Basit öğe kaydını göster

dc.contributor.advisorDoğan, Tunca
dc.contributor.authorÖzcan, Umut Onur
dc.date.accessioned2022-09-27T13:12:19Z
dc.date.issued2022
dc.date.submitted2022-09-07
dc.identifier.urihttp://hdl.handle.net/11655/26788
dc.description.abstractAssessing the best treatment option specifically for each patient is the main goal of precision medicine. The patients with the same diagnosis may display varying sensitivity to the applied treatment due to genetic heterogeneity, especially in cancers. With the aim of predicting drug response in advance, to save valuable time and prevent the administration of ineffective drugs, computational approaches that utilize genetic features of patients have been developed. In this thesis study, DeepResponse-RF is proposed, which is a machine learning-based system that predicts drug responses (sensitivity) of cancer cells. DeepResponse-RF utilizes gene expression, mutation, copy number variation and methylation profiles of different cancer cell-lines (each representing an individual tumor) obtained from large-scale profiling/screening projects, together with drugs’ molecular features at the input level and process them via the random forest algorithm, to learn the relationship between multi-omics features of the tumor and its sensitivity to the drug administered. Performance results indicated DeepResponse-RF successfully predicts drug sensitivity of cancer cells, and especially the multi-omics aspect benefited the learning process and yielded better performance compared to the single-omic-based state-of-the-art. With further development, DeepResponse-RF can be used for early stage discovery of new drug candidates and for repurposing the existing ones against resistant tumors.tr_TR
dc.language.isoturtr_TR
dc.publisherSağlık Bilimleri Enstitüsütr_TR
dc.rightsinfo:eu-repo/semantics/openAccesstr_TR
dc.subjectYeniden konumlandırmatr_TR
dc.titleYapay Öğrenme Bazlı Hesaplamalı Modelleme İle Geniş Çaplı Kanser Hücre Hattı İlaç Yanıt Tahminitr_TR
dc.typeinfo:eu-repo/semantics/masterThesistr_TR
dc.description.ozetHer hasta için özel olarak en iyi tedavi seçeneğini değerlendirmek, hassas tıbbın ana hedefidir. Özellikle farklı kanser tiplerinde, aynı tanıya sahip hastalar genetik heterojenite nedeniyle uygulanan tedaviye farklı seviyelerde duyarlılık gösterebilirler. İlaç yanıtlarını (duyarlılığını) önceden tahmin ederek ilaç geliştirme süreçleri için gereken süreden tasarruf etmek ve etkisiz ilaçların uygulanmasını önlemek amacıyla, hastaların genetik özelliklerini kullanan hesaplamalı yaklaşımlar geliştirilmiştir. Bu tez çalışmasında, kanser hücrelerinin ilaç yanıtlarını tahmin eden makine öğrenmesi tabanlı bir sistem olan DeepResponse-RF önerilmiştir. DeepResponse-RF, büyük ölçekli profilleme/tarama projelerinden elde edilen ve her biri ayrı bir tümörü temsil eden farklı kanser hücre hatlarının gen ekspresyonu, mutasyon, kopya sayısı varyasyonu ve metilasyon profillerini, ilaçların moleküler özellikleriyle birlikte kullanmaktadır ve rastgele orman algoritması aracılığıyla, tümörün multi-omik özellikleri ile uygulanan ilaca duyarlılığı arasındaki ilişkiyi yapay olarak öğrenmektedir. Performans sonuçları, DeepResponse-RF'nin kanser hücrelerinin ilaç duyarlılığını başarılı bir şekilde tahmin ettiğini ve özellikle multi-omik yönün öğrenme sürecine fayda sağladığını ve tek omik tabanlı duruma kıyasla daha iyi performansa yol açtığını gösterdi. DeepResponse-RF, daha ileri seviyede geliştirme aşamalarının uygulanması sonrasında, yeni ilaç adaylarının erken aşamada keşfedilmesi ve mevcut olanların dirençli tümörlere karşı yeniden konumlandırılması için kullanılabilir.tr_TR
dc.contributor.departmentBiyoinformatiktr_TR
dc.embargo.termsAcik erisimtr_TR
dc.embargo.lift2022-09-27T13:12:19Z
dc.fundingDiğertr_TR


Bu öğenin dosyaları:

Bu öğe aşağıdaki koleksiyon(lar)da görünmektedir.

Basit öğe kaydını göster