Tez No İndirme Tez Künye Durumu
751069
Novel methods for driver gene and anti-cancer pharmacotherapy prioritization in personalized oncology / Kişiselleştirilmiş onkolojide sürücü gen ve anti-kanser farmakoterapi önceliklendirilmesi için yeni yöntemler
Yazar:EGE ÜLGEN
Danışman: PROF. DR. OSMAN UĞUR SEZERMAN
Yer Bilgisi: Acıbadem Mehmet Ali Aydınlar Üniversitesi / Sağlık Bilimleri Enstitüsü / Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı / Biyoistatistik ve Tıp Bilişimi Bilim Dalı
Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Onkoloji = Oncology
Dizin:Genler = Genes ; Genom = Genome ; Kişiselleştirme = Personalization ; Neoplazmlar = Neoplasms ; Tedavi = Treatment ; Önceliklendirme = Prioritisation ; İlaç tedavisi = Drug therapy
Onaylandı
Doktora
İngilizce
2022
161 s.
Kişiselleştirilmiş onkolojideki en önemli zorluklar arasında (i) bir tümör örneğindeki sürücü genlerin tespiti ve (ii) bu klinik açıdan alakalı sürücülerin rasyonel, etkin ve kişiselleştirilmiş tedavi önerilmesinde kullanılması sayılabilir. Bu tezde, bahsi geçen zorlukların üstesinden gelebilmek amacıyla yeni sürücü gen ve ilaç önceliklendirme metotları geliştirilmiştir. Sürücü gen önceliklendirme metodu, driveR, genomik veri ve biyolojik bilgi birikimi harmanlamakta ve her bir gene sürücülük olasılığı atamak amacıyla birçok görevli öğrenme sınıflandırma modeli kullanmaktadır. Model, hem tümör kohortlarında hem de bireysel tümör örneklerinde 21 farklı kanser türü için sürücü genleri tespit edebilmektedir. Bu yeni yönteminin, önceki sürücü önceliklendirme yöntemlerinden daha iyi performans gösterdiği gösterilmiştir. Bunu takiben, driveR kullanılarak elde edilmiş sürücü önceliklendirme sonuçlarıyla birlikte ilaç-gen etkileşimleriyle genişletilmiş bir etkileşim ağını kullanarak, PANACEA olarak isimlendirilen bireysel tümör örneklerinde kanser önleyici ilaçları önceliklendirmek için yeni ağ tabanlı yöntemler geliştirilmiştir. "Mesafeye dayalı" yöntem, sürücülük olasılıkları ve ağ üzerindeki ilaçlar ve genler arasındaki mesafeyi kullanarak ilaçları skorlamakta ve önceliklendirmektedir. "Sürücü yayılımı" yöntemi, aynı amaçla yeniden başlatma ile rastgele yürüyüş algoriması yoluyla sürücülük olasılıklarını yaymaktadır. Sürücülük olasıklarına ek olarak, diferansiyel olarak eksprese edilmiş gen (DEG) bilgisini yayan "sürücü ve DEG yayılımı" yöntemi, bir ilacın puanını, sürücü yayılma puanının ve DEG yayılma puanının çarpımı olarak belirlemektedir. Titiz bir değerlendirmeyle, bu yeni yöntemlerin onkoterapiyle ilgili ve potansiyel olarak etkin ilaçlara öncelik verdiği gösterilmiştir. Bu tezde önerilen yeni yöntemlerin kişiselleştirilmiş onkoloji araştırmalarını ilerletmesi umulmaktadır.
Two of the greatest challenges in personalized oncology are (i) identification of driver genes in a tumor sample and (ii) using these clinically relevant drivers to recommend rational, effective, and personalized treatments. In this dissertation, novel methods for driver gene and drug prioritization methods were developed to address these challenges. The driver gene prioritization method, driveR, incorporates genomics data and prior biological information and uses a multi-task learning classification model to assign driverness probabilities to each somatically altered gene. The model can detect driver genes for 21 cancer types in both tumor cohorts and individual tumor samples. The novel method driveR was shown to outperform previous driver prioritization methods. Successively, utilizing driver prioritization results from driveR and an interaction network extended by drug-gene interactions, novel network-based methods for prioritizing anti-cancer drugs for individual tumor samples, PANACEA, were developed. The "distance-based" method uses driverness probabilities and distances between drugs and altered genes in the network to score and prioritize the drugs. The "driver propagation" method propagates driverness probabilities via a random walk with restart framework for the same purpose. Additionally propagating differentially expressed gene (DEG) information, the "driver and DEG propagation" method determines the score of a drug as the product of its driver propagation score and its DEG propagation score. Through meticulous evaluation, it was demonstrated that these novel methods prioritize potentially effective drugs relevant to oncotherapy. The novel methods proposed in this thesis will hopefully advance personalized oncology research.