Öz
Östrojen reseptör alfa (ERα), hücre büyümesi ve çoğalması gibi süreçlerde görev alan bir proteindir; ancak meme kanserlerinin %70'inde aşırı bulunması nedeniyle önemli bir araştırma konusudur. ERα inhibitörleri bu proteinin aktivitesini engelleyerek kanser hücrelerinin büyümesini durdurur. Geleneksel ilaç keşif yöntemleri zaman ve maliyet açısından dezavantajlıdır. ERα inhibitörlerinin keşfi için literatürde çeşitli yaklaşımlar mevcuttur. Bu nedenle, çalışmada ERα inhibitörlerinin keşfi için makine öğrenmesi tabanlı Kantitatif Yapı-Aktivite İlişkisi (Quantitative Structure-Activity Relationship - QSAR) yaklaşımı tercih edilmiştir. Bu çalışmada, geniş kimyasal veri setlerinden yapı-aktivite ilişkilerini çıkarma kapasitesi ve yüksek verimli tarama imkanı sunması nedeniyle makine öğrenmesi tabanlı QSAR yaklaşımı tercih edilmiştir. Bu yöntem, moleküllerin kimyasal yapısal özelliklerini sayısal tanımlayıcılarla ifade ederek biyolojik aktivitelerini tahmin etmeye olanak sağlar. Veri kaynağı olarak, yaygın kullanımı, yüksek veri kalitesi ve önceki çalışmalarla karşılaştırma imkanı sunması nedeniyle ChEMBL206 hedef tanımlayıcısı seçilmiştir. Elde edilen moleküller IC50 değerlerine göre sınıflandırılmış, Lipinski kurallarıyla kimyasal uzay dağılımları analiz edilmiştir. Ardından PADEL programı ile 3053 molekül için 3153 moleküler tanımlayıcı hesaplanmıştır. Özellik önemi analizinde, PubchemFP667 ve PubchemFP527 gibi parmak izlerinin ve LightGBM modelinde öne çıkan APC2D atom çifti tanımlayıcılarının ERα engellemesinde kritik rol oynadığı görülmüştür. Geliştirilen modeller %94'ün üzerinde doğruluk, %90 civarında duyarlılık, %95'in üzerinde özgüllük ve 0.97'nin üzerinde AUC değeriyle üstün performans göstermiştir. Bu çalışma, yüksek doğruluk oranıyla ERα inhibitörlerinin aktivitesinin tahmin edilebileceğini göstererek ilaç keşif sürecinin verimliliğine katkı sağlamaktadır.
Anahtar Kelimeler
Östrojen reseptör alfa (ERα) Sınıflandırma tabanlı QSAR Makine öğrenmesi Özellik önemi İnhibitör aktivitesi tahmini
Kaynakça
- Al-Thanoon, N. A., Qasim, O. S., Algamal, Z. Y., 2019. A new hybrid firefly algorithm and particle swarm optimization for tuning parameter estimation in penalized support vector machine with application in chemometrics. Chemometrics and Intelligent Laboratory Systems, 184, 142–152.
- Ali, S., Coombes, R. C., 2002. Endocrine-responsive breast cancer and strategies for combating resistance. Nature Reviews Cancer, 2(2), 101–112.
- Anderson, E., 2002. The role of oestrogen and progesterone receptors in human mammary development and tumorigenesis. Breast Cancer Research, 4(5), 197–201.
- Arciniegas, F., Bennett, K., Breneman, C., Embrechts, M. J., 2000. Molecular database mining using self-organizing maps for the design of novel pharmaceuticals. In Intelligent Engineering Systems through Artificial Neural Networks: Smart Engineering System Design, 10, 477–481.
- Breiman, L., 1996. Bagging predictors. Machine Learning, 24(2), 123–140.
- Breiman, L., 2001. Random forests. Machine Learning, 45(1), 5–32.
- Byvatov, E., Fechner, U., Sadowski, J., Schneider, G., 2003. Comparison of support vector machine and artificial neural network systems for drug/nondrug classification. Journal of Chemical Information and Computer Sciences, 43(6), 1082–1089.
- Carracedo-Reboredo, P., Liñares-Blanco, J., Rodríguez- Fernández, N., Cedrón, F., Novoa, F. J., Carballal, A., Maojo, V., Pazos, A., Fernandez-Lozano, C., 2021. A review on machine learning approaches and trends in drug discovery. Computational and Structural Biotechnology Journal, 19, 4538-4558.
- Chen, T., Guestrin, C., 2016. XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794.
- Deroo, B. J., Korach, K. S., 2006. Estrogen receptors and human disease. Journal of Clinical Investigation, 116(3), 561–570.
- DiMasi, J. A., Grabowski, H. G., Hansen, R. W., 2016. Innovation in the pharmaceutical industry: New estimates of R&D costs. Journal of Health Economics, 47, 20-33.
- Gaulton, A., Hersey, A., Nowotka, M., Bento, A. P., Chambers, J., Mendez, D., Leach, A. R., 2017. The ChEMBL database in 2017. Nucleic Acids Research, 45(D1), D945–D954.
- Geurts, P., Ernst, D., Wehenkel, L., 2006. Extremely randomized trees. Machine Learning, 63(1), 3–42.
- Gümüştaş, E. and Çakmak Pehlivanlı, A.Ç., 2021. In-silico mutajenisite tahmininde istatistiksel öğrenme modeli. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 25(2), 365–370.
- Huang, P., Chandra, V., Rastinejad, F., 2010. Structural overview of the nuclear receptor superfamily: insights into physiology and therapeutics. Annual Review of Physiology, 72, 247–272.
- Jensen, E. V., Jordan, V. C., 2003. The estrogen receptor: a model for molecular medicine. Clinical Cancer Research, 9(6), 1980–1989.
- Jordan, V. C., 2003. Targeting anti-hormone resistance in breast cancer: a simple solution. Annals of Oncology, 14(7), 969–970.
- Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., Liu, T. Y., 2017. LightGBM: A highly efficient gradient boosting decision tree. Advances in Neural Information Processing Systems (NIPS 2017), 30, 3146-3154.
