Araştırma Makalesi
BibTex RIS Kaynak Göster

Tekrarlayan Özellik Eliminasyonu ve XGBoost ile Uzun Kodlamayan RNA Tahmininin İyileştirilmesi

Yıl 2026, Cilt: 29 Sayı: 2, 1 - 9, 15.03.2026

Freshta Alizada , Volkan Altuntaş

https://doi.org/10.2339/politeknik.1627668
https://izlik.org/JA54BG57FH

Öz

Son yıllarda, yüksek verimli teknolojilerdeki ilerlemeler, kodlamayan Ribonükleik Asitler (ncRNA'lar) olarak bilinen çok sayıda gizli katmanı ortaya çıkararak genomların protein merkezli görüşünü değiştirdi. Daha önce genomun önemsiz bölümleri olarak kabul edilen NcRNA'lar, artık prokaryotik ve ökaryotik organizmalarda temel işlevsel bileşenler olarak kabul ediliyor. Uzun kodlamayan RNA'lar (lncRNA'lar), hücresel farklılaşma, düzenleyici mekanizmalar ve epigenetik modifikasyonlar dahil olmak üzere temel biyolojik işlevlerde etkili olan 200 nükleotid uzunluğundaki benzersiz bir ncRNA kategorisidir. LncRNA'lar ve haberci RNA'lar (mRNA'lar) arasındaki benzerliklere rağmen, temel bir fark vardır: mRNA'lar protein kodlar, oysa lncRNA'lar kodlamaz. Bu çalışma, veri kümesinin boyutsallığını azaltmak için Tekrarlayan Özellik Eliminasyonu (RFE) ve XGBoost (XGB) sınıflandırma modelini kullanan sağlam bir makine öğrenimi (ML) boru hattı tasarlayarak bu iki RNA sınıfını birbirinden ayırmayı amaçlamaktadır. Önceki çalışmalar, veri kümesi özelliklerinin tamamını kullanarak makine öğrenimi modellerini eğitmiş ve test etmişken, biz özellik sayısını azaltmak için RFE tekniğini kullanıyoruz, böylece ilgili özelliklere sahip daha optimum bir veri kümesi elde ediyoruz. Boru hattımızın tahmin performansını değerlendirmek için hata oranı, doğruluk, kesinlik, geri çağırma ve F1 puanını kullandık. Literatürdeki üç mevcut lncRNA tanımlama aracıyla karşılaştırıldığında, boru hattımız sırasıyla %93,42 ve %94,19'da üstün tahmin doğruluğu ve kesinlik gösterdi.

