oldukça zahmetli analitik yöntemler gerektirmektedir. Günümüzde yeni nesil dizileme teknikleri ile birlikte dokuda gen ifade profillerini ortaya koyan hassas ve kapsamlı RNA dizileme gibi teknikler uygulama alanı bulmaktadır. Fakat doku bazlı transkriptomik veriler hücre türlerine özgü gen ifadelerini vermek yerine dokuyu oluşturan tüm hücrelerin ortalaması olarak sonuç vermektedir. Bu kısıtlılık hasta prognozu için istenen incelemelerin gerçekleştirilmesinin önünde bir engel teşkil etmektedir. Günümüzde tek hücre RNA dizileme teknikleri ile tam olarak hücrelerin bireysel ifade profilleri temin edilebilmekte ve hücre türü kompozisyonları doğrudan hesaplanabilmektedir. Ancak, yüksek maliyeti ve kompleks hazırlık süreçleri nedeniyle her hasta örneği için tek hücre RNA dizileme uygulamasının rutin kliniğe entegre etmenin şuan için mümkün olmadığı görüşü hakimdir. Bütün bunların ışığında bu tez çalışması ile tek hücre RNA dizilemesi gerçekleştirilmiş referans baz alınabilecek veriler kullanarak doku örneklerinde tümör mikroçevresini açığa çıkarabilme amacıyla prognostik risk çıkarımı yapabilen bir biyoinformatik iş akışı geliştirmiştir. Bu tez kapsamında, tek hücreli RNA dizileme (scRNA-seq) verilerinden türetilen hücre türüne özgün gen ifadesi matrisleri kullanılarak TCGA-LUAD ve TCGA-LUSC kohortlarına ait bulk RNA-seq verileri dekonvolüsyon yaklaşımı ile hücre kompozisyonları incelenmiştir. Geliştirilen iş akışının çıktıları bağımsız dış veri setleriyle test edilerek klinik açıdan tekrar edilebilir oldukları gösterilmiştir. Analizler sonucunda, LUAD kohortunda C1QA, C1QB, FCER1G ve CCL3 genleri koruyucu; GZMB, DUSP4 ve IRF7 risk artırıcı genler olarak saptanmıştır. LUSC kohortunda ise GZMB, GZMA ve C15orf48 koruyucu; SPP1, DUSP4, FCER1G, C1QA ve C1QB genleri risk artırıcı rol oynamıştır. Bu sonuçlar, tümör mikroçevresinde immün hücrelerin farklı alt tiplerinin sağkalım üzerinde belirleyici olduğunu ortaya koymuştur. Geliştirilen dekonvolüsyon bazlı biyoinformatik iş akışının kapsamı genişletilerek tüm gen ifade profillerinin yanı sıra poliadenilasyon noktası ifade profillerinin de tümör transkriptomik durumlarını açığa çıkarmada etkili bir araç olma potansiyeli incelenmiştir. Bu amaçla TDP-43 ve FUS genlerinin kontrollü pertürbasyon deneyleri ile üretilmiş poliadenilasyon dizileme (PAS-Seq) verileri referans baz alınarak bu pertürbasyon durumlarının tümör hücrelerinin durumlarına benzerliği dekonvolüsyon yaklaşımı ile elde edilmiştir. Bu süreçte, laboratuvarımızda geliştirilen Nextflow DSL2 tabanlı bir iş akışı ile analiz edilmiştir. Bu iş akışı, kalite kontrolden başlayarak hizalama, strand-özgül kapsama analizi, Naive Bayes tablanlı peak sınıflandırması, istatiksel filtreleme ve anotasyon adımlarını uçtan uca bütünleştirilmiştir. Böylece aday poli-A bölgesi işlenmiş, yüksek transkriptomik belirteçlerin LUAD epitel pseudobulk örnekleriyle karşılaştırılması, erken evrede tümörlerde TDP-43 lokalizasyon/ekspresyon bozukluklarının; ileri evrede ise patojenik mutasyonların baskın olduğunu göstermiştir. Özellikle metastatik örneklerde, kemik dokusunda TDP-43 G290A ile FUS R521G/P525L mutasyonlarının ortak etkileri dikkat çekmiştir. Bu bütüncül yaklaşım, farklı omik veri tiplerinin (scRNA-seq, bulk-seq, PAS-Seq) özel olarak geliştirilmiş biyoinformatik iş akışları aracılığıyla entegre edilmesi ile akciğer kanserinde hem immün hücre alt tiplerinin prognostik değerini hem de RNA bağlayıcı proteinlerin transkriptomik düzenleyici rolleri aydınlatmıştır.
