SAYISAL HARİTALAMA TEKNİKLERİ VE FOURIER DÖNÜŞÜMÜ KULLANILARAK DNA DİZİLİMLERİNİN SINIFLANDIRILMASI

Bir DNA diziliminde bulunan bazların bir araya gelerek oluşturdukları kombinasyonlar, o DNA dizilimindeki bir gene karşılık gelir ve bu genlerden de RNA kopya dizilimleri çıkarılır. Kopyalanan bu RNA’lar oluşurken genin baz dizilimi baştan sona tümüyle okunmaz, bir kısım dizilimin okunmasından ve RNA kopyasının çıkartılmasından sonra uzun bir bölüm okunmadan atlanır ve başka bir bölüme geçilir sonra kalınan yerden devam edilir. Genlerin okunmayan ve kodlanmayan bu bölümüne intron, kodlanan kısımlarına ise ekson denir. Bir DNA dizilimindeki protein nerede, ne kadar kodlanır? Büyüme ve gelişme nerede düzenlenir? Kök hücreler nerede başka hücreye dönüştürülür? Hücreler hangi durumlarda çoğaltılır? Tüm bu soruların cevabı ve kanser gibi genetik hastalıkların araştırılması DNA dizilimlerinin ekson ve intron olarak sınıflandırmasıyla mümkündür.

Bu makale çalışmasının amacı, bir DNA diziliminin ekson ve intron olarak sınıflandırılmasında farklı sayısal haritalama tekniklerinin performanslarını karşılaştırmaktır. Bu amaç doğrultusunda insan türünün MEFV genine ait DNA dizilimleri, 9 farklı haritalama tekniği ile sayısal dizilere dönüştürülmüştür. Dönüştürülen bu sayısal dizileri ekson ve intron olarak sınıflandırmak için Ayrık Fourier Dönüşümü Yöntemi kullanılmıştır. Ayrık Fourier Dönüşümü yönteminde 4 farklı pencereleme fonksiyonu kullanılmış ve bu pencereleme fonksiyonlarının da sınıflandırma başarımı üzerinde etkileri karşılaştırılmıştır. Ayrıca Fourier tabanlı yöntemle elde edilen sonuçlar makine öğrenme tabanlı Destek Vektör Makineleri ve K-En yakın komşu algoritması yöntemleri ile karşılaştırılmıştır. Ayrık Fourier Dönüşümü yönteminin İnteger haritalama tekniği ile %96,2 sınıflandırma başarım oranıyla diğer makine öğrenme yöntemlerine göre yüksek olduğu açıkça görülmektedir. Uygulama sonucunda Tamsayı Tekniği ve Paired Numerik Tekniği 4 pencereleme fonksiyonunda diğer sayısal tekniklere göre daha yüksek sınıflandırma performansı göstermiştir. Ayrıca Hamming pencereleme fonksiyonunda sınıflandırma başarısı diğer pencereleme fonksiyonlarından daha yüksek çıkmıştır.