Computational investigation of structural and functional effects of cancer related variants
Year: 2023
Type: dissertation
Abstract: Tek nükleotid varyantları (TNV'ler), gen ekspresyonu, protein katlanması ve diğerleri arasında protein-protein etkileşimleri dahil olmak üzere hücredeki birçok biyolojik işlevi etkileyebilen tek nükleotit değişiklileridir. Kanser, hücrelerin anormal ve kontrolsüz çoğalmasına yol açan genetik değişikliklerden kaynaklanan karmaşık ve çok faktörlü bir hastalıktır. TNV'lerin kanser gelişimi üzerinde önemli bir etkisi vardır. TNV'lerin etkilerinin kesin olarak tanımlanması, karakterizasyonu ve tahmini, çeşitli biyolojik mekanizmaların ve bunların hastalık koşulları sırasındaki değişimlerinin anlaşılmasında hayati bir rol oynamaktadır. Varyantlar, fenotipik sonuçlar üzerinde faydalı, nötr veya negatif etkilere neden olabilir ve sırasıyla iyicil, nötr veya patojenik olarak tanımlanır. İyicil ve nötr varyantlar genellikle hafif ila tolere edilebilir veya faydalı etkilere sahipken, çoğu patojenik varyant bireyler üzerinde zararlı etkilere neden olur ve bu bireylerin popülasyondaki sıklığının azalmasına yol açar. Bu etkileri belirlemeye yönelik deneysel süreç, zaman alıcı, verimsiz ve elverişsiz olabilir. Sonuç olarak, varyantların etkilerini tahmin etmek için hesapsal yöntemlerin kullanılması giderek daha popüler hale gelmektedir. Bu tez çalışması, esas olarak, kanserle ilgili varyantların proteinler üzerindeki fonksiyonel ve yapısal etkilerinin araştırılması ve varyantların patojenite etkilerinin sınıflandırılması için tahmine dayalı bir makine öğrenme modelinin oluşturulmasına yönelik araştırmaların sonuçlarını sunmaktadır. Tez üç ana bölümden oluşmaktadır. İlk olarak, farklı kanser türlerinden kanserle ilgili bir varyant veri seti oluşturulup ve bu veri setinde 13 farklı hesapsal algoritmanın performansı değerlendirilmiştir. İkinci olarak, veri setindeki varyantların özelliklerine dayalı dizi, yapı ve dinamik özellikleri araştırılmıştır. Son olarak, bu özelliklerden tahmine dayalı bir makine öğrenimi modeli oluşturulup, modelimizin performansını mevcut 13 hesapsal patojenite tahmin aracıyla karşılaştırılmıştır. Modelimiz, kapsamlı olarak derlenmiş bir varyant veritabanı olan ClinVar'ın kanserle ilgili varyantları kullanılarak özel olarak eğitilmiştir. Özellikle, bu, kanser varyantları ile özel olarak eğitilmiş ilk model olma özelliği taşımaktadır. Modelimiz geleneksel tahmin yöntemleri ve bunların benzeri algoritmalara kıyasla üstün performans göstermektedir.
Author: Yazar, Metin
Language: English
Topic: Genomics and Rare Diseases
Subfield: Genetics
Domain: Life Sciences
Open Access status: green
OpenAlex ID: W7132247027