Hedef Gen Çıkarımı İçin Makine Öğrenmesi Tabanlı Mikrodizi Verilerinin Analizı

Öz

Mikrodizi teknolojisi gen ifadesindeki farklılıkların tespit edilmesinde kullanılır. Bu teknoloji ilaç geliştirme süreçlerinden tedavi süreçlerinin iyileştirilmesine birçok alanda katkı sağlamaktadır. Bu çalışmada, kronik hipoksi tedavisinin fare beyni üzerindeki etkisi ve oksidatif strese maruz kalan fare nöronlarının gen üzerindeki etkisi ile ilgili veri kümeleri üzerinde mikrodizi analizi yapılmıştır. Çalışmada açık erişim sağlanabilen iki farklı mikrodizi veri kümesi kullanılmıştır ve makine öğrenmesi yöntemleri ile çalışılmıştır. İlk adım olarak veri kümelerinin indirilmesi, ardından ön işleme tabi tutularak normalizasyon uygulanması sağlanmıştır. Bu aşamalar ile veri kümeleri gen çıkarımı için çalışmaya uygun hale getirilmiştir. Hazırlanan bu gen ekspresyon ifadeleri üzerinden istatistiksel ve makine öğrenmesi yöntemleri kullanılarak analizler gerçekleştirilmiş ve hedef gen çıkarımı sağlanmıştır.

Anahtar Kelimeler

• Mikrodizi
• makine öğrenmesi
• hedef gen çıkarımı
• gen ekspresyon analizi

Machine Learning Based Microarray Data Analysis For Target Gene Inference

Öz

Microarray technology is used to detect differences in gene expression. This technology contributes to many fields, from drug development processes to the improvement of treatment procedures. In this study, microarray analysis was performed on datasets related to the effect of chronic hypoxia treatment on the mouse brain and the effect of oxidative stress on the genes of mouse neurons. Two different publicly accessible microarray datasets were used in the study, and machine learning methods were employed. The first step involved downloading the datasets, followed by preprocessing and normalization. These steps made the datasets suitable for gene extraction. Statistical and machine learning methods were applied to the prepared gene expression profiles, leading to the inference of target genes.

Anahtar Kelimeler

• Microarray
• machine learning
• target gene inference

Kaynakça

1. Yıldız Çavdar Z., Ensari T., Türker Şener L., Sertbaş A. Makine Öğrenmesi Tabanlı Mikrodizi Tekniği ile MikroRNA Hedef Tahmini: Araştırma Çalışması, Avrupa Bilim ve Teknoloji Dergisi, 2022, pp. 39-45.
2. Cordero F., Botta M., Calogero R.A. Microarray data analysisand mining approaches, Briefings in Functional Genomics and Proteomics, 2008, pp. 265-281.
3. Illumina BeadStudio, https://www.illumina.com (Erişim Tarihi: 22.05.2024).
4. Gunderson K.L., Kruglyak S., Graige M.S., Garcia F., Kermani B.G., Zhao C., Che D., Dickinson T., Wickham E., Bierle J., Doucet D., Milewski M., Yang R., Siegmund C., Haas J., Zhou L., Oliphant A., Fan J.B., Barnard S., Chee M.S. Decoding Randomly Orderek DNA Arrays, Genome Research, 2004, pp. 870-877.
5. Wang Y., Mooradian A., Cheng Y. High-throughput SNP genotyping using the BeadArray technology, microarray data analysis and mining approaches, Genomics, 2008, pp.99-110.
6. Bibikova M., Fan J.B. Genome-wide DNA methylation profiling using Infinium assay, Epigenomics, 2006, pp.177-200.
7. Steemers F.J., Chang W., Lee G. Whole-genome genotyping with the singe-base extension assay, Nature Methods, pp.851-856.
8. Gunderson K.L., Steemers F.J., Lee G. A genome-wide scalable SNP genotyping assay using microarray technology, Genomics, 2004, pp.549-554.