- Krippendorff, B. F., Lienau, P., Reichel, A., Huisinga, W., 2007. Optimizing classification of drug-drug interaction potential for CYP450 isoenzyme inhibition assays in early drug discovery. Journal of Biomolecular Screening, 12(1), 92–99.
- LeCun, Y., Bengio, Y., Hinton, G., 2015. Deep learning. Nature, 521, 436-444.
- Lipinski, C. A., 2004. Lead- and drug-like compounds: the rule-of-five revolution. Drug Discovery Today: Technologies, 1(4), 337-341.
- Lipinski, C. A., Lombardo, F., Dominy, B. W., Feeney, P. J., 2001. Experimental and computational approaches to estimate solubility and permeability in drug discovery and development settings. Advanced Drug Delivery Reviews, 46(1-3), 3–26.
- Musgrove, E. A., Sutherland, R. L., 2009. Biological determinants of endocrine resistance in breast cancer. Nature Reviews Cancer, 9(9), 631–643.
- Qasim, O. S., Algamal, Z. Y., 2018. Feature selection using particle swarm optimization-based logistic regression model. Chemometrics and Intelligent Laboratory Systems, 182, 41-46.
- Sakri, S. B., Abdul Rashid, N. B., Muhammad Zain, Z., 2018. Particle swarm optimization feature selection for breast cancer recurrence prediction. IEEE Access, 6, 29637-29647.
- Sebaugh, J. L., 2011. Guidelines for accurate EC50/IC50 estimation. Pharmaceutical Statistics, 10(2), 128–134.
- Shaker, B., Ahmad, S., Lee, J., Jung, C., Na, D., 2021. In silico methods and tools for drug discovery. Computational Biology in Medicine, 137, 104851.
- Sliwoski, G., Kothiwale, S., Meiler, J., Lowe, E. W., 2013. Computational methods in drug discovery. Pharmacological Reviews, 66(1), 334–395.
- Sokolova, M., Japkowicz, N. & Szpakowicz, S., 2006. Beyond Accuracy, F Score and ROC: A Family of Discriminant Measures for Performance Evaluation. In: A. Sattar & B. Kang, eds., AI 2006: Advances in Artificial Intelligence, Lecture Notes in Computer Science, vol. 4304, Springer, Berlin Heidelberg, 1015–1021.
- Wagener, M., Van Geerestein, V. J., 2000. Potential drug and non-drugs: prediction and identification of important structural features. Journal of Chemical Information and Computer Sciences, 40(2), 280–292.
- Yap, C. W., 2011. PaDEL-descriptor: An open-source software to calculate molecular descriptors and fingerprints. Journal of Computational Chemistry, 32(7), 1466–1474.
- Zhang, J. H., Chung, T. D., Oldenburg, K. R., 2000. Confirmation of primary active substances from high throughput screening of chemical and biological populations: a statistical approach and practical considerations. Journal of Combinatorial Chemistry, 2(3), 258–265.
Öz
Estrogen receptor alpha (ERα) is a protein that plays a role in processes such as cell growth and proliferation; however, it has become an important research topic due to its overexpression in 70% of breast cancers. ERα inhibitors stop the growth of cancer cells by blocking the activity of this protein. Traditional drug discovery methods are disadvantageous in terms of time and cost. Various approaches exist in the literature for the discovery of ERα inhibitors. Therefore, a machine learning-based Quantitative Structure-Activity Relationship (QSAR) approach was preferred in this study for the discovery of ERα inhibitors. In this study, a machine learning-based QSAR approach was preferred due to its capacity to extract structure-activity relationships from large chemical datasets and its ability to provide high-throughput screening opportunities. This method enables the prediction of biological activities by expressing the chemical structural properties of molecules through numerical descriptors. The ChEMBL206 target identifier was selected as the data source due to its widespread use, high data quality, and the opportunity for comparison with previous studies. The obtained molecules were classified according to their IC50 values, and their chemical space distributions were analyzed using Lipinski rules. Subsequently, 3153 molecular descriptors were calculated for 3053 molecules using the PADEL program. Feature importance analysis revealed that fingerprints such as PubchemFP667 and PubchemFP527, as well as APC2D atom pair descriptors that stood out in the LightGBM model, played critical roles in ERα inhibition. The developed models demonstrated superior performance with accuracy above 94%, sensitivity around 90%, specificity above 95%, and AUC values above 0.97. This study contributes to the efficiency of the drug discovery process by demonstrating that the activity of ERα inhibitors can be predicted with high accuracy rates.
Anahtar Kelimeler
Estrogen receptor alpha (ERα) Classification based-QSAR Machine learning Feature importance Inhibitor activity prediction
Kaynakça
- Al-Thanoon, N. A., Qasim, O. S., Algamal, Z. Y., 2019. A new hybrid firefly algorithm and particle swarm optimization for tuning parameter estimation in penalized support vector machine with application in chemometrics. Chemometrics and Intelligent Laboratory Systems, 184, 142–152.
- Ali, S., Coombes, R. C., 2002. Endocrine-responsive breast cancer and strategies for combating resistance. Nature Reviews Cancer, 2(2), 101–112.
- Anderson, E., 2002. The role of oestrogen and progesterone receptors in human mammary development and tumorigenesis. Breast Cancer Research, 4(5), 197–201.
- Arciniegas, F., Bennett, K., Breneman, C., Embrechts, M. J., 2000. Molecular database mining using self-organizing maps for the design of novel pharmaceuticals. In Intelligent Engineering Systems through Artificial Neural Networks: Smart Engineering System Design, 10, 477–481.
- Breiman, L., 1996. Bagging predictors. Machine Learning, 24(2), 123–140.
- Breiman, L., 2001. Random forests. Machine Learning, 45(1), 5–32.
- Byvatov, E., Fechner, U., Sadowski, J., Schneider, G., 2003. Comparison of support vector machine and artificial neural network systems for drug/nondrug classification. Journal of Chemical Information and Computer Sciences, 43(6), 1082–1089.
