Yazar "Cömertpay, Betül" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • [ X ]
    Öğe
    Integrative and comparative omic approaches to identify molecular signatures of rheumatoid arthritis
    (Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi, 2020) Cömertpay, Betül; Göv, Esra
    Romatoid artrit (RA) sıklıkla kronik sinovyal inflamasyonun eklem yıkımına, kronik sakatlığa ve yaşam beklentisinin azalmasına neden olduğu görülür. RA'nın patogenezi tam olarak bilinmemektedir. Bu çalışmada, sinovyal doku ve makrofaj hücreleri, kan hücreleri, T hücreleri, ?CD4?^+ T hücreleri, ?CD8?^+ T hücreleri, doğal öldürücü T (NKT) hücreleri, doğal öldürücü (NK) hücreleri, nötrofiller ve monosit hücreleri dahil olmak üzere çeşitli gen ekspresyon verileri bütüncül bir bakış açısıyla analiz edilerek RA'daki moleküler hedefler ve imzalar belirlendi. Farklı olarak ifade edilen genler (DEG'ler), hastalıklı ve sağlıklı numunelerin karşılaştırılmasıyla her bir veri kümesinden tanımlandı. Daha sonra, RA'ya özgü protein-protein etkileşimi (PPI) ve hub proteinler tanımlandı. Moleküler imzalar, transkripsiyonel düzenleyiciler ve PPI 'in fiziksel etkileşimleri kullanılarak hipergeometrik olasılık yoğunluk fonksiyonunu kullanan bir istatistiksel test yoluyla belirlendi. RA'lı her dokunun raportör metabolitleri, genom ölçekli metabolik ağ ve DEG'ler kullanılarak belirlendi. Ortak hub proteinleri, yeni raportör biyomolekülleri (yani reseptör, transkripsiyon faktörleri ve miRNA'lar), veya daha fazla doku tipindeki metabolitler belirlendi. SOCS2 Cullin ailesi üyeleri CUL1 ve CUL3, HDAC ailesi üyeleri HDAC2, HDAC4, HDAC9, RAS üyeleri KRAS, HRAS ve NRAS, OCS aile üyeleri SOCS1 ve SOCS2, hub protein olarak, AR, FOXP3 ve GATA2, TFs olarak NADP, NADPH, muhabir biyomolekül olarak ADP, piruvat ve Asetil-CoA üyeleri belirlendi. Önemli olarak, miR-155-5p tüm dokularda ortak miRNA' dır. Bulgularımız, RA' nın moleküler mekanizmasinin anlaşılması için çok önemli bir kaynak olabilir ve ilaç hedefleri ve yeni tanı stratejilerinin geliştirilmesi olarak düşünülebilir. İlgili genler ve miRNA'lar deneysel çalışmalarla doğrulanmalıdır.
  • [ X ]
    Öğe
    Machine learning and systems biology-based approaches for identification of key biomolecules in liver diseases
    (Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi, 2025) Cömertpay, Betül; Göv, Esra
    Liver diseases remain a significant global health concern, causing approximately two million deaths annually. In this thesis, presents a comprehensive systems biology investigation into the molecular landscape of liver diseases by integrating bulk and single-cell transcriptomic, proteomic, regulatory, and microbiome data. Spanning a wide range of clinical conditions including early chronic liver disease (eCLD), chronic liver disease (CLD), acute liver failure (ALF), acute-on-chronic liver failure (ACLF), non-alcoholic fatty liver disease (NAFLD), steatohepatitis, cirrhosis, and hepatocellular carcinoma (HCC) the study identifies both known and novel biomolecular signatures with potential diagnostic, prognostic, and therapeutic relevance. Differential expression analysis, gene regulatory network inference, and single-cell-informed modeling were combined with microbiome profiling to characterize stage-specific molecular changes. Novel candidate biomolecules included genes (e.g., PRKAB2, CLEC1B, CRHBP, TJP2), microRNAs (e.g., miR-548az-5p, miR-548t-5p), and transcription factors (e.g., FOXO1, SP1, ESR2). Additionally, microbial species such as Eikenella and Dictyostelium discoideum emerged as potentially new contributors within the gut-liver axis. Machine learning played a central role in the analytical framework, enhancing both the diagnostic and prognostic interpretability of the results. Diagnostic classification was performed using principal component analysis (PCA) and several supervised algorithms, including Random Forest, k-Nearest Neighbors, Multilayer Perceptron (MLP), XGBoost, LightGBM, Gradient Boosting, and CatBoost. Notably, CatBoost achieved the highest accuracy in HCC diagnosis (93.75%) with perfect sensitivity and specificity (AUC = 1.0). Prognostic modeling using Random Survival Forests (RSF) enabled the stratification of HCC patients by risk level and highlighted key survival-associated genes in specific immune cell types—for instance, RTN3, ENO1, and FOLR3 in monocytes, and CRIP1, PSMA7 in NK cells. Robustness was ensured through 1,000-iteration bootstrap resampling and one-sample t-tests against random baseline models, confirming the reliability of the computational predictions. Altogether, this thesis demonstrates the power of integrating multi-omics data with machine learning and systems-level approaches to reveal critical insights into liver disease biology. The findings not only provide a curated resource of biomolecular signatures across disease states and cell types but also highlight candidates with high translational potential. By combining data-driven discovery with clinical relevance, this work lays a strong foundation for future biomarker validation and precision medicine strategies in liver disease research.