Anahtar Kelimeler

Özyinelemeli Özellik Giderme XGBoost lncRNA Biyoinformatik Makine Öğrenm

Kaynakça

  • [1] Bonidia R. P.,Machida J.S.,Negri T.C.,Alves W.A.L.,Kashiwabara A.Y.,Domingues D.S., Charvalho A.D., Paschoal A.R. and Shanches D.S., “A Novel Decomposing Model with Evolutionary Algorithms for Feature Selection in Long Non-Coding RNAs”, IEEE Access, 8: 181683–181697, (2020).
  • [2] Nuray, B. and Altuntaş, V., “RNA m6A Modifikasyon Bölgelerinin Sınıflandırılması için Öznitelik Çıkarma ve Boyut Azaltma Yöntemlerinin Karşılaştırılması”. Politeknik Dergisi, pp.1-1. (2024).
  • [3] Sreeshma C. M., Manu M. and Gopakumar G., “Identification of Long Non-Coding RNA From Inherent Features Using Machine Learning Techniques”, International Conference on Bioinformatics and Systems Biology", BSB 2018: 97–102, (2018).
  • [4] Chen M., Peng Y., Li A., Deng Y., Deng Y. and Li Z., “A Novel lncRNA-Disease Association Prediction Model Using Laplacian Regularized Least Squares and Space Projection-Federated Method”, IEEE Access, 8: 111614–111625, (2020).
  • [5] Zampetaki A., Albrecht A. and Steinhofel K., “Long Non-Coding RNA Structure and Function: Is There A Link?”, Frontiers in Physiology, 9(AUG): 1–8, (2018).
  • [6] Lima D. D. S., Amichi L. J. A., Fernandez M. A., Constantino A. A. and Seixas F. A. V., “NCYPred: A Bidirectional LSTM Network with Attention for Y RNA and Short Non-Coding RNA Classification”, IEEE/ACM Transactions on Computational Biology and Bioinformatics,20(1): 557–565,(2023).
  • [7] Alessio E., Bonadio R. S., Buson L., Chemello F. and Cagnin S., "A Single Cell But Many Different Transcripts: A journey into the world of long non-coding RNAs", International Journal of Molecular Sciences,21(1), (2020).
  • [8] Wang W., Min L.,Qiu X., Wu X., Liu C., Ma J., Zhang D. and Zhu L., “Biological Function of Long Non-Coding RNA (LncRNA) Xist”, Frontiers in Cell and Developmental Biology, 9(Jue): 1–27, (2021).
  • [9] Xuan P., Zhao Y., Cui H., Zhan L., Jin Q., Zhang T. and Nakaguchi T., “Semantic Meta-Path Enhanced Global and Local Topology Learning for lncRNA-Disease Association Prediction”, IEEE-ACM Transactions on Computational Biology and Bioinformatics, 20(2): 1480–1491, (2023).
  • [10] Wang B. and Zhang J., “Logistic Regression Analysis for LncRNA-Disease Association Prediction Based on Random Forest and Clinical Stage Data”, IEEE Access, 8: 35004–35017, (2020).
  • [11] Xie G., Jiang J. and Sun Y., “LDA-LNSUBRW: LncRNA-Disease Association Prediction Based on Linear Neighborhood Similarity and Unbalanced Bi-Random Walk”, IEEE/ACM Transactions on Computational Biology and Bioinformatics,19(2): 989–997, (2022).
  • [12] Hu J. and Andrews B., “Distinguishing Long Non-Coding RNAs From mRNAs Using A Two-layer Structured Classifier”, IEEE International Conference on Computational Advances in Bio and Medical Sciences, ICCABS,2017-Octob: 1–5, (2017).
  • [13] Shen C., Mao D., Tang J., Liao Z. and Chen S., “Prediction of LncRNA-Protein Interactions Based on Kernel Combinations and Graph Convolutional Networks”, IEEE Journal of Biomedical and Health Informatics, 28(4): 1937–1948, (2024).
  • [14] Shen C., Ding Y., Tang J., Jiang L. and Guo F., “LPI-KTASLP: Prediction of LncRNA-Protein Interaction by Semi-Supervised Link Learning with Multivariate Information”, IEEE Access, 7: 13486–13496, (2019).
  • [15] Liu X. Q., Li B. X., Zeng G. R., Liu Q. Y. and Ai D. M., “Prediction of Long Non-Coding RNAs Based on Deep Learning”, Genes, 10(4): (2019).
  • [16] Wang L., Zheng S.,Zhang H.,Qiu Z.,Zhong X.,Liu H.and Liu Y., “NcRFP: A Novel end-To-end Method for Non-Coding RNAs Family Prediction Based on Deep Learning”, IEEE/ACM Transactions on Computational Biology and Bioinformatics, 18(2): 784–789, (2021).
  • [17] Zhang T., Wang M., Xi J. and Li A., “LPGNMF: Predicting Long Non-Coding RNA and Protein Interaction Using Graph Regularized Nonnegative Matrix Factorization”, IEEE/ACM Transactions on Computational Biology and Bioinformatics, 17(1): 189–197, (2020).
  • [18] Zhang T., Tang Q., Nie F., Zhao Q. and Chen W., “DeepLncPro: an Interpretable Convolutional Neural Network Model for Identifying Long Non-Coding RNA Promoters”, Briefings in Bioinformatics, 23(6): 1–9, (2022).
  • [19] Schneider H. W., Raiol T., Brigido M. M., Walter M. E. M. T. and Stadler P. F., “A Support Vector Machine based method to distinguish long non-coding RNAs from protein coding transcripts”, BMC Genomics, vol. 18(1): 1–14, (2017).
  • [20] Budak H., Kaya S. B. and Cagirici H. B., “Long Non-Coding RNA in Plants in the Era of Reference Sequences”, Frontiers in Plant Science.,11(March): 1–10, (2020).
  • [21] Musleh S., Islam M. T. and Alam T., “LNCRI: Long Non-Coding RNA Identifier in Multiple Species”, IEEE Access, 9: 167219–167228, (2021).
  • [22] Ping P., Wang L., Kuang L., Ye S., Iqbal M. F. B. and Pei T., “A Novel Method for LncRNA-Disease Association Prediction Based on an lncRNA-Disease Association Network”, IEEE-ACM Transactions on Computational Biology and Bioinformatics, 16(2): 688–693, (2019).
  • [23] Ganapaneni M. D., Paruchuru K. H., Ambati J. H., Valavala M. and Sobin C. C., “Detecting Long Non-Coding RNAs Responsible for Cancer Development”, Proceedings - 2022 OITS International Conference on Information Technology, OCIT 2022, 164–169,(2022).
  • [24] Wang Y., Zhao P., Du H., Cao Y., Peng Q. and Fu L., “LncDLSM: Identification of Long Non-Coding RNAs with Deep Learning-Based Sequence Model”, IEEE Journal of Biomedical and Health Informatics,27(4): 2117–2127,(2023).
  • [25] Amin N., McGrath A., and Chen Y. P. P., “FexRNA: Exploratory Data Analysis and Feature Selection of Non-Coding RNA”, IEEE/ACM Transactions on Computational Biology and Bioinformatics, 18(6): 2795–2801,(2021).
  • [26] Zhu R., Wang Y., Liu J. X. and Dai L. Y., “IPCARF: Improving Lncrna-Disease Association Prediction Using Incremental Principal Component Analysis Feature Selection and A Random Rorest Classifier”, BMC Bioinformatics, 22(1): 1–17,(2021).
  • [27] Yao D., Zhan X., Zhan X., Kwoh C. K., Li P. and Wang J., “A Random Forest Based Computational Model for Predicting Novel LncRNA-Disease Associations”, BMC Bioinformatics, 21(1): 1–18,(2020).
  • [28] Fan X.-N. and Zhang S.-W., “lncRNA-MFDL: Identification of Human Long Non-Coding RNAs by Fusing Multiple Features and Using Deep Learning”, Molecular BioSystems., 11(3): 892–897,(2015).
  • [29] Ventola G. M. M., Noviello T. M. R., D’Aniello S., Spagnuolo A., Ceccarelli M. and Cerulo L., “Identification of Long Non-Coding Transcripts with Feature Selection: A Comparative Study”, BMC Bioinformatics,18(1): 187, (2017).
  • [30] Hatipoğlu, A. and Altuntaş, V.,” DeepTFBS: Transkripsiyon Faktörü Bağlanma Bölgeleri Tahmini İçin Derin Öğrenme Yöntemleri Kullanan Hibrit Bir Model”. Politeknik Dergisi, pp.1-1. (2024).
  • [31] Zhang B., Zhang Y. and Jiang X., “Feature selection for global tropospheric ozone prediction based on the BO-XGBoost-RFE algorithm”, Scientific Reports, 12(1): 1–10, (2022).
  • [32] Granitto P. M., Furlanello C., Biasioli F. and Gasperi F., “Recursive Feature Elimination with Random Forest for PTR-MS Analysis of Agro-industrial Products”, Chemometrics and Intelligent Laboratory Systems, 83(2): 83–90, (2006).
  • [33] Tripathi R., Patel S., Kumari V., Chakraborty P. and Varadwaj P. K., “DeepLNC, a Long Non-Coding RNA Prediction Tool Using Deep Neural Network”, Network Modeling Analysis in Health Informatics and Bioinformatics, 5(1): 21: (2016).
  • [34] Gamgam H. and Altunkaynak B., “Test Statistic for Ordered Alternatives based on Wilcoxon Signed Rank.” [Online]. Available: http://dergipark.gov.tr/gujs
  • [35] Atilkan. Y. et al., “Advancing Crayfish Disease Detection: A Comparative Study of Deep Learning and Canonical Machine Learning Techniques,” Applied Sciences (Switzerland), 14(14): (2024).
  • [36] Zhang C., Liu C., Zhang X., and Almpanidis G., “An Up-to-Date Comparison of State-of-the-Art Classification Algorithms”, Expert Systems with Applications,82: 128–150, (2017).
  • [37] Ahmad I., Basheri M., Iqbal M. J., and Rahim A., “Performance Comparison of Support Vector Machine, Random Forest, and Extreme Learning Machine for Intrusion Detection”, IEEE Access, 6,33789–33795:(2018).
  • [38] Nacar E. N. and Erdebilli B., “Makine Öğrenmesi Algoritmaları ile Satış Tahmini,” Journal of Industrial Engineering", 2(2): 307–320,(2021).
  • [39] Camalan. M. and Çavur. M., “Using Random Forest Tree Classification for Evaluating Vertical Cross-Sections in Epoxy Blocks to Get Unbiased Estimates for 3D Mineral Map,” Politeknik Dergisi, 24(1), 113–120, (2021).
  • [40] Jakkula V., “Tutorial on Support Vector Machine (SVM)”, School of EECS, Washington State University,1–13:(2011).
  • [41] Bekçioğulları M. F, Dikici B., Açıkgöz H., and Keçecioğlu Ö. F., “Güneş Enerjisinin Kısa-Dönem Tahmininde Farklı Makine Öğrenme Yöntemlerinin Karşılaştırılması Comparison of Different Machine Learning Methods in Short-Term Forecasting of Solar Energy”, EMO Bilimsel Dergi, 11(22):37–45, (2021).
  • [42] Long W. J., Griffith J. L., Selker H. P., and D’Agostino R. B., “A Comparison of Logistic Regression to Decision-Tree Induction in A Medical Domain”, Computers and Biomedical Research, 26(1): 74–97, (1993).
  • [43] Mitrea C. A., Lee C. K. M., and Wu Z., “A Comparison Between Neural Networks and Traditional Forecasting Methods: A Case Study”, International Journal of Engineering Business Management, 1(2):19–24, (2009).
  • [44] Çalışan. M. and Talu M. F., “Comparison of Methods for Determining Activity from Physical Movements,” Politeknik Dergisi, 24(1),17–23,(2021).
  • [45] Ekincioğlu. G., Akbay. D., and Keser. S., “Estimating Uniaxial Compressive Strength of Sedimentary Rocks with Leeb hardness Using SVM Regression Analysis and Artificial Neural Networks,” Journal of Polytechnic, 1–1, (2024).