- Carracedo-Reboredo, P., Liñares-Blanco, J., Rodríguez- Fernández, N., Cedrón, F., Novoa, F. J., Carballal, A., Maojo, V., Pazos, A., Fernandez-Lozano, C., 2021. A review on machine learning approaches and trends in drug discovery. Computational and Structural Biotechnology Journal, 19, 4538-4558.
- Chen, T., Guestrin, C., 2016. XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794.
- Deroo, B. J., Korach, K. S., 2006. Estrogen receptors and human disease. Journal of Clinical Investigation, 116(3), 561–570.
- DiMasi, J. A., Grabowski, H. G., Hansen, R. W., 2016. Innovation in the pharmaceutical industry: New estimates of R&D costs. Journal of Health Economics, 47, 20-33.
- Gaulton, A., Hersey, A., Nowotka, M., Bento, A. P., Chambers, J., Mendez, D., Leach, A. R., 2017. The ChEMBL database in 2017. Nucleic Acids Research, 45(D1), D945–D954.
- Geurts, P., Ernst, D., Wehenkel, L., 2006. Extremely randomized trees. Machine Learning, 63(1), 3–42.
- Gümüştaş, E. and Çakmak Pehlivanlı, A.Ç., 2021. In-silico mutajenisite tahmininde istatistiksel öğrenme modeli. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 25(2), 365–370.
- Huang, P., Chandra, V., Rastinejad, F., 2010. Structural overview of the nuclear receptor superfamily: insights into physiology and therapeutics. Annual Review of Physiology, 72, 247–272.
- Jensen, E. V., Jordan, V. C., 2003. The estrogen receptor: a model for molecular medicine. Clinical Cancer Research, 9(6), 1980–1989.
- Jordan, V. C., 2003. Targeting anti-hormone resistance in breast cancer: a simple solution. Annals of Oncology, 14(7), 969–970.
- Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., Liu, T. Y., 2017. LightGBM: A highly efficient gradient boosting decision tree. Advances in Neural Information Processing Systems (NIPS 2017), 30, 3146-3154.
- Krippendorff, B. F., Lienau, P., Reichel, A., Huisinga, W., 2007. Optimizing classification of drug-drug interaction potential for CYP450 isoenzyme inhibition assays in early drug discovery. Journal of Biomolecular Screening, 12(1), 92–99.
- LeCun, Y., Bengio, Y., Hinton, G., 2015. Deep learning. Nature, 521, 436-444.
- Lipinski, C. A., 2004. Lead- and drug-like compounds: the rule-of-five revolution. Drug Discovery Today: Technologies, 1(4), 337-341.
- Lipinski, C. A., Lombardo, F., Dominy, B. W., Feeney, P. J., 2001. Experimental and computational approaches to estimate solubility and permeability in drug discovery and development settings. Advanced Drug Delivery Reviews, 46(1-3), 3–26.
- Musgrove, E. A., Sutherland, R. L., 2009. Biological determinants of endocrine resistance in breast cancer. Nature Reviews Cancer, 9(9), 631–643.
- Qasim, O. S., Algamal, Z. Y., 2018. Feature selection using particle swarm optimization-based logistic regression model. Chemometrics and Intelligent Laboratory Systems, 182, 41-46.
- Sakri, S. B., Abdul Rashid, N. B., Muhammad Zain, Z., 2018. Particle swarm optimization feature selection for breast cancer recurrence prediction. IEEE Access, 6, 29637-29647.
- Sebaugh, J. L., 2011. Guidelines for accurate EC50/IC50 estimation. Pharmaceutical Statistics, 10(2), 128–134.
- Shaker, B., Ahmad, S., Lee, J., Jung, C., Na, D., 2021. In silico methods and tools for drug discovery. Computational Biology in Medicine, 137, 104851.
- Sliwoski, G., Kothiwale, S., Meiler, J., Lowe, E. W., 2013. Computational methods in drug discovery. Pharmacological Reviews, 66(1), 334–395.
- Sokolova, M., Japkowicz, N. & Szpakowicz, S., 2006. Beyond Accuracy, F Score and ROC: A Family of Discriminant Measures for Performance Evaluation. In: A. Sattar & B. Kang, eds., AI 2006: Advances in Artificial Intelligence, Lecture Notes in Computer Science, vol. 4304, Springer, Berlin Heidelberg, 1015–1021.
- Wagener, M., Van Geerestein, V. J., 2000. Potential drug and non-drugs: prediction and identification of important structural features. Journal of Chemical Information and Computer Sciences, 40(2), 280–292.
- Yap, C. W., 2011. PaDEL-descriptor: An open-source software to calculate molecular descriptors and fingerprints. Journal of Computational Chemistry, 32(7), 1466–1474.
- Zhang, J. H., Chung, T. D., Oldenburg, K. R., 2000. Confirmation of primary active substances from high throughput screening of chemical and biological populations: a statistical approach and practical considerations. Journal of Combinatorial Chemistry, 2(3), 258–265.
Ayrıntılar
| Birincil Dil | İngilizce |
|---|---|
| Konular | Makine Öğrenme (Diğer), Veri Yönetimi ve Veri Bilimi (Diğer) |
| Bölüm | Araştırma Makalesi |
| Yazarlar | |
| Gönderilme Tarihi | 29 Temmuz 2025 |
| Kabul Tarihi | 29 Ocak 2026 |
| Yayımlanma Tarihi | 1 Nisan 2026 |
| DOI | https://doi.org/10.38016/jista.1753085 |
| IZ | https://izlik.org/JA39SR67ZA |
| Yayımlandığı Sayı | Yıl 2026 Cilt: 9 Sayı: 2026 |
Kaynak Göster
Amaç ve Kapsam
JISTA TR-Dizin tarafından 2019 yılından itibaren taranmaya başlamıştır.
