Lösemi hastalığının temel türlerinden ALL ve KML malignitelerinin grafik sinir ağları ve bulanık mantık algoritması ile sınıflandırılması

Yıl 2023, Cilt: 38 Sayı: 2, 707 - 720, 07.10.2022

Fatma Akalın , Nejat Yumuşak

https://doi.org/10.17341/gazimmfd.1022624

Cited By: 4

Öz

Beyaz kan hücresi kanseri olan lösemi, yaşam kalitesini düşüren ve ilerleyen aşamalarda ölüme sebep olabilen maliyeti yüksek bir malignitedir. Farklı yaş gruplarında görülebilen bu hastalığın erken ve doğru teşhisinin sağlanması tedavi sürecini etkilemekte ve hastalığın ilerlemesini engellemektedir. Bu çalışmada löseminin temel türlerinden olan ALL ve KML malignitelerinin sınıflandırılması amaçlanmıştır. Genetik temelli maligniteler olan bu türlerin ayırt edilmesinde DNA’da bir mutasyon sonucunda beliren BCR-ABL geni analiz edilmiştir. Tıp dünyasında BCR-ABL geni üzerinden mevcut türlerin ayırt edilmesi hususunda PCR tekniği kullanılarak değerlendirmeler yapılabilmektedir. Teşhis ve tedavi sürecindeki maliyetin ve zamanın indirgenmesi amacıyla disiplinlerarası çalışmalar da mevcuttur . İki aşamadan oluşan bu çalışmanın ilk aşamasında farklı nükleotit uzunluklarına sahip ALL ve KML DNA dizilimlerinin spektral yoğunluk bilgisi sinyal işleme teknikleri kullanılarak spektogramlara yansıtılmıştır. Ardından CNN ve GNN teknolojilerinin hibrit yaklaşımı olan DGCNN teknolojisi ile ALL ve KML malignitelerine ait spektogramlar sınıflandırılmıştır. Ancak nükleotitlerin farklı uzunluklarda olmasından dolayı spektogramlar üzerinde net ifadeler elde edilememiştir. Çalışmanın ikinci aşamasında farklı uzunluklara sahip DNA dizilimleri, kodon dağılımlarının esas alındığı entropi temelli haritalama tekniği ile sayısallaştırılmıştır. Sayısallaştırılan bu dizilimler üzerinden çıkarılan istatiktiksel ve yapısal özellikler uyarlanabilir bulanık mantık algoritması ile sınıflandırılarak nükleotit uzunluğundan bağımsız bir çalışma gerçekleştirilmiştir. Böylece KML ve ALL malignitelerinin sınıflandırılmasında %80’lik bir başarı düzeyi yakalanmıştır.

Anahtar Kelimeler

DNA dizilimleri, Entropi tabanlı/geleneksel haritalama teknikleri, Sayısal sinyal işleme metotları, DGCNN yaklaşımı, Uyarlanabilir Bulanık Mantık Algoritması