Improving Long Non-Coding RNA Prediction through Recursive Feature Elimination and XGBoost

Yıl 2026, Cilt: 29 Sayı: 2, 1 - 9, 15.03.2026

Freshta Alizada , Volkan Altuntaş

https://doi.org/10.2339/politeknik.1627668
https://izlik.org/JA54BG57FH

Öz

In recent years, advancements in high-throughput technologies have uncovered numerous concealed layers known as non-coding Ribonucleic Acids (ncRNAs), shifting the protein-centric view of genomes. NcRNAs, previously considered insignificant segments of the genome, are now recognized as essential functional components in prokaryotic and eukaryotic organisms. Long non-coding RNAs (lncRNAs) are a unique category of ncRNAs with 200 nucleotides length, which are instrumental in key biological functions, including cellular differentiation, regulatory mechanisms, and epigenetic modifications. Despite the similarities between lncRNAs and messenger RNAs (mRNAs), there is a fundamental difference: mRNAs encode proteins, whereas lncRNAs do not. This study aims to distinguish these two RNA classes from each other by designing a robust machine learning (ML) pipeline employing Recursive Feature Elimination (RFE) for dimensionality reduction of dataset and XGBoost (XGB) classification model. Whereas previous studies trained and tested machine learning models using the complete set of dataset features, we employ the RFE technique to reduce the number of features, thereby we achieve a more optimal dataset with relevant features. To evaluate the predictive performance of our pipeline, we used error rate, accuracy, precision, recall, and F1-score. Compared to three existing lncRNA identification tools in the literature, our pipeline demonstrated superior prediction accuracy and precision at 93.42% and 94.19% respectively.

Anahtar Kelimeler

Recursive Feature Elimination XGBoost lncRNAs Bioinformatics Machine Learning.

Etik Beyan

No ethics committee approval was required for this study because only publicly available data was used in the research.

Destekleyen Kurum

in this research we did not access help from any organization

Teşekkür

I thank Doç. Dr. Volkan ALTUNTAŞ, my instructor for helping me in writing this research article