Zeki Sistemler Teori ve Uygulamaları Dergisinin (JISTA) amacı, yapay zeka konuları ile ilgili güncel bilgilerin, uygulama sonuçlarının ve sistemlerin Türkçe veya İngilizce olarak duyurulmasına ve yaygınlaştırılmasına katkıda bulunmaktır. Bu dergide, daha önce başka yerde yayınlanmamış uygulama içeren orijinal makaleler, alan araştırmaları, örnek olay analizleri ve yapay zekanın teori ve felsefesiyle ilgili özgün makaleleri çift taraflı kör hakemlik süreçlerini kullanarak yayımlanabilmektedir. JISTA, sürekli yayın modeli altında faaliyet gösteren çevrimiçi, açık erişimli bir dergidir. Makaleler, kabul edilip yayıma hazır hale geldikçe çevrimiçi olarak yayımlanır. Dergi, Makale İşlem Ücreti (APC) talep etmemektedir.
Tüm gönderiler için, değerlendirme aşamasından önce i-Thenticate raporu oluşturulur.
Mühendislik, hizmet sistemleri, yönetim bilimleri, ekonomi ve finans gibi disiplinler ile ilgili özellikle aşağıdaki konularda makaleler kabul edilmektedir:
- Yapay Zeka teknikleri ve algoritmaları
- Karar destek sistemleri
- Olay tabanlı çıkarsama
- Belirsizlik altında çıkarsama
- Otomatik muhakeme ve çıkarsama
- Zeki arama algoritmaları
- Bilişsel konular
- Sezgisel arama
- Zeki robotlar, arayüzler ve otomasyon
- Bilgi gösterimi
- Makine öğrenmesi
- Çok etmenli sistemler
- Doğal dil işleme
- Yapay Zeka ve Kaos
- Yapay Zeka Teorisi ve Felsefesi
Yazım Kuralları
Makale yazım şablonu için tıklayınız.
Hazırlanan çalışmalarda en yüksek düzeyde kaliteye ulaşmak için yazarlar bu şablonda belirtilen kurallara uymalıdır.
Şablona uygun olarak hazırlanmayan makaleler yeniden düzenlenmesi için yazara iade edilecektir. İade edilen makaleler kurallara uygun olarak düzenlendikten sonra geri gönderilmelidir.
2. Makalenin Hazırlanması (Preparation of the Manuscript)
Makalede imla hatası olmamalı ve tamamı Türkçe ya da İngilizce olarak hazırlanmalıdır. İmla hatası bulunan, uygun olmayan kelimeler veya anlaşılmayan cümleler içeren makaleler dil açısından düzenlenmek üzere yazara iade edilecektir.
Yazı tipi olarak Times New Roman (10 punto, tek satır aralığı ve iki yana yaslı) kullanılmalıdır.
2.1. Sayfa yapısı (Page Setup)
Sayfa büyüklüğü A4 (210x297 mm) olarak ayarlanmalıdır. Sayfa kenar boşlukları şu şekilde olmalıdır:
- Üstten: 3 cm
- Alttan: 2,5 cm
- Soldan: 2 cm
- Sağdan: 2 cm.
2.2. Makale başlığı ve özeti (Paper title and abstract)
Makalenin başlığı Times New Roman yazı tipinde 18 punto, kalın ve ilk harfleri büyük olacak biçimde, 1,5 satır aralığı ile sola yaslı olarak, öncesinde 18 punto sonrasında ise 6 punto boşluk bırakılarak yazılmalıdır.
Makale yazar(lar)ının isimleri başlığın altında verilmelidir. İsim(ler) Times New Roman 11 punto, sola yaslı, tek satır aralığı ve sonrasında ise 6 punto boşluk bırakılarak yazılmalıdır.
Yazar(lar)ın iş adresi isim(ler)in altında verilmelidir. İsimden sonra ve ilgili adresten önce üst simge şeklinde bir numara verilmelidir. Adres kısmında ülke ismi ile birlikte tam posta adresi yazılmalıdır. Adres(ler) Times New Roman 9 punto, italik, iki yana yaslı, tek satır aralığında yazılmalıdır.
“Özet” başlığı Times New Roman 9 punto, kalın, sola yaslı, tek satır aralığında ve öncesinde 18 punto boşluk bırakılarak yazılmalıdır. Özet metni ise Times New Roman 9 punto, iki yana yaslı, tek satır aralığında yazılmalıdır.
Makalenin en az üç anahtar kelimesi olmalıdır. Anahtar kelimeler Times New Roman 9 punto, sola yaslı, tek satır aralığında, öncesinde 3 punto, sonrasında ise 18 punto boşluk bırakılarak yazılmalıdır.
Özet ve anahtar kelimelerden sonra makalenin başlığı, özeti ve anahtar kelimeleri İngilizce olarak verilmelidir. Bunların sağlanması yazar(lar)ın sorumluluğundadır. İngilizce makale başlığı Times New Roman 14 punto, kelimelerin ilk harfleri büyük, sola yaslı, 1,5 satır aralığında yazılmalıdır.
2.3. Bölüm başlıkları (Section titles)
Bölüm başlıkları Times New Roman yazı tipinde 12 punto, kalın ve ilk harfleri büyük olacak biçimde, tek satır aralığı ile sola yaslı olarak, öncesinde 12 punto sonrasında ise 6 punto boşluk bırakılarak yazılmalıdır.
Başlıkta “ve”, “veya”, “ile”, “de” vb. bağlaçlar büyük harfle yazılmamalıdır.
Bölüm başlık numaralarından sonra nokta kullanılmalıdır.
Bölüm başlıklarının İngilizcesi orijinal başlıktan hemen sonra parantez içerisinde Times New Roman 10 punto ve kalın olarak verilmelidir.
2.4. Alt bölüm başlıkları (Subsection titles)
Alt bölüm başlıkları Times New Roman yazı tipinde 11 punto, italik ve sadece ilk harfi büyük olacak biçimde, tek satır aralığı ile sola yaslı olarak, öncesinde 12 punto sonrasında ise 6 punto boşluk bırakılarak yazılmalıdır.
Alt bölüm başlık numaralarından sonra nokta kullanılmalıdır.