Kaynakça

• [1] Aydın G., Quercetinin KML kök hücreleri üzerine sitotoksik etkilerinin moleküler düzeyde incelenmesi, Yüksek Lisans Tezi, Erciyes Üniversitesi, Sağlık Bilimleri Enstitüsü, Kayseri, 2017
• [2] https://www.healthline.com/health/leukemia#treatment.
• [3] Arslan S, KML ve ALL tanılı hastalarada BCR / ABL füzyon geni mutasyonlarının taranması,Eskişehir Osmangazi Üniversitesi, Sağlık Bilimleri Enstitüsü, Eskişehir, 2014.
• [4] Kitamura H. et al., A new highly sensitive real-time quantitative-PCR method for detection of BCR-ABL1 to monitor minimal residual disease in chronic myeloid leukemia after discontinuation of imatinib, PLoS One, 14(3), 1–13, 2019, doi: 10.1371/journal.pone.0207170.
• [5] https://medlineplus.gov/lab-tests/bcr-abl-genetic-test/.
• [6] Paiva A. S. et al., Detection of the BCR-ABL Gene By the Real-Time PCR Method in Patients with Chronic Myeloid Leukemia in Rio Grande Do Norte, Brazil, Blood, 132(1), pp. 5432–5432, 2018, doi: 10.1182/blood-2018-99-118853.
• [7] Smitalova D., Dvorakova D., Racil Z., and Romzova M., Digital PCR can provide improved BCR-ABL1 detection in chronic myeloid leukemia patients in deep molecular response and sensitivity of standard quantitative methods using EAC assays, Practical Laboratory Medicine, 25, 2021, doi: 10.1016/j.plabm.2021.e00210.
• [8] Uzoma I. and Nna E., Detectıon and quantıtatıon of bcr-abl1 fusıon gene ın salıva of chronıc myeloıd leukaemıc patıents ın nıgerıa, Proceedings - 2017 IEEE International Conference on Bioinformatics and Biomedicine, BIBM 2017, 2017.
• [9] Yang R., Paparini A., Monis P., and Ryan U., Comparison of next-generation droplet digital PCR (ddPCR) with quantitative PCR (qPCR) for enumeration of Cryptosporidium oocysts in faecal samples, International Journal for Parasitology., 44(14),1105–1113, 2014, doi: 10.1016/j.ijpara.2014.08.004.
• [10] Maier J., Lange T., Cross M., Wildenberger K., Niederwieser D., and Franke G. N., Optimized Digital Droplet PCR for BCR-ABL, Journal of Molecular Diagnostics,21(1),27–37, 2019, doi: 10.1016/j.jmoldx.2018.08.012.
• [11] Jennings L. J., George D., Czech J., Yu M., and Joseph L., Detection and quantification of BCR-ABL1 fusion transcripts by droplet digital PCR, Journal of Molecular Diagnostics,16(2),174–179, 2014, doi: 10.1016/j.jmoldx.2013.10.007.
• [12] Khodaei A., Feizi-Derakhshi M. R., and Mozaffari-Tazehkand B., A pattern recognition model to distinguish cancerous DNA sequences via signal processing methods, Soft Computing, 24(21),16315–16334, 2020, doi: 10.1007/s00500-020-04942-4.
• [13] Chakraborty S. and Gupta V., DWT based cancer identification using EIIP, Proceedings - 2016 2nd International Conference on Computational Intelligence and Communication Technology, CICT 2016, 718–723, 2016, doi: 10.1109/CICT.2016.148.
• [14] Liu D. W. et al., Automated detection of cancerous genomic sequences using genomic signal processing and machine learning, Future Generation Computer Systems, 98,233–237, 2019, doi: 10.1016/j.future.2018.12.041.
• [15] Das J. and Barman S., Bayesian Fusion in Cancer Gene Prediction, International Journal of Computer Application, 5–10, 2014.
• [16] Wang B., Mohl J., and Leung M. Y., Computational Prediction of Functional Effects for Cancer Related Genetic Sequence Variants, Proceedings - 2020 IEEE International Conference on Bioinformatics and Biomedicine, BIBM 2020, 2999–3001, 2020, doi: 10.1109/BIBM49941.2020.9313326.
• [17] Sawyer E., Banuelos M., Marcia R. F., and Sindi S., A Neural Network Approach for Anomaly Detection in Genomic Signals, 2020 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference, APSIPA ASC 2020 - Proceedings, 968–971, 2020.