Kaynakça

  • [1] Bonidia R. P.,Machida J.S.,Negri T.C.,Alves W.A.L.,Kashiwabara A.Y.,Domingues D.S., Charvalho A.D., Paschoal A.R. and Shanches D.S., “A Novel Decomposing Model with Evolutionary Algorithms for Feature Selection in Long Non-Coding RNAs”, IEEE Access, 8: 181683–181697, (2020).
  • [2] Nuray, B. and Altuntaş, V., “RNA m6A Modifikasyon Bölgelerinin Sınıflandırılması için Öznitelik Çıkarma ve Boyut Azaltma Yöntemlerinin Karşılaştırılması”. Politeknik Dergisi, pp.1-1. (2024).
  • [3] Sreeshma C. M., Manu M. and Gopakumar G., “Identification of Long Non-Coding RNA From Inherent Features Using Machine Learning Techniques”, International Conference on Bioinformatics and Systems Biology", BSB 2018: 97–102, (2018).
  • [4] Chen M., Peng Y., Li A., Deng Y., Deng Y. and Li Z., “A Novel lncRNA-Disease Association Prediction Model Using Laplacian Regularized Least Squares and Space Projection-Federated Method”, IEEE Access, 8: 111614–111625, (2020).
  • [5] Zampetaki A., Albrecht A. and Steinhofel K., “Long Non-Coding RNA Structure and Function: Is There A Link?”, Frontiers in Physiology, 9(AUG): 1–8, (2018).
  • [6] Lima D. D. S., Amichi L. J. A., Fernandez M. A., Constantino A. A. and Seixas F. A. V., “NCYPred: A Bidirectional LSTM Network with Attention for Y RNA and Short Non-Coding RNA Classification”, IEEE/ACM Transactions on Computational Biology and Bioinformatics,20(1): 557–565,(2023).
  • [7] Alessio E., Bonadio R. S., Buson L., Chemello F. and Cagnin S., "A Single Cell But Many Different Transcripts: A journey into the world of long non-coding RNAs", International Journal of Molecular Sciences,21(1), (2020).
  • [8] Wang W., Min L.,Qiu X., Wu X., Liu C., Ma J., Zhang D. and Zhu L., “Biological Function of Long Non-Coding RNA (LncRNA) Xist”, Frontiers in Cell and Developmental Biology, 9(Jue): 1–27, (2021).
  • [9] Xuan P., Zhao Y., Cui H., Zhan L., Jin Q., Zhang T. and Nakaguchi T., “Semantic Meta-Path Enhanced Global and Local Topology Learning for lncRNA-Disease Association Prediction”, IEEE-ACM Transactions on Computational Biology and Bioinformatics, 20(2): 1480–1491, (2023).
  • [10] Wang B. and Zhang J., “Logistic Regression Analysis for LncRNA-Disease Association Prediction Based on Random Forest and Clinical Stage Data”, IEEE Access, 8: 35004–35017, (2020).
  • [11] Xie G., Jiang J. and Sun Y., “LDA-LNSUBRW: LncRNA-Disease Association Prediction Based on Linear Neighborhood Similarity and Unbalanced Bi-Random Walk”, IEEE/ACM Transactions on Computational Biology and Bioinformatics,19(2): 989–997, (2022).
  • [12] Hu J. and Andrews B., “Distinguishing Long Non-Coding RNAs From mRNAs Using A Two-layer Structured Classifier”, IEEE International Conference on Computational Advances in Bio and Medical Sciences, ICCABS,2017-Octob: 1–5, (2017).
  • [13] Shen C., Mao D., Tang J., Liao Z. and Chen S., “Prediction of LncRNA-Protein Interactions Based on Kernel Combinations and Graph Convolutional Networks”, IEEE Journal of Biomedical and Health Informatics, 28(4): 1937–1948, (2024).
  • [14] Shen C., Ding Y., Tang J., Jiang L. and Guo F., “LPI-KTASLP: Prediction of LncRNA-Protein Interaction by Semi-Supervised Link Learning with Multivariate Information”, IEEE Access, 7: 13486–13496, (2019).
  • [15] Liu X. Q., Li B. X., Zeng G. R., Liu Q. Y. and Ai D. M., “Prediction of Long Non-Coding RNAs Based on Deep Learning”, Genes, 10(4): (2019).
  • [16] Wang L., Zheng S.,Zhang H.,Qiu Z.,Zhong X.,Liu H.and Liu Y., “NcRFP: A Novel end-To-end Method for Non-Coding RNAs Family Prediction Based on Deep Learning”, IEEE/ACM Transactions on Computational Biology and Bioinformatics, 18(2): 784–789, (2021).
  • [17] Zhang T., Wang M., Xi J. and Li A., “LPGNMF: Predicting Long Non-Coding RNA and Protein Interaction Using Graph Regularized Nonnegative Matrix Factorization”, IEEE/ACM Transactions on Computational Biology and Bioinformatics, 17(1): 189–197, (2020).
  • [18] Zhang T., Tang Q., Nie F., Zhao Q. and Chen W., “DeepLncPro: an Interpretable Convolutional Neural Network Model for Identifying Long Non-Coding RNA Promoters”, Briefings in Bioinformatics, 23(6): 1–9, (2022).
  • [19] Schneider H. W., Raiol T., Brigido M. M., Walter M. E. M. T. and Stadler P. F., “A Support Vector Machine based method to distinguish long non-coding RNAs from protein coding transcripts”, BMC Genomics, vol. 18(1): 1–14, (2017).
  • [20] Budak H., Kaya S. B. and Cagirici H. B., “Long Non-Coding RNA in Plants in the Era of Reference Sequences”, Frontiers in Plant Science.,11(March): 1–10, (2020).
  • [21] Musleh S., Islam M. T. and Alam T., “LNCRI: Long Non-Coding RNA Identifier in Multiple Species”, IEEE Access, 9: 167219–167228, (2021).
  • [22] Ping P., Wang L., Kuang L., Ye S., Iqbal M. F. B. and Pei T., “A Novel Method for LncRNA-Disease Association Prediction Based on an lncRNA-Disease Association Network”, IEEE-ACM Transactions on Computational Biology and Bioinformatics, 16(2): 688–693, (2019).
  • [23] Ganapaneni M. D., Paruchuru K. H., Ambati J. H., Valavala M. and Sobin C. C., “Detecting Long Non-Coding RNAs Responsible for Cancer Development”, Proceedings - 2022 OITS International Conference on Information Technology, OCIT 2022, 164–169,(2022).
  • [24] Wang Y., Zhao P., Du H., Cao Y., Peng Q. and Fu L., “LncDLSM: Identification of Long Non-Coding RNAs with Deep Learning-Based Sequence Model”, IEEE Journal of Biomedical and Health Informatics,27(4): 2117–2127,(2023).
  • [25] Amin N., McGrath A., and Chen Y. P. P., “FexRNA: Exploratory Data Analysis and Feature Selection of Non-Coding RNA”, IEEE/ACM Transactions on Computational Biology and Bioinformatics, 18(6): 2795–2801,(2021).
  • [26] Zhu R., Wang Y., Liu J. X. and Dai L. Y., “IPCARF: Improving Lncrna-Disease Association Prediction Using Incremental Principal Component Analysis Feature Selection and A Random Rorest Classifier”, BMC Bioinformatics, 22(1): 1–17,(2021).
  • [27] Yao D., Zhan X., Zhan X., Kwoh C. K., Li P. and Wang J., “A Random Forest Based Computational Model for Predicting Novel LncRNA-Disease Associations”, BMC Bioinformatics, 21(1): 1–18,(2020).
  • [28] Fan X.-N. and Zhang S.-W., “lncRNA-MFDL: Identification of Human Long Non-Coding RNAs by Fusing Multiple Features and Using Deep Learning”, Molecular BioSystems., 11(3): 892–897,(2015).
  • [29] Ventola G. M. M., Noviello T. M. R., D’Aniello S., Spagnuolo A., Ceccarelli M. and Cerulo L., “Identification of Long Non-Coding Transcripts with Feature Selection: A Comparative Study”, BMC Bioinformatics,18(1): 187, (2017).
  • [30] Hatipoğlu, A. and Altuntaş, V.,” DeepTFBS: Transkripsiyon Faktörü Bağlanma Bölgeleri Tahmini İçin Derin Öğrenme Yöntemleri Kullanan Hibrit Bir Model”. Politeknik Dergisi, pp.1-1. (2024).
  • [31] Zhang B., Zhang Y. and Jiang X., “Feature selection for global tropospheric ozone prediction based on the BO-XGBoost-RFE algorithm”, Scientific Reports, 12(1): 1–10, (2022).
  • [32] Granitto P. M., Furlanello C., Biasioli F. and Gasperi F., “Recursive Feature Elimination with Random Forest for PTR-MS Analysis of Agro-industrial Products”, Chemometrics and Intelligent Laboratory Systems, 83(2): 83–90, (2006).
  • [33] Tripathi R., Patel S., Kumari V., Chakraborty P. and Varadwaj P. K., “DeepLNC, a Long Non-Coding RNA Prediction Tool Using Deep Neural Network”, Network Modeling Analysis in Health Informatics and Bioinformatics, 5(1): 21: (2016).
  • [34] Gamgam H. and Altunkaynak B., “Test Statistic for Ordered Alternatives based on Wilcoxon Signed Rank.” [Online]. Available: http://dergipark.gov.tr/gujs
  • [35] Atilkan. Y. et al., “Advancing Crayfish Disease Detection: A Comparative Study of Deep Learning and Canonical Machine Learning Techniques,” Applied Sciences (Switzerland), 14(14): (2024).
  • [36] Zhang C., Liu C., Zhang X., and Almpanidis G., “An Up-to-Date Comparison of State-of-the-Art Classification Algorithms”, Expert Systems with Applications,82: 128–150, (2017).
  • [37] Ahmad I., Basheri M., Iqbal M. J., and Rahim A., “Performance Comparison of Support Vector Machine, Random Forest, and Extreme Learning Machine for Intrusion Detection”, IEEE Access, 6,33789–33795:(2018).
  • [38] Nacar E. N. and Erdebilli B., “Makine Öğrenmesi Algoritmaları ile Satış Tahmini,” Journal of Industrial Engineering", 2(2): 307–320,(2021).
  • [39] Camalan. M. and Çavur. M., “Using Random Forest Tree Classification for Evaluating Vertical Cross-Sections in Epoxy Blocks to Get Unbiased Estimates for 3D Mineral Map,” Politeknik Dergisi, 24(1), 113–120, (2021).
  • [40] Jakkula V., “Tutorial on Support Vector Machine (SVM)”, School of EECS, Washington State University,1–13:(2011).
  • [41] Bekçioğulları M. F, Dikici B., Açıkgöz H., and Keçecioğlu Ö. F., “Güneş Enerjisinin Kısa-Dönem Tahmininde Farklı Makine Öğrenme Yöntemlerinin Karşılaştırılması Comparison of Different Machine Learning Methods in Short-Term Forecasting of Solar Energy”, EMO Bilimsel Dergi, 11(22):37–45, (2021).
  • [42] Long W. J., Griffith J. L., Selker H. P., and D’Agostino R. B., “A Comparison of Logistic Regression to Decision-Tree Induction in A Medical Domain”, Computers and Biomedical Research, 26(1): 74–97, (1993).
  • [43] Mitrea C. A., Lee C. K. M., and Wu Z., “A Comparison Between Neural Networks and Traditional Forecasting Methods: A Case Study”, International Journal of Engineering Business Management, 1(2):19–24, (2009).
  • [44] Çalışan. M. and Talu M. F., “Comparison of Methods for Determining Activity from Physical Movements,” Politeknik Dergisi, 24(1),17–23,(2021).
  • [45] Ekincioğlu. G., Akbay. D., and Keser. S., “Estimating Uniaxial Compressive Strength of Sedimentary Rocks with Leeb hardness Using SVM Regression Analysis and Artificial Neural Networks,” Journal of Polytechnic, 1–1, (2024).
Toplam 45 adet kaynakça vardır.

