Göv, EsraÖzmenoğlu, Ayşe Savaş2025-01-062025-01-062023https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=nLNfCsWgUluh5T2iyudShqomz2-9dBSwRoqw0BR2QREOOtT4JgxU6tyEoFpKH_Fmhttps://hdl.handle.net/20.500.14669/44Lisansüstü Eğitim Enstitüsü, Biyomühendislik Ana Bilim DalıAdrenal Adenomlar (ACA) adrenal bezde oluşan benign kitlelerdir, adrenokortikal karsinom (ACC) ise malign agresif bir tümördür. Bu çalışmada amacımız, adrenokortikal adenomun başlangıcından karsinomun ilerlemesine kadar kritik biyomoleküllerin biyoinformatik ve makine öğrenimi yaklaşımları ile araştırılmasıdır. Hem vaka durumunda pozitif korelasyona hem de kontrol durumunda negatif korelasyona sahip (veya tam tersi) istatistiksel olarak anlamlıSpearman'ın gen korelasyon katsayısını belirlemek için yeni bir analiz yöntemi kullanıldı.. ACA-Normal doku (ACA-N), ACC-Normal doku (ACC-N) ve ACC-ACA için üç RGEC ağı oluşturuldu ve RGEC ağlarının merkez genleri belirlendi. ACA-N grubunda PLA2G4A geni, ACC-N grubunda 14 gen (SAE1, ATRX, PNMT, RYBP, NCAPG2, PDK2, C7, RNF114, PTPRB, NPY1R, PARM1, PGK1, HMMR ve ETC2), ACC-ACA grubunda FMO2 ve UBE2S genleri merkez genler olarak tespit edildi. Elde edilen genlerin tanısal ve prognostik performansı, K Komşu Sınıflandırıcısı, Lojistik Regresyon, MLP Sınıflandırıcısı, Karar Ağacı Sınıflandırıcısı, Rastgele Orman Sınıflandırıcısı, Gradyan Geliştirme Sınıflandırıcısı, Cat Geliştirme Sınıflandırıcısı, LGBM Sınıflandırıcısı ve XGB Sınıflandırıcısını içeren makine öğrenimi (ML) sınıflandırma algoritmaları aracılığıyla test edildi. ACC-N grubu RCEG ağı için 14 merkezi genin, yaşayan ve vefat eden hastaların örneklerinde ayrım yapma performansına kıyasla ACC dokularını normal dokulardan daha iyi bir şekilde ayırdığı bulunmuştur. Bu varsayılan biyomoleküllerin keşfi, iyi huylu bir tümörün kötü huylu bir tümöre dönüşmesini önlemede de önemli bir adım olabilir.Adrenal Adenomas (ACA) are benign masses that form in the adrenal gland, while adrenocortical carcinoma (ACC) is a malignant aggressive tumor. In the present study, our aim is to investigate critical biomolecules from the onset of adrenocortical adenoma to the progression of carcinoma with bioinformatics and machine learning approaches. We will use a new analysis method to identify a statistically significant Spearman's gene correlation coefficient that have both a positive correlation in the case state and a negative correlation in the control state (or vice versa). Three RGEC networks were recontructed for ACA-Normal tissue (ACA-N), ACC-Normal tissue (ACC-N), and ACC-ACA and hub genes of RGEC networks were identified. PLA2G4A gene in ACA-N group, 14 genes (i.e: SAE1, ATRX, PNMT, RYBP, NCAPG2, PDK2, C7, RNF114, PTPRB, NPY1R, PARM1, PGK1, HMMR and ETC2) in ACC-N group, the FMO2 and UBE2S genes in the ACC-ACA group were determined. Diagnostic and prognostic performance of the resultant genes were performed through machine learning (ML) classification algorithms including K Neighbor Classifier, Logistic Regression, MLP Classifier, Decision Tree Classifier, Random Forest Classifier, Gradient Enhancement Classifier, Cat Enhancement Classifier, LGBM Classifier, and XGB Classifier. It was found that 14 central genes of RCEG network for ACC-N group efficiently discriminate the ACC tissues from the normal tissues compared to the performance of discriminating in the live and dead specimens. The discovery of these putative biomolecules may also be an important step in preventing a benign tumor from turning into a malignant one.eninfo:eu-repo/semantics/openAccessBiyomühendislikBioengineeringMaster Thesis721824771