Alt bölüm başlıklarının İngilizcesi orijinal başlıktan hemen sonra parantez içerisinde Times New Roman 10 punto ve italik olarak verilmelidir.
2.5. Tablolar (Tables)
Tablolar belirtilen sayfa sınırları içerisine yerleştirilmelidir. Tablolar uygun olarak numaralandırılmalı ve tablo başlığı tablonun üstünde yer almalıdır. Tablo başlığı 9 punto büyüklüğünde olmalı, tablo ve numarası kalın olarak biçimlendirilmelidir. Tablo başlığından önce 12 punto, sonra 3 punto boşluk bırakılmalıdır.
Her tabloya “Tablo X. Tablo başlığı (İngilizce tablo başlığı)” biçiminde içeriğini açıklayan kısa ve anlaşılır bir başlık konulmalıdır. Tablo başlığı metin içerisine bakılmadan anlaşılabilmelidir. İngilizce tablo başlığı, orijinal başlıktan hemen sonra parantez içerisinde 8 punto olarak verilmelidir.
Verilerin anlaşılır biçimde aktarılamadığı, birçok sayısal bilginin sunulması gerektiği veya ilişkilerin daha anlamlı ifade edilebileceği durumlarda tablolar kullanılmalıdır. Tablolar metin ve şekillerin kopyası değil tamamlayıcısı niteliğinde olmalıdır. Tablolar basit ve kısa olmalıdır. Tablolarınızı kelime işlemci programınızın tablo aracını kullanarak her bir hücreye tek veri yerleştirip oluşturmanız daha uygun olacaktır.
Tek sütuna sığmayan tablolar iki yana yaslı biçimde iki sütuna yerleştirilmelidir. Bu durumda tablo sayfanın en altına veya en üstüne yerleştirilmelidir (Bkz. Tablo 2).
Tablo 1. Tablonun başlığı (Table title in English)
Sütun Başlığı 1 | Sütun Başlığı 2 |
Örnek metin 1 | Örnek metin 2 |
Örnek metin 3 | Örnek metin 4 |
2.6. Şekiller (Figures)
Şekiller elektronik olarak hazırlanarak doküman içine yerleştirilmelidir. Tüm detaylar açık olarak okunabilmeli ve birbiri üstüne gelmemelidir.
Şekiller belirtilen sayfa sınırları içerisine yerleştirilmelidir. Girinti kullanılmamalı ve şeklin yerleşimi metinle aynı hizada olacak biçimde ayarlanmamalıdır.
Şekiller uygun olarak numaralandırılmalı ve şekil başlığı şeklin altında ortalanmış olarak “Şekil X. Şekil başlığı (İngilizce şekil başlığı)” biçiminde yer almalıdır. Şekil başlığı 9 punto büyüklüğünde olmalı, şekil ve numarası kalın olarak biçimlendirilmelidir. Şekil başlığından önce 6 punto, sonra 12 punto boşluk bırakılmalıdır. Şekil başlığının İngilizcesi, orijinal başlıktan hemen sonra parantez içerisinde 8 punto olarak verilmelidir.
Metin içerisinde tüm şekiller sırasıyla belirtilmeli ve Arap rakamları kullanılarak numaralandırılmalıdır.
Tek sütuna sığmayan şekiller tüm sayfaya ortalanarak yerleştirilmelidir.
Şekil 1. Şekil başlığı (The caption of the figure)
Tablo 2. Tablonun başlığı (Table title in English)
Sütun Başlığı | Sütun Başlığı | Sütun Başlığı | Sütun Başlığı | Sütun Başlığı | Sütun Başlığı |
Örnek metin | Örnek metin | Örnek metin | Örnek metin | Örnek metin | Örnek metin |
Örnek metin | Örnek metin | Örnek metin | Örnek metin | Örnek metin | Örnek metin |
2.7. Denklemler (Equations)
Denklemler ayrı bir satırda sola hizalanıp numaralandırılarak yerleştirilmelidir. Denklemden önce ve sonra bir satır boşluk bırakılmalıdır.
Denklem numaraları parantez içerisinde, 1’den başlayarak sırayla ve sağ kenara hizalanarak yerleştirilmelidir.
a = b + c (1)
3. Kaynak Metni ve Alıntılar (Reference Text and Citations)
Kaynaklar ve alıntılar Harvard (Yazar, tarih) sistemine uygun olarak (Kaynaklar bölümüne bakın) hazırlanmalıdır. Örnek olarak bu alıntıya bakabilirsiniz (Soyad1 ve Soyad2, 2013). Tüm kaynaklar metin içerisinde alıntı olarak gösterilmelidir. Alıntı gösterilirken veya kaynaklar hazırlarken parantez içerisinde veya parantez olmadan herhangi bir numaralandırma kullanılmamalıdır (Soyad1 vd., 2010).
Kaynaklar 9 punto, tek satır aralığı ile iki yana yaslı olarak, 0,5 santimetre asılı girinti ile yazılmalıdır (Yilmaz, 2012).
4. Sonuçlar (Conclusions)
Bu şablonda verilen bilgilerin makalenizi hazırlamada yararlı olacağını ümit ediyoruz.
Teşekkür (Acknowledgment)
Eğer varsa kaynaklar bölümünden önce teşekkür edilen kişileri, kurumları veya destekleri (destek numaraları ve destekleyicileri belirtebilirsiniz) buraya yazabilirsiniz.
Kaynaklar (References)
Soyad1, A., Soyad2, B., 2013. Makale başlığı. Dergi adı, 38(1), 72-80.
Soyad1, A., Soyad2, B., Soyad3, C., 2010. Bildiri başlığı. IMS2012, 6th International Symposium on Intelligent and Manufacturing Systems, 15-17 September 2010, Sarajevo, Bosnia and Herzegovina, pp. 85-90.
Yilmaz, C., 2012. Kitap ismi, 2. baskı, Yayın evi, İstanbul.
Ek (Appendix)
Eğer varsa kaynaklar bölümünden hemen sonra numaralandırmadan ve yeni bir sayfaya geçmeden yazılmalıdır.
