Dış Kaynaklı Proje Süreçleri Yönetim Sistemi
Yavuz İ. (Yürütücü), Paksoy T.
Bu proje, Alzheimer hastalığı için genomik ve klinik verileri bir arada kullanarak demansa yakalanma riskinin daha doğru tahmin edilmesini ve hastalıkla ilişkili önemli genlerin belirlenmesini amaçlamaktadır. Günümüzde biyolojik veri üretim teknolojilerinin hızla gelişmesi, genomik, transkriptomik, proteomik ve klinik veriler gibi çok farklı niteliklere sahip veri türlerinin kapsamlı şekilde elde edilmesini mümkün kılmıştır. Ancak bu verilerin yapısal farklılıkları, depolama biçimleri ve sahip oldukları gürültü düzeyi nedeniyle analizleri halen önemli bir araştırma konusudur. Tek bir veri kaynağı ile eğitilen modeller, karmaşık biyolojik süreçleri tam olarak yakalayamadığından, hastalık riskinin doğru tahmini, sağkalım analizi veya anlamlı genlerin belirlenmesi gibi konularda sınırlı performans göstermektedir. Bu nedenle literatürde çoklu biyolojik veri kaynaklarını bir araya getiren çeşitli veri füzyon yaklaşımları önerilmiştir. Erken, ara ve geç entegrasyon yöntemlerinin yanı sıra yapay sinir ağları ve grafik tabanlı modeller sık kullanılan yöntemler arasındadır. Ayrıca farklı algoritmaların güçlü yönlerini birleştiren topluluk (ensemble) öğrenmesi yöntemleri de giderek daha fazla ilgi görmekle birlikte, bu alandaki çalışmalar hâlâ sınırlıdır. Bu doğrultuda projede, sansürlü gözlemler içeren çoklu biyolojik veri türlerini bütünleştirmek amacıyla yeni bir süper öğrenme (super learner) algoritması geliştirilmiştir. Geliştirilen yöntem, hem genomik hem klinik veri için ayrı ayrı süper öğrenme modelleri kurmakta ve bu modellerde yer alan çeşitli makine öğrenmesi algoritmalarının tahminlerini, integrated Brier score değerlerine dayalı bir ağırlıklandırma süreci ile birleştirmektedir. Amaç, hatası en düşük olan modeli daha yüksek ağırlıkla temsil ederek tahmin performansını artırmaktır. Daha sonra her veri türü için elde edilen süper öğrenme tahminleri bir araya getirilerek nihai bir tahmin matrisi oluşturulmuştur. Veri türleri arasında da performansa dayalı ikinci bir ağırlıklandırma yapılmış ve böylece iki aşamalı bir birleşim yaklaşımı geliştirilmiştir. Alzheimer hastalarında yarışan risklerin (örneğin başka hastalıklardan ölüm, kazalar gibi demans gelişimini engelleyen olaylar) varlığı da analiz sürecine dahil edilmiştir. Yarışan risk bilgilerini içeren bu çoklu omik entegrasyonu sayesinde hastaların demans risklerinin daha doğru tahmin edilmesi, hastalıkla ilişkili biyobelirteçlerin ve ilgili biyolojik yolakların keşfedilmesi hedeflenmiştir. Ayrıca geliştirilen algoritmanın araştırmacılar tarafından kolayca kullanılabilmesi için bir R paketinin oluşturulması planlanmıştır. Çalışmanın yaygın etkisi, Alzheimer tanısı ve risk değerlendirmesinde daha hassas modellerin geliştirilmesine, hastalığa katkıda bulunan faktörlerin daha güvenilir şekilde belirlenmesine ve sağlık maliyetlerini azaltabilecek önleyici stratejilerin geliştirilmesine katkı sağlamaktır. Önerilen yöntem, yarışan risk koşullarında çoklu veri entegrasyonuna yönelik ilk süper öğrenme yaklaşımlarından biri olarak literatüre yenilik getirmektedir.