Show simple item record

dc.contributor.advisorKARABULUT, Erdem
dc.contributor.authorZENGİN, Hatice Yağmur
dc.date.accessioned2018-07-26T13:04:55Z
dc.date.available2018-07-26T13:04:55Z
dc.date.issued2018
dc.date.submitted2018-06-27
dc.identifier.citationZengin, H.Y., Sosyal Ağ Analizinin Hastalık Biyobelirteçlerinin Belirlenmesinde Kullanımı, Hacettepe Üniversitesi Sağlık Bilimleri Enstitüsü Biyoistatistik Programı Doktora Tezi, Ankara, 2018.tr_TR
dc.identifier.urihttp://hdl.handle.net/11655/4734
dc.description.abstractEspecially, in recent years, the use of social network analysis has gained interest in biomarker discovery studies. Hybrid approaches involve social network analysis as a step of the feature selection process bring a different perspective to identify disease-specific biomarkers. In this thesis, dimension reduction, clustering and community detection methods used in the different steps of the hybrid approach called “SocialNetworkFeature Selection (SNFS)” were briefly reviewed; the different combinations of these methods in the steps of SNFS were compared by using open access genomic microarray data sets in terms of the effects on classification performance of Support Vector Machine (SVM) classifier. In addition, a simulation study was conducted to examine the changes in classification performance obtained from SVM classifier with the use of SNFS. In conclusion, it had been seen that SNFS approach applied in R improves the classification performance of SVM classifier tremendously and dimension reduction with SNFS has positive effects on classification performance in case of high dimensional data.en
dc.description.tableofcontentsONAY SAYFASI iii YAYIMLAMA VE FİKRİ MÜLKİYET HAKLARI BEYANI iv ETİK BEYAN SAYFASI v TEŞEKKÜR vi ÖZET vii ABSTRACT viii İÇİNDEKİLER ix SİMGELER ve KISALTMALAR xi ŞEKİLLER xiii TABLOLAR xiv 1. GİRİŞ 1 1.1. Probleme Genel Bakış 1 1.2. Genetik Verilerde Sosyal Ağ Analizinin Kullanımı 3 1.3. Alanyazına Katkı 4 1.4. Tezin Planı 5 2. GENEL BİLGİLER 6 2.1. Gen, Genetik Bilgi, Gen İfadesi ve Gen İfade Analiz Yöntemleri 6 2.2. Gen İfade Verileri ile Danışmanlı Makine Öğrenmesi 9 3. GEREÇ ve YÖNTEM 13 3.1. SNFS Melez Biyobelirteç Belirleme Yöntemi 13 3.1.1. Boyut İndirgeme Aşaması ve Özellik Seçimi 14 3.1.2. Genlerin Kümelenmesi 23 3.1.3. Sosyal Ağ Analizi ve Toplulukların Belirlenmesi 28 3.2. Çalışmada Kullanılan Veri Setleri 34 3.2.1. Gerçek Veri Setleri 34 3.2.2. Sentetik Veriler ve Benzetim Çalışması 37 4. BULGULAR 39 4.1. Lösemi Veri Setinden Elde Edilen Uygulama Sonuçları 39 4.2. Kolon Kanseri Veri Seti Üzerinde Uygulama Sonuçları 53 4.3. Sentetik Veri Seti Üzerinde Uygulama Sonuçları 55 4.4. Benzetim Çalışmasına İlişkin Sonuçlar 57 5. TARTIŞMA 61 6. SONUÇ ve ÖNERİLER 65 7. KAYNAKLAR 66 8. ÖZGEÇMİŞtr_TR
dc.language.isoturtr_TR
dc.publisherSağlık Bilimleri Enstitüsütr_TR
dc.rightsinfo:eu-repo/semantics/openAccesstr_TR
dc.subjectSosyal Ağ Analizitr_TR
dc.subjectMelez Özellik Seçimitr_TR
dc.subjectSNFStr_TR
dc.subjectSınıflamatr_TR
dc.subjectBiyobelirteçlertr_TR
dc.titleSosyal Ağ Analizinin Hastalık Biyobelirteçlerinin Belirlenmesinde Kullanımıtr_TR
dc.typeinfo:eu-repo/semantics/doctoralThesisen
dc.description.ozetÖzellikle son yıllarda, hastalığa özgü biyobelirteçlerin belirlenmesi amacıyla yapılan çalışmalarda sosyal ağ analizinin kullanımı ilgi uyandırmaktadır. Özellik seçim (feature selection) sürecinin bir adımı olarak sosyal ağ analizinin yer aldığı melez (hybrid) yöntemler ile hastalığa özgü biyobelirteçlerin belirlenmesi problemine farklı bir bakış açısı getirilmektedir. Bu tez çalışmasında, “Sosyal Ağ Özellik Seçimi (SocialNetworkFeature Selection, SNFS)” olarak adlandırılan melez yöntemin farklı aşamalarında kullanılan boyut indirgeme, kümeleme ve topluluk belirleme yöntemleri kısaca incelenmiş; erişime açık genomik mikrodizi veri setleri kullanılarak, SNFS’nin adımlarında yer alan bu yöntemlerin farklı kombinasyonları, Destek Vektör Makinesi (DVM) sınıflayıcısının sınıflama başarımına etkileri açısından karşılaştırılmıştır. Aynı zamanda, SNFS kullanılarak DVM sınıflayıcısından elde edilen sınıflama başarımındaki değişimlerin incelenmesi amacıyla bir benzetim çalışması yapılmıştır. Sonuç olarak, R’da uygulanan SNFS yönteminin DVM sınıflayıcısının sınıflama başarımını ciddi oranda iyileştirdiği ve yüksek boyutlu veriler söz konusu olduğunda SNFS ile boyut indirgemenin sınıflama başarımı üzerinde olumlu etkisi olduğu görülmüştür.tr_TR
dc.contributor.departmentBiyoistatistiktr_TR
dc.contributor.authorID253781tr_TR


Files in this item

This item appears in the following Collection(s)

Show simple item record