Kanser Teşhisinde Protein Haritalama Tekniklerinin Başarımlarının Derin Öğrenme Kullanılarak Karşılaştırılması

Year 2021, Volume: 33 Issue: 2, 547 - 565, 15.09.2021

Talha Burak Alakuş İbrahim Türkoğlu

https://doi.org/10.35234/fumbd.881228

Abstract

Kanser, dünya çapında çoğu insanın ölmesine neden olan ve birçok farklı alt tiplerden oluşan heterojen bir hastalıktır. Bir kanser türünün erken teşhisi ve prognozu, hastaların sonraki klinik takibini kolaylaştırabildiği için kanser araştırmalarında bir gereklilik haline gelmiştir. Bunun için en çok kullanılan yöntemlerden birisi histolojik incelemedir. Ancak bu yöntemde çok sayıda gözlemciler arası değişkenlik bulunmakta, bu ise inceleme sürecinin uzun olmasına ve zaman almasına neden olmaktadır. Bu dezavantajın önüne geçmek için araştırmacılar hesaplama-tabanlı yaklaşımlara yönelmişler ve kanserli proteinlerin belirlenmesi için protein-protein etkileşimleri, protein etkileşim ağları ve moleküler parmak izleri yöntemlerinden yararlanmaktadırlar. Bu yöntemler arasında, çeşitli çalışmalar genomik bilgilerden de kanserli hücrelerin tespit edilebildiğini göstermiştir. Kansere ait genlerin dizilimlerine göre belirli kanser türlerinin belirlenebildiği ve bu süreçte yapay öğrenme tabanlı yaklaşımların etkili olduğu görülmüştür. Bu çalışmada, derin öğrenme algoritmalarından birisi olan tekrarlayıcı sinir ağı mimarisi kullanılmış ve insana ait mesane, kolon ve prostat kanserlerinin, protein dizilimlerine göre sınıflandırılması yapılmıştır. Çalışma, verilerin elde edilmesi, protein dizilimlerinin sayısallaştırılması, derin öğrenme model uygulamasının geliştirilmesi ve protein haritalama tekniklerinin başarımının karşılaştırılması olmak üzere dört aşamadan meydana gelmektedir. Protein dizilimlerini sayısallaştırmak için AESNN1, hidrofobiklik, tam sayı, Miyazawa enerjileri ve rastgele kodlama yöntemleri ele alınmıştır. Çalışmanın sonunda, mesane kanseri için en yüksek doğruluk değeri %87.15 ile AESNN1 haritalama yöntemiyle, kolon kanseri ve prostat kanseri için ise en yüksek doğruluk değeri sırasıyla %94.40 ve %75.45 olarak Miyazawa enerjileri ve rastgele kodlama protein haritalama yöntemi ile elde edilmiştir. Bu çalışma ile yapay öğrenme ve protein haritalama tekniklerinin, kanserli protein dizilimlerinin belirlenmesinde etkili olduğu gözlemlenmiştir.

