Methodologies for prediction of transcription factors in transcriptional regulatory mechanisms in biocatalysis of reactions in yeast central pathways
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, KİMYA MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: İngilizce
Öğrenci: OĞUZ ULAŞ YAMAN
Danışman: PINAR ÇALIK
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Bu tezde amaç, maya hücrelerindeki transkripsiyon faktörü baglanma konumlarını tahmin etmek için metodolojiler önermektir. Bu amaca ulasmak için, ilk olarak P. pastoris merkezi karbon metabolizmasındaki reaksiyonları katalizleyen enzimlerin genlerinin promotorlar üzerindeki ba ̆glanma bölgeleri filogenetik ayakizi kullanarak modellenmistir. Ikinci olarak, S. cerevisiae transkripsiyon faktörlerinin 8-merlere baglanma afinitesi çesitli makine ögrenme algoritmaları, Rastgele Orman, XGBoost ve Derin Ögrenme, kullanarak modellenmistir. Tezde önce, DNA dizileriyle birlikte herhangi bir sayıda ortolog promotor çifti ve transkripsiyon faktörü ba ̆glanma motiflerini içeren veri tabanını girdi olarak gerektiren bir filogenetik ayakizi algoritması betimlenmi ̧stir. Model ilk önce referans promotoru ba ̆glanma bölgeleri için tarama yapar, ardından ikili dizi hizalamayı kullanarak hedef promotorda korunmu ̧s transkripsiyon faktörü ba ̆glanma bölgelerini belirler. Algoritma merkezi karbon metabolizması üzerindeki tepkimeleri katalizleyen enzimlerin genleri için 58 S. cerevisiae ve onlara kar ̧sılık belirlenen 52 ortolog P. pastoris promotorlarının kar ̧sıla ̧stırmasını yapmı ̧stır. Transkripsiyon faktörleri ba ̆glanma ko- numlarının filogenetik ayakizi tahminleri, P. pastoris merkezi yolizlerindeki transkripsiyon faktörlerini tahminlenmesine olanak vermistir. Tezin ikinci bölümünde, yedi makine ö ̆grenme algoritmik modeli (bes Yapay Sinir Agları, bir XGBoost ve bir Rastgele Orman), S. cerevisiae transkripsiyon faktörleri için yüksek afiniteli (ilk %1) 8-merleri tahminlemek için e ̆gitilmi ̧stir. 8-merler, belirlenen 5 özellik ile sayısal dizilere gömülü temsil edilmi ̧stir. Farklı transkripsiyon faktörleri farklı özellikleri tanıyabilece ̆ginden, en iyi Matthews Korelasyon Katsayısını (MCC) veren, her bir transkripsiyon faktörü için en iyi özellik havuzu, model kombinasyonunu seçecek açgözlü bir yakla ̧sım benimsenmi ̧stir. Böylece, tüm transkripsiyon faktörleri üzerinde yüksek afiniteli ba ̆glanma bölgeleri ortalama 0.873 MCC skoruyla tahminlenmiştir.