Derin öğrenme mimarileri ve kelime yerleştirme tekniklerini kullanarak antikanser peptit tahminleme

Onur Karakaya

Derin öğrenme mimarileri ve kelime yerleştirme tekniklerini kullanarak antikanser peptit tahminleme

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Kocaeli Üniversitesi, Teknoloji Fakültesi, Bilişim Sistemleri Mühendisliği, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: Türkçe

Öğrenci: Onur Karakaya

Danışman: Zeynep Hilal Kilimci

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Antikanser peptitler (ACP'ler), antineoplastik özellikler sergileyen bir peptit grubudur. ACP'lerin kanser önlemede kullanımı, geleneksel kanser tedavilerine uygun bir alternatif sunabilir çünkü daha yüksek seçicilik ve güvenlik derecesine sahiptirler. Son bilimsel gelişmeler, istenen hücreleri etkin bir şekilde tedavi eden peptit tabanlı terapilere ilgi uyandırmıştır. Ancak, peptit dizilerinin sayısı artarken, güvenilir bir tahmin modeli geliştirmek zorlaşmıştır. Bu çalışmada, kelime yerleştirme ve derin öğrenme modellerini birleştirerek antikanser peptitlerini kategorize etmek amaçlanmıştır. Word2Vec, GloVe, FastText ve One-HotEncoding gibi yöntemler peptit dizilerini çıkarmak için kullanılmıştır. Bu yerleştirme modellerinin çıktıları, CNN, LSTM, BiLSTM gibi derin öğrenme modellerine beslenmiştir. Önerilen yöntemin etkisini göstermek için ACPs250 ve Independent veri setlerinde deneyler gerçekleştirilmiştir. Başka bir yaklaşımda, TF-IDF vektörleştirmesi ve destek vektör makineleri (SVM'ler), naive Bayes, tekrarlayan sinir ağları (RNN'ler) ve kapılı tekrarlayan birim (GRU) gibi modeller kullanılmıştır. Çalışmanın değerini göstermek için çeşitli deneyler yapılmış ve ENNACT, ENNAACT+A, ENNAACT+B ve ACP740 gibi yaygın veri kümeleri kullanılmıştır. Deneysel sonuçlar, önerilen modelin sınıflandırma doğruluğunu, mevcut çalışmalara kıyasla artırdığını gösterdi. Önerilen FastText+BiLSTM kombinasyonu, ACPs250 veri seti için %92,50 ve Independent veri seti için %96,15 doğruluk oranı sergileyerek yeni bir başarı durumunu belirler ve ayrıca ENNACT veri kümesi için GRU ile %90,28, ENNACT+A veri kümesi için RNN ile %91,44, ENNAACT+B veri kümesi için RNN ile %91,76 ve ACP740 veri kümesi için GRU ile %97,12 olan en iyi sınıflandırma doğruluklarını göstermektedir.