Etik İlkeler ve Yayın Politikası
Makale Değerlendirme Politikası
Zeki Sistemler Teori ve Uygulamaları Dergisi (JISTA), hem hakemin hem de yazarın isimlerinin gösterilmediği çift kör hakemlik sürecini uygular. Gönderilen her makale için hakem seçimi, alan editörlerine bağlıdır ve hakemler uzmanlığına, yeterliliğine ve JISTA için makaleleri gözden geçirme konusundaki önceki deneyimine göre seçilir.Gönderilen her makale, en azından bir ön inceleme için alan editörü tarafından okunur. Makale minimum kalite kriterlerine ulaşırsa ve JISTA'nın amaç, kapsam ve politikalarını karşılıyorsa, değerlendirilmek üzere en az iki hakeme gönderilir.
Hakemler, makaleyi yayın kurulu üyeleri tarafından belirlenen inceleme yönergelerine göre değerlendirir ve alan editörüne gönderir. Alan editörü hakemlerin isimsiz yorumlarını yazara iletir. Bu süreçte anonimlik kesinlikle korunur.
Çift kör hakemlik süreci “ULAKBİM Dergi Sistemleri” yani Dergipark platformu kullanılarak yönetilmektedir.
Açık Erişim Politikası
JISTA, geniş bir küresel bilgi alışverişini desteklemek maksadıyla yayınlanan çalışmaları topluma ücretsiz olarak sunma ilkesi gereği tüm kullanıcılara dergi içeriğini, yayınlanmasının ardından açık erişim olarak sağlar.Arşiv Politikası
JISTA'ya, Dergipark platformu üzerinden erişilebilmektedir. Dergipark, işbirliği yapılan kütüphaneler arasında ortak bir arşivleme sistemi oluşturmak için LOCKSS sistemini kullanmaktadır. Bu sayede ilgili kütüphanelerin koruma ve restorasyon amacıyla derginin kalıcı arşivlerini oluşturmasına imkan vermektedir.Özgünlük ve İntihal Politikası
Yazarlar, makalelerini JISTA'ya göndererek, çalışmalarının özgün olduğunu ve kendilerine ait olduğunu; daha önce yayınlanmadığını veya değerlendirmeye sunulmadığını; diğer kaynaklardan (kendi kaynakları dahil) alınan orijinal fikirlerin, verilerin, bulguların ve materyallerin uygun şekilde belgelendiğini ve atıf yapıldığını; çalışmalarının gizlilik hakları ve fikri mülkiyet hakları dahil olmak üzere başkalarının hiçbir hakkını ihlal etmediğini; sağlanan verilerin kendi verileri olduğunu, doğru ve manipüle edilmediğini beyan ederler. Uygun atıf olmaksızın tamamen veya kısmen intihal (%25 ve üzeri) JISTA tarafından tolere edilmez. Dergiye gönderilen yazılar, intihal önleme yazılımı kullanılarak özgünlük açısından kontrol edilecektir.Telif Hakkı Politikası
Yazarlar telif hakkını saklı tutar ve çalışmanın bu dergide Creative Commons Atıf Lisansı altında ilk olarak yayınlanmasını kabul ederler. Böylece, başkalarının çalışmayı paylaşmasına izin veren lisans ile birlikte dergiye ilk yayın hakkını verir.Yazarlar, çalışmanın yayımlanmış sürümünün münhasır olmayan dağıtımı için ayrı, ek sözleşmeye dayalı düzenlemeler yapabilir (örneğin, bu dergide ilk kez yayınlandığını kabul ederek, onu kurumsal bir veritabanına postalayabilir veya bir kitapta yayınlayabilir).
Lisans
JISTA dergisi Creative Commons Attribution 4.0 International License lisansı altındadır.
Dergi Etiği ve Kötüye Kullanım Beyanı
Yayınlama sürecine dahil olan tüm taraflar için (yazar(lar), editör(ler), hakemler, toplum ve yayıncı), belirli etik davranış standartları üzerinde mutabakat gereklidir. JISTA için etik beyanları, www.publicationethics.org adresinde bulunan Yayın Etiği Komitesi - Committee on Publication Ethics (COPE)- Davranış Kuralları yönergelerine dayanmaktadır.1. Editör Sorumlulukları
Yayın Kararları ve Sorumluluk
JISTA editörü, dergiye gönderilen makalelerin hangilerinin yayımlanacağına karar vermektedir ve dergide yayınlanan her çalışmadan sorumludur. Editör, bu kararları verirken derginin yayın kurulu ve/veya alan editörlerinin fikrini alır ve derginin politikalarını dikkate alır. Editör, akademik yayınların bütünlüğünü korumalı, entelektüel ve etik standartlardan ödün verilmesini engellemeli ve gerektiğinde düzeltmeleri, açıklamaları, geri çekmeleri ve özürleri yayınlamaya her zaman istekli olmalıdır.
Adil davranış
Editör, yazar(lar)ın ırkına, cinsiyetine, dini inancına, etnik kökenine, uyruğuna veya siyasi görüşüne bakmaksızın yazıları entelektüel içeriği açısından değerlendirmelidir.
Gizlilik
Editör ve herhangi bir editoryal personel, gönderilen bir çalışma hakkında yazar, hakemler, potansiyel hakemler, editör danışmanları ve yayıncı dışında hiç kimseye herhangi bir bilgi vermemelidir.
Açıklama, çıkar çatışmaları ve diğer sorunlar
Editör, JISTA'da yayınlanan makalelerle ilgili geri çekme, açıklama yayınlama ve bunlarla ilgili düzeltmeler yayınlamayı düşünürken COPE'nin Makaleleri Geri Çekme Yönergelerini dikkate alır.
Gönderilen bir makalede henüz yayınlanmamış materyaller, yazar(lar)ın açık yazılı izni olmaksızın bir editörün kendi araştırmasında kullanılamaz. Hakem değerlendirmesi yoluyla elde edilen ayrıcalıklı bilgi veya fikirler gizli tutulmalı ve kişisel çıkar için kullanılmamalıdır.
