Rankpcsf: A disease module identification method by integrating network propagation with prize-collecting steiner forest
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Enformatik Enstitüsü, TIP BİLİŞİMİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: İngilizce
Öğrenci: ARDA ESKİN
Danışman: BURÇAK OTLU SARITAŞ
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Hastalık modüllerinin tanımlanması, hastalıkların ilerlemesinin daha iyi anlaşılmasına, daha doğru biyobelirteçlerin ve ilaç hedeflerinin bulunmasına yol açabilir. Bu çalışmada, Steiner ağacının gücünü ve difüzyon yaklaşımlarını birleştiren hibrit bir yöntem olan RANKPCSF geliştirdik ve yeni bir ağ yeniden yapılandırma yaklaşımı yayınladık. RANKPCSF, hastalıkla ilişkili optimal ağı ortaya çıkarmak için multi-omik verileri (fosfoproteomik ve transkriptomik dahil) bir referans interaktom ile entegre etme yeteneğine sahiptir. RANKPCSF algoritmasını bilinen kanser genlerini ve ilaç hedeflerini tahmin etme performansını NetCore, Hierarchical HotNet ve DOMINO ile karşılaştırdık. Ortalama olarak, RANKPCSF kanser sürücü genlerini ve kanser ilacı hedeflerini daha yüksek hassasiyetle yakalayabildi ve pan-kanser deneyinde önemli olmadığı düşünülen gen setinden daha fazla kanser geni tanımladı. Daha sonra, RANKPCSF ve diğer yöntemlerden elde edilen ağların işlevsel uygunluğunu karşılaştırdık. NetCore ve RANKPCSF, ampirik p değerlerine (0,001) dayalı olarak en yüksek işlevsel alaka düzeyini verdi. Son olarak, bağımsız bir doğrulama vaka çalışması olarak 46 hastadan alınan transkriptomik verileri kullanarak iskemik kalp hastalığı (IHD) ile ilişkili ağı yeniden yapılandırmak için RANKPCSF çalıştırdık. İskemik kalp hastalığı patolojisi ile ilgili olan oksidatif stres, hücre dışı matris organizasyonu ve bağışıklık tepkisi ile ilgili modülleri gözlemledik. Genel olarak, RANKPCSF bilinen kanser genlerini ve ilaç hedeflerini daha doğru bir şekilde tespit etti ve seçilen diğer algoritmalara kıyasla fonksiyonel uygunluk testinde daha iyi performans gösterdi. RANKPCSF - bir hibrit yöntem olarak - işlevsel olarak ilgili alt ağlar dahil olmak üzere farklı görevler için kullanılabileceğine ve bu alt ağların hastalıkla ilişkili hipotezler oluşturmak için kullanılabileceğine inanıyoruz.