9. National Center of Biotechnology Information, https://ncb.nlm.nih.gov (Erişim Tarihi: 22.05.2024).
10. R Programlama Dili, https://www.r-project.org/ (Erişim Tarihi: 22.05.2024).
11. Bioconductor, https://www.bioconductor.org/ (Erişim Tarihi: 22.05.2024).
12. GEO GSE8262 Veri Kümesi, https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE8262 (Erişim Tarihi: 22.05.2024).
13. GEO GSE10470 Veri Kümesi, https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE10470 (Erişim Tarihi: 22.05.2024).
14. Zhou D., Wang J., Zapala M.A., Xue J., Schork N.J., Haddad G.G. Gene expression in mouse brain following chronic hypoxia: role of sarcospan in glial cell death, Physiol Genomics, 2008, pp. 370-379.
15. Wang H., Yang T., Sun J., Zhang S., Liu S. SENP1 modulates microglia-mediated neuroinflammation toward intermittent hypoxia-induced cognitive decline through the de-SUMOylation of NEMO, Journal of Cellular and Molecular Medicine, 2021, pp. 6463-7099.
16. Wang H., Wang X., Shen Y., Wang Y., Yang T., Sun J., Liu S. SENP1 modulates chronic intermittent hypoxia-induced inflammation of microglia and neuronal injury by inhibiting TOM1 pathway, International Immunopharmacology, 2023, pp. 1-13.
17. Lange P.S., Chavez J.C., Pinto J.T., Coppola G., Sun C.W., Townes T.M., Geschwind D.H., Ratan R.R. ATF4 is an oxidative stress-inducible, prodeath transcription factor in neurons in vitro and in vivo, The Journal of Exprerimental Medicine, 2008, pp. 1227-1242.
18. [18] Woo M.S., Ufer F., Rothammer N., Liberto G.D., Binkle L., Haferkamp U., Sonner J.K., Engler J.B., Hornig S., Bauer S., Wagner I., Egervari K., Raber J., Duvoisin R.M., Pless O., Merkler D., Friese M.A. Neuronal metabotropic glutamate receptor 8 protects against neurodegeneration in CNS inflammation, The Journal of Exprerimental Medicine, 2021, pp. 1-30.
19. Bloomingdale P., Meregalli C., Pollard K., Canta A., Chiorazzi A., Fumagalli G., Monza L., Pozzi E., Alberti P., Ballarini E., Oggioni N., Carlson L., Liu W., Ghandili M., Ignatowski T.A., Lee K.P., Moore M.J., Cavaletti G., Mager D.E. Systems Pharmacology Modeling Identifies a Novel Treatment Strategy for Bortezomib-Induced Neuropathic Pain, Frontiers in Pharmacology, 2022, pp. 1-16.
20. Zhao Y., Wong L., Goh W.W.B. How to do quantile normalization correctly for gene expression data analyses. Scientific Reports, 2020, pp. 1-11.
21. Bolstad B.M., Irizarry R.A., Astrand M., Speed T.P. A comparison of normalization methods for high-density oligonucleotide array data based on variance and bias. Bioinformatics, 2003, pp. 185-193.
22. Irizarry R.A., Hobbs B., Collin F., Beazer-Barclay Y.D., Antonellis K.J., Scherf U., Speed T.P. Exploration, normalization, and summaries of high-density oligonucletotide array probe level data. Biostatistics, 2003, pp. 249-264.
23. Smyth G.K., Spped T., W.W.B. Normalization of cDNA microarray data. Methods, 2003, pp. 265-273.
24. Phipson B., Lee S., Majewski I.J., Alexander W.S., Smyth G.K. Robust Hyperparameter Estimation Protects Against Hypervariable Genes and Improves Power to Detect Differential Expression. The Annals of Applied Statistics, 2016, pp. 946-963.
25. Aubert J., Bar-Hen A., Daudin J.J., Robin S. Determination of the differentially expressed genes in microarray experiments using local FDR. BMC Bioinformatics, 2004.
26. Pawitan Y., Michiels S., Koscielny S., Gusnanto A. Ploner A. False discovery rate, sensitivity and sample size for microarray studies. Bioinformatics, 2005, pp. 3017-3024.
27. Schena M., Shalon D., Davis R.W., Brown P.O. Quantitative monitoring of gen expression patterns with a complementary DNA microarray. Science, 1995, pp. 467-470.
28. Lockhart D.J., Winzeler E.A. Genomics, gene expression and DNA arrays. Nature, 2000, pp. 827-836.
29. Alizaden A.A., Eisen M.B., Davis R.E., Ma C., Lossos I.S., Rosenwald A., Staudt L.M. Distinct types of diffuse large B-cell lymphoma identified by gene expression profiling. Nature, 2000, pp. 503-511.
30. Irizarry R.A., Hobbs B., Collin F., Beazer Barclay Y.D., Antonellis K.J., Scherf U., Speed T.P. Exploration, normalization, and summaries of high-density oligonucleotide array probe level data. Biostatistics, 2003, pp. 249-264.
31. Golub T.R., Slonim D.K., Tamayo P., Huard C., Gaasenbeek M., Mesirov J.P., Lander E.S. Molecular classification of cancer: clas discovery and class prediction by gene expression monitoring. Science, 1999, pp. 531-537.
32. Van’t Veer L.J., Dai H., Van de Vijver M.J., He Y.D., Hart A.A., Mao M., Friend S.H. Gene expression profiling predicts clinical outcome of breast cancer. Nature, 2002, pp. 530-536.