Editör, adil ve usulüne uygun bir makale değerlendirme süreci sağlamaya çalışmalıdır. Editör, rekabet, işbirliği veya makalenin yazarları, işletmeleri, kurumları ile bağlantısı olması sebebiyle çıkar çatışması ve çakışması olduğu makaleleri ele almamalıdır (diğer editörden, yardımcı editörden veya yayın kurulunun başka bir üyesinden incelemesini ve değerlendirmesini istemelidir). Editör, makaleye tüm katkıda bulunanlardan çıkar çakışması veya çatışması var olup olmadığını ifşa etmelerini ister. Yayından sonra böyle bir durumun ortaya çıkması durumunda düzeltme yayınlamalarını istemelidir. Gerekirse, makaleyi geri çekme veya açıklama yayınlama gibi diğer uygun önlemleri almalıdır.
2. Hakem Sorumlulukları
Editoryal kararlara katkı
Makale değerlendirmesi ile editöre editoryal kararlar vermede yardımcı olur. Yazarla editoryal iletişim yoluyla, makalesini geliştirmesine de katkıda bulunur.
Zamanındalık
Bir makalede yapılan araştırmayı değerlendirmek için gerekli uzmanlığın dışında olduğunu hisseden veya zamanında değerlendirme yapamayacağını bilen bir davetli hakem, derhal editöre haber vermelidir. Böylece editör, alternatif hakemlerle temasa geçilebilmelidir.
Gizlilik
İncelenmek üzere alınan tüm yazılar gizli belgeler olarak ele alınmalıdır. Editör tarafından izin verilmedikçe başkalarına gösterilmemeli veya başkalarıyla tartışılmamalıdır.
Objektiflik standartları
İncelemeler objektif olarak yapılmalıdır. Yazar(lar)a yönelik kişisel eleştiri kabul edilemez. Hakemler görüşlerini uygun destekleyici argümanlarla açıkça ifade etmelidir.
Kaynakların beyan edilmesi
Hakemler, yazar(lar) tarafından atıfta bulunulmamış ilgili yayınlanmış çalışmaları belirlemelidir. Bir gözlemin, türetmenin veya argümanın daha önce rapor edildiğine dair bir ifadenin ilgili atıfı verilmelidir. Hakemler ayrıca, inceledikleri makale ile bildikleri diğer yayınlanmış veriler arasında herhangi bir önemli benzerlik veya örtüşme varsa editörün dikkatini çekmelidir.
Açıklama ve çıkar çatışması
Hakem değerlendirmesi yoluyla elde edilen ayrıcalıklı bilgi veya fikirler gizli tutulmalı ve kişisel çıkar için kullanılmamalıdır. Hakemler, makalenin yazarları, işletmeleri, kurumları ile bağlantısı olması sebebiyle çıkar çatışması ve çakışması olduğu makaleleri ele almamalıdır.
3. Yazar Sorumlulukları
Raporlama standartları
Orijinal araştırmanın sonuçlarını bildiren yazarlar, yapılan çalışmanın doğru bir açıklamasını sunmalı ve önemine dair nesnel bir tartışma sunmalıdır. Çalışma ile ilgili veriler yazıda doğru bir şekilde temsil edilmelidir. Bir makale, başkalarının çalışmayı tekrarlamasına izin verecek yeterli ayrıntı ve referanslar içermelidir. Hileli veya bilerek yanlış ifadeler etik olmayan davranışlar oluşturur ve kabul edilemez.
Özgünlük ve intihal
Yazarlar, tamamen orijinal eserler yazdıklarından ve başkalarının çalışmalarını ve/veya sözlerini kullanmışlarsa, bunların uygun şekilde alıntılandığından veya atıf yapıldığından emin olmalıdır.
Çoklu, tekrarlı veya eşzamanlı yayın
Bir yazar, esasen aynı araştırmayı ele alan makaleleri birden fazla dergide yayınlamamalıdır. Aynı makalenin birden fazla dergiye paralel olarak gönderilmesi etik olmayan bir yayın davranışı teşkil eder ve kabul edilemez.
Kaynakların beyanı
Başkalarının çalışmalarına uygun bir şekilde atıf her zaman verilmelidir. Yazarlar ayrıca çalışmanın ortaya çıkmasında etkili olan yayınlara atıfta bulunmalıdır.
Makale yazarlığı
Yazarlık, rapor edilen çalışmanın fikrine, tasarımına, yürütülmesine veya yorumlanmasına önemli katkılarda bulunan kişilerle sınırlandırılmalıdır. Önemli katkılarda bulunan herkes ortak yazar olarak listelenmelidir. Araştırma projesinin belirli önemli yönlerine katılmış başka kişilerin olması durumunda, bu kişilerin adları Teşekkür bölümünde belirtilmelidir. İlgili yazar, tüm uygun ortak yazarların makalenin yazar listesine dahil edildiğinden ve tüm ortak yazarların makalenin son halini görüp onayladığından ve yayınlanmak üzere sunulmasını kabul ettiğinden emin olmalıdır. Makale gönderimi sırasında tüm ortak yazarlar açıkça belirtilmelidir. Bir makale kabul edildikten sonra ortak yazar ekleme isteği, editörün onayını gerektirecektir.
Tehlikeler ve insan veya hayvan denekler
Çalışma, olağandışı tehlikeler barındıran kimyasallar, prosedürler veya ekipman içeriyorsa, yazarlar bunları makalede açıkça belirtmelidir. Ek olarak, yazılar, insan veya hayvan deneklerini içeren araştırma çalışmalarına ilişkin Dünya Tabipler Birliği (WMA) Helsinki Deklarasyonu ilkelerine uygun olmalıdır.
Açıklama ve çıkar çatışmaları
Tüm yazarlar, makaledeki sonuçları veya yorumları etkileyeceği düşünülebilecek bir mali ya da diğer önemli çıkar çatışmasını/çakışmasını açıklamalıdır. Proje için tüm finansal destek kaynakları belirtilmelidir.