• [18] Saini S. and Dewan L., Application of discrete wavelet transform for analysis of genomic sequences of Mycobacterium tuberculosis, SpringerPlus, 5(1),1–15, 2016, doi: 10.1186/s40064-016-1668-9.
• [19] Gayathri T. T., Analysis of Genomic sequences for prediction of Cancerous cells using Wavelet technique, International Research Journal of Engineering and Technology(IRJET), 4(4),1071–1077, 2017.
• [20] Zhao Y. et al., Uncovering the prognostic gene signatures for the improvement of risk stratification in cancers by using deep learning algorithm coupled with wavelet transform, BMC Bioinformatics, 21(1),1–24, 2020, doi: 10.1186/s12859-020-03544-z.
• [21] Ghosh A. and Barman S., Prediction of Prostate Cancer Cells based on Principal Component Analysis Technique, Procedia Technology,10,37–44, 2013, doi: 10.1016/j.protcy.2013.12.334.
• [22] Muflikhah L., Widodo N., Mahmudy W. F, and Solimun, Prediction of Liver Cancer Based on DNA Sequence Using Ensemble Method, 2020 3rd International Seminar on Research of Information Technology and Intelligent Systems, ISRITI 2020,37–41, 2020, doi: 10.1109/ISRITI51436.2020.9315341.
• [23] Das J. and Barman S., DSP based entropy estimation for identification and classification of Homo sapiens cancer genes, Microsystem Technologies, 23(9),4145–4154, 2017, doi: 10.1007/s00542-016-3056-3.
• [24] Yu N., Li Z., and Yu Z., Survey on encoding schemes for genomic data representation and feature learning-from signal processing to machine learning, Big Data Mining and Analytics,1(3),191–210, 2018, doi: 10.26599/BDMA.2018.9020018.
• [25]Das B., DNA dizilimlerinden hastalık tanılanması için işaret işleme temelli yeni yaklaşımların geliştirilmesi, Doktora Tezi, Fırat Üniversitesi, Fen Bilimleri Üniversitesi,Elazığ,2018
• [26] Abo-Zahhad M., Ahmed S. M., and Abd-Elrahman S. A., Genomic Analysis and Classification of Exon and Intron Sequences Using DNA Numerical Mapping Techniques, International Journal of Information Technology and Computer Science, 4(8), 22–36, 2012, doi: 10.5815/ijitcs.2012.08.03.
• [27] Ahmadi H. R., Mahdavi N., and Bayat M., A novel damage identification method based on short time Fourier transform and a new efficient index, Structures, 33, 3605–3614, 2021, doi: 10.1016/j.istruc.2021.06.081.
• [28] Fidan H. Dalgacık dönüşümü tekniği ile motor arıza tespiti, Yüksek Lisans Tezi, Süleyman Demirel Üniversitesi, Fen Bilimleri Üniversitesi, Isparta 2006
• [29] Avci K. and Coskun O., Spectral performance analysis of cosh window based new two parameter hybrid windows, 26th IEEE Signal Processing and Communications Applications Conference, SIU 2018, 1–4, 2018, doi: 10.1109/SIU.2018.8404812.
• [30] Xia Y., Johnson B. K., Jiang Y., Fischer N., and Xia H., A new method based on artificial neural network, Wavelet Transform and Short Time Fourier Transform for Subsynchronous Resonance detection, International Journal of Electrical Power and Energy Systems,103, 377–383, 2018, doi: 10.1016/j.ijepes.2018.06.019.
• [31] Valizadeh M., Sohrabi M., Ameri Braki Z., Rashidi R., and Pezeshkpur M., Investigation of spectrophotometric simultaneous absorption of Salmeterol and Fluticasone in Seroflo spray by continuous wavelet transform and radial basis function neural network methods, Spectrochimica Acta - Part A: Molecular and Biomolecular Spectroscopy, 263, 2021, doi: 10.1016/j.saa.2021.120192.
• [32] Volkan Öner İ., Yeşilyurt K., and Yilmaz E. Ç., Wavelet Anali̇z Tekni̇ği̇ Ve Uygulama Alanları, Ordu Üniv. Bil. Tek. Derg, 7(1), 42–56, 2017
• [33] National Center for Biotechnology Information, https://www.ncbi.nlm.nih.gov.
