Yüksek çözünürlüklü erime eğrilerinin sınıflandırılması için derin öğrenme tabanlı yöntemlerin geliştirilmesi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2021
Tezin Dili: Türkçe
Öğrenci: FATMA ÖZGE ÖZKÖK
Danışman: Mete Çelik
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Yüksek çözünürlüklü erime (HRM) eğrisi analizi, gerçek zamanlı polimeraz zincir reaksiyonu (PCR) sonuçlarını analiz etmek için etkili, güvenilir ve hızlı bir tekniktir. Eğriler DNA dizisinin uzunluğunu, sırasını ve guanin/sitozin oranını temsil ettiği için DNA analizinde sıklıkla kullanılmaktadır. Literatürde, bu eğrilerin sınıflandırılması genellikle görsel inceleme yoluyla yapılmaktadır ve sınırlı sayıda sayısal analize dayanan yöntem kullanılmıştır. Ancak, türlerin örneklerinin ve yakından ilişkili türlerin sayısı arttıkça, HRM eğrilerinin sınıflandırılması zorlaşmaktadır. Bu nedenle, bu zorlukları çözmek için yeni teknikler gerekmektedir. Bu tezde, HRM verilerinin sınıflandırma doğruluğunu iyileştirmek için derin öğrenme tabanlı üç yeni yöntem önerilmiştir. İlk yöntem, yineleme haritaları (YH) kullanılarak oluşturulan HRM verilerinin görüntü temsilini kullanan YH-ESA'dır. HRM verileri yineleme haritasına dönüştürüldükten sonra önerilen evrişimli sinir ağları (ESA) tabanlı modeller ile sınıflandırılır. İkinci yöntem, hem HRM eğrilerini hem de HRM türev eğrilerini girdi olarak alan ESA-UKVH'dır. Önerilen ESA-UKVH modelinde özellik çıkarımı için ESA modeli ve sınıflandırma için ise UKVH modeli kullanılmıştır. Üçüncü yöntem, önceki iki yöntemin bir kombinasyonu olan YH-ESA-ÇY-UKVH'dir. Önerilen yöntem, HRM eğrilerinin ve HRM türev eğrilerinin yineleme haritalarını ESA-ÇY-UKVH kullanarak sınıflandırmıştır. Önerilen yöntemlerin performansı, doğruluk, makro ortalama F1, özgüllük, kesinlik ve geri çağırma sınıflandırma ölçütleri kullanılarak değerlendirilmiştir. Deneysel çalışmalarda önerilen yöntemler literatürdeki klasik yöntemlerden daha iyi performans göstermiştir.