Ayrıntılar

Birincil Dil İngilizce
Konular Makine Öğrenme (Diğer)
Bölüm Araştırma Makalesi
Yazarlar

Freshta Alizada 0009-0009-7632-0274

Volkan Altuntaş 0000-0003-3144-8724

Gönderilme Tarihi 27 Ocak 2025
Kabul Tarihi 18 Mayıs 2025
Erken Görünüm Tarihi 22 Mayıs 2025
Yayımlanma Tarihi 15 Mart 2026
DOI https://doi.org/10.2339/politeknik.1627668
IZ https://izlik.org/JA54BG57FH
Yayımlandığı Sayı Yıl 2026 Cilt: 29 Sayı: 2

Kaynak Göster

APA Alizada, F., & Altuntaş, V. (2026). Improving Long Non-Coding RNA Prediction through Recursive Feature Elimination and XGBoost. Politeknik Dergisi, 29(2), 1-9. https://doi.org/10.2339/politeknik.1627668
AMA 1.Alizada F, Altuntaş V. Improving Long Non-Coding RNA Prediction through Recursive Feature Elimination and XGBoost. Politeknik Dergisi. 2026;29(2):1-9. doi:10.2339/politeknik.1627668
Chicago Alizada, Freshta, ve Volkan Altuntaş. 2026. “Improving Long Non-Coding RNA Prediction through Recursive Feature Elimination and XGBoost”. Politeknik Dergisi 29 (2): 1-9. https://doi.org/10.2339/politeknik.1627668.
EndNote Alizada F, Altuntaş V (01 Mart 2026) Improving Long Non-Coding RNA Prediction through Recursive Feature Elimination and XGBoost. Politeknik Dergisi 29 2 1–9.
IEEE [1]F. Alizada ve V. Altuntaş, “Improving Long Non-Coding RNA Prediction through Recursive Feature Elimination and XGBoost”, Politeknik Dergisi, c. 29, sy 2, ss. 1–9, Mar. 2026, doi: 10.2339/politeknik.1627668.
ISNAD Alizada, Freshta - Altuntaş, Volkan. “Improving Long Non-Coding RNA Prediction through Recursive Feature Elimination and XGBoost”. Politeknik Dergisi 29/2 (01 Mart 2026): 1-9. https://doi.org/10.2339/politeknik.1627668.
JAMA 1.Alizada F, Altuntaş V. Improving Long Non-Coding RNA Prediction through Recursive Feature Elimination and XGBoost. Politeknik Dergisi. 2026;29:1–9.
MLA Alizada, Freshta, ve Volkan Altuntaş. “Improving Long Non-Coding RNA Prediction through Recursive Feature Elimination and XGBoost”. Politeknik Dergisi, c. 29, sy 2, Mart 2026, ss. 1-9, doi:10.2339/politeknik.1627668.
Vancouver 1.Freshta Alizada, Volkan Altuntaş. Improving Long Non-Coding RNA Prediction through Recursive Feature Elimination and XGBoost. Politeknik Dergisi. 01 Mart 2026;29(2):1-9. doi:10.2339/politeknik.1627668

Amaç ve Kapsam

 Temel mühendislik alanlarındaki hem deneysel hem de kuramsal çalışmaların yer aldığı dergimiz, mühendisliğin hızla gelişen alanlarına ilişkin makalelerin yayınına öncelik tanır ve disiplinlerarası yöntem ve teknolojiler üzerine yoğunlaşmayı,mühendislik bilimlerindeki en güncel bilimsel ve teknolojik gelişmeleri araştırmacılara, mühendislere ve ilgili kitlelere ulaştırmayı hedefler. Dergiye gönderilen bilimsel çalışmaların yayımlanmış veya sözlü veya poster sunum olarak başka yerde yayın için değerlendirme aşamasında bulunmaması gereklidir.


“Politeknik Dergisi" temel mühendislik konularını kapsayan bir dergidir. Dergi ulusal ve uluslararası düzeyde bilim, teknoloji ve mühendislik alanlarında orijinal bir araştırmayı bulgu ve sonuçlarıyla yansıtan ve bilime katkısı olan araştırma makalelerini veya yeterli sayıda bilimsel makaleyi tarayıp, konuyu bugünkü bilgi ve teknoloji düzeyinde özetleyen, değerlendirme yapan ve bulguları karşılaştırarak yorumlayan tarama makalelerini kabul etmektedir.

Dergimize makale gönderen ve/veya dergimizde hakemlik yapan /yapacak olan tüm kullanıcıların kurumsal e-posta hesapları ile sisteme kayıt olmaları gerekmektedir (yahoo.com, hotmail.com, gmail.com vb. uzantılı e-posta hesapları kullanılmamalıdır).

Dergimize ait herhangi bir ŞABLON formatı  bulunmamaktadır. İlk gönderi için makalelerin aşağıdaki kurallara göre hazırlanması gerekmektedir. 

Gazi Üniversitesi Politeknik Dergisi, Fen ve Mühendislik alanlarında çalışan bilim insanları arasındaki bilimsel iletişimi oluşturmak amacıyla, bilimsel özgün makaleleri Türkçe veya İngilizce olarak kabul etmektedir.

