Tez No	İndirme	Tez Künye	Durumu
720499		Integrative predictive modeling of metastasis in melanoma cancer / Melanom kanserinde metastazın tahmine dayalı büteleştirici modellenmesi Yazar:AYŞEGÜL KUTLAY Danışman: DOÇ. DR. YEŞİM AYDIN SON Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Enformatik Enstitüsü / Sağlık Bilişimi Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:DNA metilasyon = DNA methylation ; Makine öğrenmesi = Machine learning ; Mikro RNA = Micro RNA ; mRNA = mRNA	Onaylandı Doktora İngilizce 2022 136 s.
Bu çalışma, miRNA, mRNA ve DNA metilasyonunun birleştirilmiş etkisini araştırarak melanomun metastatik moleküler imzalarını izlemek için genetik biyobelirteçlerin düzenleyici etkisini belirlemeye amaçlamaktadır. MiRNA, mRNA ve DNA metilasyon belirteçlerini entegre ederek metastazı ayırt etmek için çoklu makine öğrenme modelleri geliştirdik. Bir dizi tahminleme modeli değerlendirerek metastatik melanom örneklerini ayırt etmek için TCGA melanom veri setini kullandık. Her yeni biyobelirteç kategorisinin etkisini ortaya çıkarmak için aday belirteçler olarak ayırıcı şekilde ifade edilen miRNA, mRNA ve metilasyon özniteliklerini yinelemeli bir kombinasyonu uygulanmıştır. Her yinelemede, birleştirilmiş modellerin performansları hesaplandı. Tüm karşılaştırmalar sırasında, öznitelik seçim yönteminin seçimi ve alt ve üst örnekleme yaklaşımları analiz edilmiştir. En yüksek performans gösteren modellerin seçilmiş biyobelirteçleri, fonksiyonel zenginleştirme kümelerinin analizi biyolojik yorumu için ayrıca irdelenmiştir. İlk modelde, miRNA biyobelirteçleri metastatik melanomu %81 F-skoru ile tanımlayabilir. miRNA üzerine mRNA markörlerinin eklenmesi F-skorunu %92'ye yükseltti. Nihai entegre modelde, metilasyon verilerinin eklenmesi, %92'lik benzer bir F-skoruyla ulaşıldı, ancak birden fazla denemede düşük varyanslı daha kararlı bir model üretildi. Sonuçlarımız, miRNA belirteçleri metastaz sonuçlarını yüksek doğrulukla modellediğinden, metastatik melanomda miRNA düzenlemesinin rolünü desteklemektedir. Ayrıca miRNA'nın mRNA ve Metilasyon biyobelirteçleri ile entegre değerlendirmesi, modelin gücünü artırmaktadır. Modelde, seçilmiş olan belirteçler "Osteoclast", "Rap1 Signaling" "ve "Chemokine Signaling" gibi melanomun metastazla ilişkili patikalarda yoğunlaşmaktadır.
This study focused on identifying the regulatory impact of genetic biomarkers for monitoring metastatic molecular signatures of melanoma by investigating the consolidated effect of miRNA, mRNA, and DNA methylation. We developed multiple machine learning models to distinguish the metastasis by integrating miRNA, mRNA, and DNA methylation markers. We used the TCGA melanoma dataset to differentiate metastatic melanoma samples by assessing a set of predictive models. An iterative combination of differentially expressed miRNA, mRNA, and methylation signatures is used as candidate markers to reveal each new biomarker category's impact. In each iteration, the performances of the combined models are calculated. The choice of feature selection method and under and oversampling approaches are analyzed during all comparisons. Selected biomarkers of the highest performing models are further analyzed for the biological interpretation of functional enrichment. MiRNA biomarkers can identify metastatic melanoma with an 81% F-score in the initial model. The addition of mRNA markers upon miRNA increased F-score to 92 %. In the final integrated model, the inclusion of the methylation data resulted in a similar F-score of 92% but produced a stable model with low variance across multiple trials. Our results support the role of miRNA regulation in metastatic melanoma as miRNA markers models metastasis outcomes with high accuracy. Moreover, the integrated evaluation of miRNA with mRNA and Methylation biomarkers increases the model's accuracy. It populates selected biomarkers on the metastasis-associated pathways of melanoma, such as "Osteoclast," "Rap1 Signaling" "and "Chemokine Signaling" Pathways.