Özet (Çeviri)
Lung adenocarcinoma (LUAD) and squamous cell carcinoma (LUSC) are the most common subtypes of non-small cell lung cancer (NSCLC). In recent years, increasing attention has been given to the role of stromal and immune cell within the tumor microenvironment, as their varying proportions of the tumor microenvironment is crucial for determining therapeutic outcomes. However, assessing tumor microenvironment composition through tissue-based analyses requires biopsy samples and involves labor-intensive analytical procedures. With the advent of next-generation sequencing technologies, transcriptome-wide techniques such as RNA sequencing have emerged as powerful tools for comprehensive profiling of gene expression in tissues. Nevertheless, bulk transcriptomic data capture the average signal of all constituent cells, rather than cell-type-specific expression signatures. This limitation hampers the ability to perform detailed prognostic evaluations. Single-cell RNA sequencing (scRNA-seq) enables the acquisition of individual cell expression profiles and allow direct computation of cell-type compositions. However, due to its high cost and complex sample preparation requirements,routine application of scRNA-seq to every patient sample is currently not feasible in clinical practice. In this context, the present thesis aimed to establish a bioinformatics workflow capable of uncovering tumor microenvironmental composition and deriving prognostic risk predictions by leveraging scRNA-seq-based reference datasets for deconvolution of bulk transcriptomic data. In this study, cell-type-specific gene expression matrices derived from scRNA-seq were used to perform deconvolution of bulk RNA-seq from TCGA-LUAD and TCGA-LUSC cohorts. The developed workflow was validated using independent external datasets, confirming the reproducibility and clinical relevance of the results. Analyses revealed that in LUAD, C1QA, C1QB, FCER1G, and CCL3 were identified as protective genes, whereas GZMB, DUSP4, and IRF7 acted as risk-enhancing factors. In LUSC, GZMB, GZMA, and C15orf48 were protective, while SPP1, DUSP4, FCER1G, C1QA, and C1QB were associated with adverse prognosis. These findings highlight the decisive impact of distinct immune cell subtypes on survival outcomes within the tumor microenvironment. Beyond gene expression deconvolution, the workflow was extended to incorporate polyadenylation site expression profiles as an additional layer for characterizing tumor transcriptomic states. To this end, polyadenylation sequencing (PAS-Seq) data generated from perturbation experiments involving TDP-43 and FUS were utilized as reference conditions. By applying the deconvolution framework, the resemblance of these perturbation states to tumor profiles was assessed. The analysis was implemented through Nextflow DSL2-based workflow developed in our laboratory, integrating steps including quality control, alignment, strand-specific coverage analysis, Naive Bayes-based peak classification, statistical filtering, and annotation. This approach enabled the identification of candidate polyadenylation sites and the comparison of high-resolution transcriptomic signatures with LUAD epithelial pseudobulk samples. The results demonstrated that TDP-43 mislocalization and expression dysregulation dominate in early-stage tumors, whereas pathogenic mutations prevail in advanced stages. Notably, in metastatic samples, particularly in bone metastases, the combined effects of TDP-43 G290A and FUS R521G/P525L mutations were pronounced. This integrative strategy, which brings together multiple omics data types (scRNA-seq, bulk RNA-seq, PAS-Seq) within a customized bioinformatics pipeline, provides a comprehensive perspective on lung cancer. It elucidates both the prognostic contributions of immune cell subtypes and the transcriptome-wide regulatory roles of RNA-binding proteins.
Benzer Tezler
- Biophysical characterization of proteins in solution and human fluids for cancer diagnosis applications using Fourier transform infrared spectroscopy
Fourier dönüşüm kızılötesi spektroskopisi kullanarak proteinlerin çözelti içindeki formları ile kanser teşhisi uygulamalarında insan sıvılarınının biyofiziksel karakterizasyonu
SHERIF ABBAS MOUSA ABBAS
Doktora
İngilizce
2016
BiyofizikOrta Doğu Teknik ÜniversitesiBiyoloji Ana Bilim Dalı
PROF. DR. FERİDE SEVERCAN
PROF. DR. METE SEVERCAN
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Homomorfik dekonvolusyon yöntemi ile sismik izlerin çözümlenmesi
Başlık çevirisi yok
VELİ KARA
Doktora
Türkçe
1986
Jeofizik MühendisliğiKaradeniz Teknik ÜniversitesiJeofizik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER ALPTEKİN
- Propan molekülü spektrumundaki genişleme etkilerinin kaos yöntemi ile ortadan kaldırılması
Başlık çevirisi yok
ŞÖLEN SARIGÜL
Yüksek Lisans
Türkçe
1991
Fizik ve Fizik MühendisliğiMarmara ÜniversitesiFizik Eğitimi Ana Bilim Dalı
PROF.DR. AHMET K. ATAKAN
- Ters evrişim (deconvolution) tekniklerinin karşılaştırılması ve 1-boyutlu tam ters evrişim yöntemi
To Compare deconvolution methods and 1-dimensional exact deconvolution method
ORHAN KESEMEN
Yüksek Lisans
Türkçe
2002
Jeofizik MühendisliğiKaradeniz Teknik ÜniversitesiJeofizik Mühendisliği Ana Bilim Dalı
DOÇ. DR. KENAN GELİŞLİ