Araştırma Makalesi: Orijinal bir araştırmayı bulgu ve sonuçlarıyla yansıtan çalışmalar,

Tarama Makalesi: Yeterli sayıda bilimsel makaleyi tarayıp, konuyu günümüzün bilgi ve teknoloji düzeyinde özetleyen, değerlendirme yapan ve bu bulguları karşılaştırarak yorumlayan yazılar,

Teknik Not: Yapılan bir araştırmanın önemli bulgularını açıklayan yeni bir yöntem veya teknik tanımlayan yazılar. 

Bütün yazıların Telif Hakkı Devir Formu, makalenin bütün yazarları tarafından doldurulup editörlüğe iletilmelidir. Telif Hakkı Devir Formu göndermeyen yazarların yayınları işleme konulmaz. Yayınlanmasına karar verilen makaleler üzerine yazarlar tarafından sonradan hiçbir eklenti yapılamaz.

Her makale en az iki hakeme gönderilerek şekil ve içerik bakımından incelenir. Dergide yayınlanabilecek nitelikteki olduğu belirlenen makalelerin dizgisi yapılarak yayına hazır hale getirilir.

SUNUŞ

İlk gönderi esnasında, makalenin yazar(lar)ı tarafından benzerlik taraması yapılarak benzerlik oranını gösteren raporun makale ile birlikte yüklenmesi gerekmektedir. Detaylı bilgi için tıklayınız.

Her makalede yapılan çalışmanın özetlendiği bir Özet Sayfası bulunmalıdır. (Bu sayfa makalenin ilk sayfası olacak şekilde makalenizi tek dosya halinde gönderiniz). Özet sayfasına ait şablon dosyaya ulaşmak için tıklayınız.

1. METİN : Times New Roman yazı karakterinde ve 12 pt olacak şekilde yazılmalı, kaynaklar ve şekiller dahil tarama yazıları dışında 20 sayfayı geçmemelidir. Yazarlar makalelerinin ne türde bir yazı olduğunu belirtmelidirler.

2. BAŞLIK : Eserin başlığı, ilk harfleri büyük olacak şekilde Türkçe ve İngilizce olarak yazılmalı, başlık metne uygun, kısa ve açık olmalıdır.

Metin içerisindeki 1. derece başlıkların tamamı büyük harfle, 2. derece başlıkların tüm kelimelerinin ilk harfleri büyük harfle ve 3. ve daha alt başlıklar için başlığın yalnızca ilk kelimesi büyük harfle olacak şekilde yazılmalıdır (Metin içerisinde kullanılan başlıkların ve alt başlıkların tümünün İngilizceleri parantez içerisinde belirtilmelidir. Yazım dili İngilizce olan makalelerde, parantez içerisinde herhangi bir şey belirtilmemelidir. Tüm metin İngilizce olmalıdır)

3. ÖZET : 200 kelimeyi geçmeyecek şekilde Türkçe ve İngilizce yazılmalıdır. İngilizce özetin başına eserin başlığı da ingilizce olarak yazılmalıdır.

4. ANAHTAR KELİMELER : En az 3 en fazla 5 adet Türkçe/ İngilizce olarak verilmelidir.

5. METİN : Genel olarak giriş, yöntem, bulgular, sonuç ve tartışmaya ilişkin kısımları kapsar.

6. KAYNAKLAR : Metinde parantez içerisindeki [1], [2] vb. rakamlarla numaralandırılmalı ve metin sonunda da eser içinde veriliş sırasına göre yazılmalıdır.

Kaynak bir makale ise: Yazarın soyadı adının baş harfi, tırnak içerisinde makalenin tam başlığı, derginin adı (varsa uluslararası kısaltmaları), cilt no: makalenin başlangıç ve bitiş sayfa no, (yıl)

Örnek: Sözen A., Özbaş E., Menlik T., Çakır M. T., Gürü M. and Boran K., ''Improving the thermal performance of diffusion absorption refrigeration system with alumina nanofluids'', International Journal of Refrigeration, 44: 73-80, (2014)

Kaynak bir kitap ise: Yazarın soyadı adının başharfi, tırnak içerisinde kitabın adı, cilt no, varsa editörü, yayınevinin adı, yayın no, yayınlandığı yer, (yıl).

Kaynak kitaptan bir bölüm ise: Bölüm yazarının soyadı adının başharfi, tırnak içerisinde bölümün adı, bölümün alındığı kitabın adı, yayınevinin adı, yayınlandığı yer, (yıl).

Kaynak basılmış tez ise: Yazarın soyadı adının baş harfi, tırnak içerisinde tezin adı, cinsi (yüksek lisans, doktora), sunulduğu üniversite ve enstitüsü, (yıl).

Kaynak kongreden alınmış tebliğ ise: Yazarın soyadı adının baş harfi, tırnak içerisinde tebliğin adı, kongrenin adı, yapıldığı yer, tebliğin başlangıç ve bitiş sayfa no, (yıl).

Kaynak bir standart ise: Standardın numarası, tırnak içerisinde standardın adı, (yıl).

7. ÇİZELGE VE ŞEKİLLER: Çizelge içermeyen bütün görüntüler (fotoğraf, çizim, diyagram, grafik, harita vs.) şekil olarak isimlendirilmelidir. Her bir çizelge ve şekil, metin içinde gireceği yere yerleştirilmelidir. Bütün şekiller metin içinde ardışık olarak numaralandırılmalıdır (Metin içerisinde kullanılan Çizelge ve Şekillerin tümünün ingilizceleri parantez içerisinde belirtilmelidir. Yazım dili İngilizce olan makalelerde, parantez içerisinde herhangi bir şey belirtilmemelidir. Tüm metin İngilizce olmaldır).

8. FORMÜLLER VE BİRİMLER: Metin içerisindeki tüm formüller equation formatında yazılmalıdır. Formüllere (1), (2) şeklinde sıra numarası verilmelidir. Tüm birimler SI birim sisteminde olmalıdır.

9. SİMGELER VE KISALTMALAR : Metin sonunda kaynaklardan önce verilebilir.

10. TEŞEKKÜR : Eğer kişi veya kurumlara teşekkür yapılacaksa bu kısımda yazılmalı ve kaynaklardan önce verilmelidir.

11. ETİK BEYANI : Dergimizde yayımlanacak makalelerde etik kurul izini ve/veya yasal/özel izin alınmasının gerekip gerekmediği belirtilmiş olmalıdır. Eğer bu izinlerin alınması gerekli ise, izinin hangi kurumdan, hangi tarihte ve hangi karar veya sayı numarası ile alındığı açıkça sunulmalıdır. Ayrıca çalışma insan ve hayvan deneklerinin kullanımını gerektiriyor ise çalışmanın uluslararası deklarasyon, kılavuz vb. uygun gerçekleştirildiği beyan edilmelidir. İzin alınmasının gerekmediği durumlar için TEŞEKKÜR bölümünden sonra aşağıdaki metin eklenmelidir.  