Yayınlanan eserlerdeki temel hatalar
Bir yazarın kendi yayınlanan çalışmasında önemli bir hata veya yanlışlık keşfetmesi durumunda, makaleyi geri çekmesi veya uygun bir düzeltme beyanı veya yazım hatası yayınlaması için derginin editörünü derhal bilgilendirmek yazarın yükümlülüğündedir.
4. Yayıncının Sorumlulukları
Editoryal özerklik
Yayıncı, reklam verenlerin veya diğer ticari ortakların etkisi olmaksızın, editoryal kararların özerkliğini sağlamak bakımından yayıncının ve editörlerin ilgili rollerini açıkça tanımlamak için editörlerle birlikte çalışmayı taahhüt eder.
Fikri mülkiyet ve telif hakkı
Yayıncı, makalenin yayınlanan sürümünün sürekliliğini sağlayarak yayıncının, yazarlarının ve yayıncı ortaklarının fikri mülkiyetini ve telif hakkını korur. Yayıncı, yayınlanan her makalenin şu hususlara ilişkin bütünlüğünü ve şeffaflığını sağlar: çıkar çatışmaları/çakışmaları, yayın ve araştırma finansmanı, yayın ve araştırma etiği, yayın ve araştırma suiistimali vakaları, gizlilik, yazarlık, makale düzeltmeleri, açıklamalar ve geri çekmeler ve zamanında yayınlama.
Bilimsel Suistimal
İddia edilen veya kanıtlanmış bilimsel suistimal, hileli yayın veya intihal durumlarında, yayıncı, editörlerle yakın işbirliği içinde, durumu açıklığa kavuşturmak ve söz konusu makaleyi değiştirmek için tüm uygun önlemleri alacaktır. Bu, bir düzeltme beyanının veya yazım hatasının derhal yayınlanmasını veya en ciddi durumlarda, ilgili çalışmanın geri çekilmesini içerir.
Ücret Politikası
Yazarlardan makale gönderimi, değerlendirme süreci veya yayımlanması için herhangi bir ücret talep edilmemektedir.
Dizinler
Atıf Dizinleri
Diğer Dizinler
Dergi Kurulları
Baş Editör
Sakarya Üniversitesi Endüstri Mühendisliği Bölümünden 1999 yılında mezun oldu. 2000-2003 yılları arasında Marmara Üniversitesi Bilgi ve Belge Yönetimi Bölümünde Öğretim Görevlisi olarak çalıştıktan sonra akademik kariyerine Sakarya Üniversitesinde devam etti. Halen Endüstri Mühendisliği bölümünde öğretim üyesidir. İki farklı Avrupa Birliği 6. Çerçeve Programı uluslararası projede, TÜBİTAK 1001 projesinde ve diğer çeşitli projelerde görev aldı. TR-Dizin’de taranan dergilerde editörlük ve SCIE indeksinde taranan dergilerde misafir editörlük görevlerini yürüttü. Ulusal ve uluslararası birçok sempozyumun düzenleme kurullarında görev aldı. Avrupa EFQM’den uluslararası EFQM değerlendirici eğitimini aldı. Yöneylem Araştırması, Optimizasyon, Karar Verme, Çok Kriterli Karar Verme ve Yapay Zeka konuları ilgi alanlarıdır.
Editörler
Alan Editörleri
Dil Editörü
Baris Yuce is a Senior Lecturer and Program Director of MSc Engineering Business Management at the Faculty of Environment Science and Economy, the University of Exeter.
Prior to his current job, he worked at Cardiff University as a Post-Doc at the BRE Centre for Sustainable Engineering, School of Engineering, and at School of Computer Science, Machine Vision Group
Baris graduated from the Department of Industrial Engineering at Sakarya University (Turkey) in 2005. He obtained his MSc degree from Institute of Natural Science at Sakarya University in 2007. He then completed his PhD from Cardiff University, School of Engineering, in 2012.
Research Interests:
Urban Analytics, Machine Learning, Machine Vision, Life Cycle Assessment, Supply Chain Management, Sustainable Supply Chain Management, Industry 4.0 Applications, Ontology Applications, Smart Cities, Smart Buildings, Renewable Energy Management, Forecasting Systems, Deterministic and Stochastic Optimisation including: Integer Programming, Nonlinear Programming, The Bees Algorithm, Genetic Algorithm, Simulated Annealing, Ant Colony Optimisation and Hill Climbing, Fuzzy Systems and Fuzzy Logic, Rough Set Theory, Multi-Agent Systems, Single Machine Scheduling, Job-Shop Scheduling, Robotics and Automation, High Performance Computing (HPC) and Wireless Mesh Networking systems.
Project Baris has involved:
Industrial Funded (Waterman Group) (PI): Optimised decision support system to compute the embodied and operational carbon of Mechanical and Electrical systems in buildings.
UKRPIF funded: Net Zero – CREWW ENZO: Embodying Net Zero in Operation (Co-I), Digital Twin Development of the CREWW Building.
STFC Food Network+ (Co-I) - Developing a data-driven communication platform for improving farmed fish distribution in Kenya
KTP funded project with Smart Manufacturing (Co-I) - Implemention of a dual-production business model and a novel simulation tool to enable the optimisation of multi production manufacturing flows with Smart Manufacturing.
RIVIC (3D Mesh Processing Systems) - Welsh Government Funded,
SPORTE2 (Optimised Energy Management Systems for Sports Facilities) - EC-FP-7 Funded,
KnoholEM (Holistic Knowledge-based (Ontology Added) Energy Optimisation Systems) - EC-FP-7 Funded,
Estate Energy Optimisation (EEO)-Box ( Optimised Domestic Appliance Scheduling and Energy Management Systems) - BRE Funded
WANDA (River Depth Prediction Systems) - TSB Funded
MAS2TERING (Multi-Agent-based Secure Smart Grid Management Systems) - EC-FP-7 Funded
Teknik Editörler
Zeki Sistemler Teori ve Uygulamaları Dergisi