• [34] Zhang M., Cui Z., Neumann M., and Chen Y., An end-to-end deep learning architecture for graph classification, 32nd AAAI Conference on Artificial Intelligence, AAAI 2018, 4438–4445, 2018.
• [35] Wu Z., Pan S., Chen F., Long G., Zhang C., and Yu P. S., A ComprehensivAe Survey on Graph Neural Networks, IEEE Transactions on Neural Networks and Learning Systems.,32(1), 4–24, 2021, doi: 10.1109/TNNLS.2020.2978386.
• [36] Wang S. H., Govindaraj V.V., Górriz J. M., Zhang X., and Zhang Y. D., Covid-19 classification by FGCNet with deep feature fusion from graph convolutional network and convolutional neural network’, Information Fusion, 67,208–229, 2021, doi: 10.1016/j.inffus.2020.10.004.
• [37] Raza K., Fuzzy logic based approaches for gene regulatory network inference, Artificial Intelligence in Medicine, 97, 189–203, 2019, doi: 10.1016/j.artmed.2018.12.004.
• [38]Thakur N. and Juneja M., Classification of glaucoma using hybrid features with machine learning approaches, Biomedical Signal Processing and Control, 62, 2020, doi: 10.1016/j.bspc.2020.102137.
• [39] MATLAB, https://www.mathworks.com/help/.
• [40] https://en.wikipedia.org/wiki/Group_method_of_data_handling.
• [41] Ivakhnenko A. G., Polynomial theory of complex systems. IEEE transactıons on systems, man, and cybernetıcs, 1(4), pp. 364–378, 1971.
• [42]Mahdevari S. and. Khodabakhshi M. B, A hybrid PSO-ANFIS model for predicting unstable zones in underground roadways, Tunnelling and Underground Space Technology,117, 2021, doi: 10.1016/j.tust.2021.104167.
• [43] Das B. and Türkoglu I., Sayisal haritalama teknikleri ve Fourier dönüsümü kullanılarak DNA dizilimlerinin siniflandirilmasi, Journal of the Faculty of Engineering and Architecture of Gazi University, 31(4), 921–932, 2016, doi: 10.17341/gazimmfd.278447.
• [44] Wang X. and Gotoh O., Cancer classification using single genes., International Conference on Genome Informatics,23(1),179–188, 2009, doi: 10.1142/9781848165632_0017.
• [45] Ghorai S., Mukherjee A., and Dutta P. K., Gene Expression Data Classification by VVRKFA, Procedia Technology, 4, 330–335, 2012, doi: 10.1016/j.protcy.2012.05.050.
• [46] Maulik U. and Chakraborty D., Fuzzy preference based feature selection and semisupervised SVM for cancer classification, IEEE Transactions on Nanobioscience, 13(2), 152–160, 2014, doi: 10.1109/TNB.2014.2312132.
• [47] Begum S., Sarkar R., Chakraborty D., Sen S., and Maulik U., Application of active learning in DNA microarray data for cancerous gene identification, Expert Systems with Applications, 177, 2021, doi: 10.1016/j.eswa.2021.114914.
• [48] Ocampo-Vega R., Sanchez-Ante G., De Luna M. A., Vega R., Falcón-Morales L. E., and Sossa H., Improving pattern classification of DNA microarray data by using PCA and Logistic Regression, Intelligent Data Analysis., 20, 2016, doi: 10.3233/IDA-160845.
• [49] Chen Y. and Zhao Y., A novel ensemble of classifiers for microarray data classification, Applied Soft Computing Journal, 8(4),1664–1669, 2008, doi: 10.1016/j.asoc.2008.01.006.
• [50] Wang X. and Simon R., Microarray-based cancer prediction using single genes, BMC Bioinformatics, 12, 2011, doi: 10.1186/1471-2105-12-391.
• [51] Khorshed T., Moustafa M. N., and Rafea A., Learning Visualizing Genomic Signatures of Cancer Tumors using Deep Neural Networks, Proceedings of the International Joint Conference on Neural Networks, 2020, doi: 10.1109/IJCNN48605.2020.9207368.
• [52] Wu Z., Pan S., Chen F., Long G., Zhang C., and Yu P. S., A Comprehensive Survey on Graph Neural Networks, IEEE Transactions on Neural Networks and Learning Systems, 32(1), 4–24, 2021, doi: 10.1109/TNNLS.2020.2978386.