        Türkçe dilindeki makaleler için:
        ETİK STANDARTLARIN BEYANI
        Bu makalenin yazar(lar)ı çalışmalarında kullandıkları materyal ve yöntemlerin etik kurul izni ve/veya yasal-özel bir izin gerektirmediğini beyan ederler.


        İngilizce dilindeki makaleler için:
        DECLARATION OF ETHICAL STANDARDS
        The author(s) of this article declare that the materials and methods used in this study do not require ethical committee permission and/or legal-special permission.

12. YAZAR KATKILARININ BEYANI: Bu bölümde makalede adı geçen her bir araştırmacının makaleye olan katkısı belirtilmelidir.

13. ÇIKAR ÇATIŞMASININ BEYANI: Makale yazarları arasındaki çıkar çatışması durumu belirtilmelidir. Herhangi bir çıkar çatışması yoksa "Bu çalışmada herhangi bir çıkar çatışması yoktur" ibaresi yazılmalıdır.

YAYIN ETİĞİ BİLDİRİMİ
Yayın etiği, en iyi uygulama kılavuzlarını sağlamak ve bu nedenle derginin editörleri, yazarları ve hakemler tarafından uyulması açısından çok önemlidir. Politeknik Dergisi, COPE'nin Davranış Kuralları ve Dergi Editörleri İçin En İyi Uygulama Kılavuz İlkeleri (https://publicationethics.org/resources/code-conduct) tarafından açıklanan ilkelere uygundur ve sadece şeffaflık ilkeleri değil, aynı zamanda en iyi bilimsel uygulama Yayın Etik Kurulu (COPE) tarafından belirlenen kurallara uygun olan makaleleri yayınlar.

Baş Editör ve Alan Editörlerinin Görevleri
Tarafsızlık
Derginin baş editörü ve bölüm editörleri, dergiye gönderilen makalelerin hangisinin yayınlanması gerektiğine karar vermekten sorumludur. Bu süreçte yazarlar ırk, etnik köken, cinsiyet, din ve vatandaşlıklarına göre editörler tarafından ayırt edilmez. Editörlerin yayınlanacak bir makaleyi kabul etme, gözden geçirme veya reddetme kararları, yalnızca makalenin önemi, özgünlüğü ve açıklığına ve ayrıca makalede yapılan çalışmanın derginin kapsamına uygunluğuna dayanmaktadır.
Gizlilik
Baş editör ve bölüm editörleri, gönderilen bir makale hakkında herhangi bir bilgiyi başkasıyla paylaşmamalıdır. Ayrıca ilgili yazar, hakemler / muhtemel hakemler ve yayıncı personel tarafından açıklanmamalıdır. Editörler, yazarlar tarafından sunulan tüm materyallerin inceleme sürecinde gizli kalmasını sağlayacaktır.
Çıkar Çatışması ve Açıklama
Gönderilmiş bir makalede açıklanan yayınlanmamış materyaller, yazarın yazılı izni olmadan hiçbir hakemin kendi çalışmalarında kullanılmamalıdır. Hakem değerlendirmesi sürecinden elde edilen münhasır bilgi veya görüşler gizli tutulmalı ve kişisel çıkarlar için kullanılmamalıdır. Hakemler, rekabetçi, işbirlikçi veya makalelere bağlı yazarlar, şirketler veya kurumlardan herhangi biriyle olan diğer ilişkilerden / bağlantılardan kaynaklanan çıkar çatışmalarına sahip oldukları yazıları dikkate almamalıdır.
Akran inceleme süreci
Baş editör / bölüm editörleri, dergi sistemine gönderilen her bir yazı için çift kör bir akran inceleme sürecinin etkin bir şekilde yapılmasını sağlamalıdır.
Etik olmayan davranışların yönetimi
Editörler, yayıncılarla birlikte, gönderilen bir makale veya yayınlanan bir makale hakkında etik şikâyetler sunulduğunda rasyonel olarak duyarlı önlemler almalıdır.

Yazar(lar)ın Görevleri
Makalenin Yazarı
Tasarım, yorumlama ve uygulama dâhil olmak üzere bildirilen çalışmaya önemli bir katkı sağlayanlara daraltılmalıdır. Gönderilen yazıya önemli katkılarda bulunan tüm yazarlar ortak yazar olarak listelenmelidir.

Özgünlük ve intihal
Gönderdikleri makalenin içeriğinden, dilinden ve özgünlüğünden yazarlar sorumludur. Yazarlar, orijinal eserlerini tamamen oluşturduğunu ve yazarlar çalışmayı ve / veya diğer yazarların sözlerini kullanmışlarsa, bunun uygun bir şekilde alıntılandığını veya alıntı yapıldığını temin etmelidir. İntihal, bir başkasının makalesini yazarın kendi makalesi olarak göstermek, bir başkasının makalesinin önemli kısımlarını (atıfta bulunmadan) kopyalamak veya başka bir deyişle, başkaları tarafından yapılan araştırmaların sonuçlarını almaktan farklı biçimlerdedir. Tüm formlarındaki intihal, etik olmayan yayıncılık davranışını içerir ve kabul edilemez. Hakemlere bir makale gönderilmeden önce, intihal araştırması için iThenticate aracılığıyla benzerlik açısından kontrol edilir.

Fon kaynaklarının tanınması
Makalede bildirilen araştırma için tüm finansman kaynakları, referanslar öncesinde makalenin sonunda ayrıntılı olarak belirtilmelidir.

İfşa ve çıkar çatışmaları
Tüm yazarlar makalelerinde, makalelerinin bulgularını veya yorumunu etkilemek için yorumlanabilecek herhangi bir maddi veya diğer maddi çıkar çatışmasını açıklamalıdır. Proje için tüm finansal destek kaynakları da açıklanmalıdır. Açıklanan potansiyel çıkar çatışmaları örnekleri arasında istihdam, danışmanlıklar, hisse senedi mülkiyeti, onur, ücretli uzman tanıklığı, patent başvuruları / kayıtları ve hibeler veya diğer fonlar yer almaktadır. Potansiyel çıkar çatışmaları mümkün olan en erken aşamada bildirilmelidir.

Raporlama standartları
Makalenin yazarları, yapılan çalışmanın doğru bir açıklamasını ve önemi ile ilgili objektif bir tartışma sunmalıdır. Temel veriler, metinde doğru olarak verilmelidir. Bir makale, diğer araştırmacıların çalışmayı tekrar etmelerine izin vermek için yeterli ayrıntıyı ve referansları içermelidir. Zor veya bilerek kesin olmayan ifadeler etik olmayan davranışlar oluşturur ve kabul edilemez. İnceleme ve profesyonel yayın makaleleri de kesin olmalı, özgün ve objektif olmalı ve editoryal düşünce çalışmaları açıkça ifade edilmelidir.