Keywords

Kanser, Biyoinformatik, Derin öğrenme, Proteinler

References

• [1] Sun Y, Sitao Z, Ma K, Liu W, Yue Y, Hu G, Lu H, Chen W. Identification of 12 cancer types through genome deep learning. Scientific Reports 2019; 9: 1-9.
• [2] Baykara O. Kanser tedavisinde güncel yaklaşımlar. Balıkesir Sağlık Bilimleri Dergisi 2016; 5(3): 155-165.
• [3] Cruz JA, Wishart DS. Applications of machine learning in cancer prediction and prognosis. Cancer Informatics 2006; 3: 59-78.
• [4] Dhahri H, Maghayreh EA, Mahmood A, Elkilani W, Nagi MF. Automated breast cancer diagnosis based on machine learning algorithms. Journal of Healthcare Engineering 2019; 1-12.
• [5] Kourou K, Exarchos TP, Exarchos KP, Karamouzis MV, Fotiadis, DI. Machine learning applications in cancer prognosis and prediction. Computational and Structural Biotechnology Journal 2015; 13: 8-17.
• [6] Ravi D, Wong C, Deligianni F, Berthelot M, Andreu-Perez J, Lo B, Yang GZ. Deep learning for health informatics. IEEE Journal of Biomedical and Health Informatics 2017; 21(1): 4-21.
• [7] Libbrecht MW, Noble WS. Machine learning applications in genetics and genomics. Nature Reviews Genetics 2015; 16: 321-322.
• [8] Gevaert O, Smet FD, Timmerman D, Moreau Y, Moor BD. Predicting the prognosis of breast cancer by integrating clinical and microarray data with Bayesian networks. Bioinformatics 2006; 22(14): 184-190.
• [9] Jurtz VI, Johansen AR, Nielsen M, Armenteros JJA, Nielsen H, Sonderby CK, Winther O, Sonderby SK. An introduction to deep learning on biological sequence data: examples and solutions. Bioinformatics 2015; 33(22): 3685-3690.
• [10] Chen KH, Wang TF, Hu YJ. Protein-protein interaction prediction using a hybrid feature representation and a stacked generalization scheme. BMC Bioinformatics 2019; 20: 1-17.
• [11] Wen M, Zhang Z, Niu S, Sha H, Yang R, Yun Y, Lu H. Deep-learning-based drug-target interaction prediction. Journal of Proteome Research 2017; 16(4): 1401-1409.
• [12] Seo S, Oh M, Pak Y, Kim S. DeepFam: deep learning based alignment-free method for protein family modeling and prediction. Bioinformatics 2018; 34(13): 254-262.
• [13] Lv Z, Ao C, Zou Q. Protein function prediction: from tradition classifier to deep learning. Proteomics 2019; 19(14): 1-3.
• [14] Wang S,Peng J, Ma J, Xu J. Protein secondary structure prediction using deep convolutional neural fields. Scientific Reports 2016; 6: 1-11.
• [15] Guda P, Chittur SV, Guda C. Comparative analysis of protein-protein interactions in cancer-associated genes. Genomics, Proteomics & Bioinformatics 2009; 7(1-2): 25-36.
• [16] Huang CH, Peng HS, Ng KL. Prediction of cancer proteins by integrating protein interaction, domain frequency, and domain interaction data using machine learning algorithms. BioMed Research Journal 2015; 2015: 1-15.
• [17] Matsubara T, Ochiai T, Hayashida M, Akutsu T, Nacher JC. Convolutional neural network approach to lung cancer classification integrating protein interaction network and gene expression profiles. Journal of Bioinformatics and Computational Biology 2019; 17(3): 1-11.
• [18] Hosseinzadeh F, KayvanJoo AH, Ebrahimi M, Goliaei B. Prediction of lung tumor types based on protein attributes by machine learning algorithms. Springer Plus 2013; 2(238): 1-14.
• [19] Chang JW, Ding Y, Qamar MT, Shen Y, Gao J, Chen LL. A deep learning model based on sparse auto-encoder for prioritizing cancer-related genes and drug-target combinations. Carcinogenesis 2019; 40(5): 624-632.
• [20] Lin K, May ACW, Taylor WR. Amino acid encoding schemes from protein structure alignments: multi-dimensional vectors to describe residue types. Journal of Theoretical Biology 2002; 216(3): 361-365.
• [21] Kyte J, Doolittle RF. A simple method for displaying the hydropathic character of a protein. Journal of Molecular Biology 1982; 157(1): 105-132.
• [22] Miyazawa S, Jernigan RL. Estimation of effective interresidue contact energies from protein crystal structures: quasi-chemical approximation. Macromolecules 1985; 18(3): 534-552.
• [23] Goodfellow I, Bengio Y, Courville A. Derin Öğrenme, 1. Basım, Eryaman, Ankara: Buzdağı Yayınevi, 2018.
• [24] Santur Y. Derin öğrenme ve aşağı örnekleme yaklaşımları kullanılarak duygu sınıflandırma performansının iyileştirilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 2020; 32(2): 561-570.
• [25] Alakus TB, Turkoglu I. Prediction of protein-protein interaction with LSTM deep learning model. In: 3rd International Symposium on Multidisciplinary Studies and Innovative Technologies; 11-13 October 2019; Ankara Turkey: IEEE. Pp. 1-5.
• [26] Budak Ü. SegNet mimarisi ile bilgisayarlı tomografi görüntülerinden karaciğer bölgesinin bölütlenmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 2019; 31(1): 215-222.
• [27] Toraman S, Türkoğlu İ. Derin öğrenme ile FTIR sinyallerinden kolon kanseri riskinin belirlenmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 2018; 30(2): 115-120.
• [28] Das B, Turkoglu I. A novel numerical mapping method based on Entropy for digitazing DNA sequences. Neural Computing and Applications 2018; 29: 207-215.
• [29] Daş R, Polat B, Tuna G. Derin öğrenme ile resim ve videolarda nesnelerin tanınması ve takibi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 2019; 31(2): 571-581.
• [30] Bingöl MS, Kaymak Ç, Uçar A. Derin öğrenme kullanarak otonom araçların insan sürüşünden öğrenmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 2019; 31(1): 177-185.
• [31] Çayır A, Yenidoğan I, Dağ H. Konutların günlükelektrik güç tüketimi tahmini için uygun model seçimi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 2018; 30(3): 15-21.
• [32] Alpay Ö. LSTM mimarisi kullanarak USD/TRY fiyat tahmini. Avrupa Bilim ve Teknoloji Dergisi 2020; Özel sayı: 452-456.
• [33] Brunner A, Tzankov A. The role of structural extracellular matrix proteins in urothelial bladder cancer (review). Biomark Insights 2007; 2: 418-427.