Veri erişimi ve saklama
Yazarlardan editoryal inceleme süreci için bir makaleyle bağlantılı ham verileri sağlamaları istenebilir ve herhangi bir durumda, yayınlandıktan sonra belirli bir süre için bu verileri saklamaları gerekebilir.

Çoklu, gereksiz veya eşzamanlı yayın
Gönderilen makaleler başka herhangi bir dergiye gönderilmemiş olmalıdır. Aynı makaleyi aynı anda birden fazla dergiye göndermek etik olmayan yayıncılık davranışını içerir. Yazarlar ayrıca makalenin daha önce başka bir yerde yayınlanmadığından da emin olmalıdır.

Yayınlanmış çalışmalarda ana hatalar
Bir yazar yayınlanmış eserinde önemli bir hata veya yanlışlıkla karşılaştığında, dergi editörünü veya yayıncısına bu durumu derhal bildirmek ve makaleyi geri çekmek veya düzeltmek için editörle işbirliği yapmak yükümlülüğündedir.

Hakemlerin Görevleri
Hakemler, makale le ilgili görüşlerini tamamlayarak yorumlarını kendisine tanımlanan zaman içerisinde göndermelidir. Eğer makale, hakemin ilgi alanına uygun değilse, makale editöre geri gönderilmelidir, böylece diğer hakemler zaman kaybetmeden atanabilirler.

Katkı
Hakemler, hakemli bir dergi olan derginin kalitesine katkıda bulunan ana üyelerdir. Alınan makaleyi incelemesi için kalifiye olmayan hakemler derhal editöre bildirmeli ve bu makaleyi incelemeyi reddetmelidir.

Gizlilik
İnceleme için gönderilen yazılar gizli belgeler olarak değerlendirilmelidir. Editör tarafından yetkilendirilmedikçe başkalarıyla gösterilmemeli veya tartışılmamalıdır.

Nesnellik standartları
Yorumlar objektif olarak gerçekleştirilmelidir. Yazarın kişisel eleştirisi uygun değildir. Hakemler açıkça destekleyici argümanlarla görüşlerini ifade etmelidir.

Kaynakların tanınması
Hakemler, yazarlar tarafından alıntılanmayan yayınlanmış çalışmaları tanımlamalıdır. Bir gözlem, türetme veya argümanın daha önce bildirildiği herhangi bir ifadeye ilgili atıfta bulunulmalıdır. Bir gözden geçiren aynı zamanda editörün dikkatini, ele alınan yazı ile kişisel bilgileri olan yayınlanmış diğer herhangi bir makale arasında hayati bir benzerlik ya da çakışma olduğuna dikkat etmelidir.

İfşa ve çıkar çatışması
Hakemler, rekabetçi, işbirlikçi veya yazılarla bağlantılı yazarlar, şirketler veya kurumlarla yapılan diğer ilişkilerden / bağlantılardan kaynaklanan çıkar çatışmalarına sahip oldukları makaleleri dikkate almamalıdır.

DERGİ POLİTİKASI
Makale Değerlendirme Süreci
Hakem Davetinin Geçerlilik Süresi : 30 gün
Hakem Daveti İçin Verilen Ekstra Süre : 15 gün
Hakemin Makaleyi Değerlendirme Süresi : 21 gün
Yazarın Düzeltmelerini Gerçekleştirmesi İçin Verilen Süre : 30 gün
Makale Değerlendirmesi İçin Hakeme Verilen Ekstra Süre : 7 gün

Ücret Politikası
Dergimize gönderilen makalelerin değerlendirilmesi/basılması gibi süreçlerde yazarlardan herhangi bir ücret talep edilmemektedir. 

Makale Geri Çekme Süreci
Yayımlanmış bir makalenin geri çekilmesi işlemi ilgili makalenin tüm yazarlarının ortak talebine istinaden yapılmaktadır. Geri çekilen makaleye ait bilgiler yazar(lar)ın editörlüğümüze başvurduğu tarihten sonra yayımlanacak ilk sayımızda GERİ ÇEKME(RETRACTION) başlığı altında bildirilir. 

Politeknik Dergisi makale gönderimi veya basım aşamasında herhangi bir ücret talep etmemektedir.

Atıf Dizinleri

Google Scholar
TR Dizin
Emerging Sources Citation Index (ESCI)
Thomson Reuters / Clarivate Analytics
EBSCO
SOBIAD

Genel Yayın Yönetmeni

Musa ATAR

Baş Editör

Adnan Sözen
Adnan SÖZEN

  
Enerji Sistemleri Mühendisliği, Enerji

Editörler

Murat Tolga ÖZKAN
Serhat KARYEYEN

Editör Yardımcıları

Fatih Emre BORAN
Volkan YILMAZ

Editör Asistanı

Erdem ÇİFTÇİ

Editörler Kurulu

Hülya DURMUŞ
Hüseyin PEKER
İhsan TOKTAŞ
Zafer AYAZ
Nihat OZTURK
O. Ayhan ERDEM
Figen BALO
Mustafa ÖZER
Orhan KAPLAN
Mustafa Bahadır ÖZDEMİR
Hacı Bayram KARADAĞ
İsmail AYDIN
İhsan KORKUT
Halil DEMİR
Melih OKUR
Ahmet GÜRAL
Kasım SERBEST
Murat YÜCEL
Emine Özge KARACA
Cemil ÇETİNKAYA
Volkan YILMAZ
Fatih Emre BORAN

Yayın Danışma Kurulu

Mehmet ESEN
İlker USTA
Ulvi ŞEKER
Murat HOŞÖZ
Hüseyin Rıza BÖRKLÜ
Mustafa AKTAŞ
Mehmet DEMİRTAŞ
Günnur KOCAR
Engin ÖZDEMİR
Ayhan ÖZÇİFÇİ
H. Serdar YÜCESU
Tayfun MENLİK
Metin GÜRÜ
Sare SAHİL
Erol KURT
Ramazan BAYINDIR
Ebru AKPINAR
Ramazan YILMAZ
Prof. Dr. Yasin VAROL
Nadire Şule ATILGAN
Ramazan KÖSE
Erol ARCAKLIOĞLU
Metin İPEK
Dilek KUMLUTAŞ
İshak KARAKAYA
Jamal KHATİB
Musa ATAR

Teknik Sorumlu

Şulenur ASAL
İrem KARAASLAN
Coşkun YÜKSEL

Yayın Etiği Kurulu

Murat Tolga ÖZKAN
Erdem ÇİFTÇİ
Serhat KARYEYEN
 
TARANDIĞIMIZ DİZİNLER (ABSTRACTING / INDEXING)
181341319013191 13189 13187 13188 18016 

download Bu eser Creative Commons Atıf-AynıLisanslaPaylaş 4.0 Uluslararası ile lisanslanmıştır.