Evrişimli sinir ağları ile DNA görüntülerinde hasar tespiti yönteminin geliştirilmesi

İnsan hücreleri, sürekli olarak hem içsel (endojen) hem de dışsal (eksojen) faktörlerin saldırısına maruz kalmaktadır. Bu faktörler, nükleotitlerin kimyasal yapısını değiştirebilir veya DNA'nın fosfodiester omurgasını bozarak DNA hasarına neden olabilirler. Her hücrede, aynı anda binlerce dna hasarı meydana gelir ve bu durum genomun bütünlüğünü tehdit eder. DNA hasarlarının doğru bir şekilde anlaşılması ve sınıflandırılması, genetik, kanser araştırmaları ve toksikoloji gibi alanlarda büyük önem taşımaktadır. DNA hasarının tespitinde yaygın olarak kullanılan yöntemlerden biri, Tek Hücre Jel Elektroforezi olarak da bilinen Kuyruklu Yıldız Testi'dir (Comet Assay). Bu yöntem, tek tek hücrelerdeki DNA hasarını görselleştirmeyi sağlar. Elektroforez uygulandığında, hasarlı DNA çekirdekten çıkarak bir kuyruk oluşturur; bu kuyruk, kuyruklu yıldız benzeri bir şekil alırken, sağlam DNA kompakt kalır. Kuyruğun uzunluğu ve yoğunluğu, DNA hasarının miktarı ile orantılıdır ve bu, DNA parçalanmasının ölçülmesi için hassas ve etkili bir yol sağlar. Teknolojideki ilerlemelerle birlikte, DNA hasarının analizi giderek yapay zekâ (YZ) ve makine öğrenimi (ML) tekniklerini içermeye başlamıştır. Bu teknolojiler, DNA hasarının tespitinde ve sınıflandırılmasında hız ve doğruluğu artırmakla kalmaz, aynı zamanda hasar türlerinin sınıflandırılmasını ve onarım sonuçlarının tahmin edilmesini de kolaylaştırır. YZ ve ML modelleri, DNA görüntülerindeki farklı hasar türlerine özgü desenleri tanımak üzere geniş veri kümeleri üzerinde eğitilebilir. Bu modeller, karmaşık verileri analiz etmek ve yorumlamak için konvolüsyonel sinir ağları (CNN'ler) gibi derin öğrenme mimarilerini kullanır. Bu tez çalışması kapsamında derin öğrenme tabanlı (ESA) yöntemleriyle mikroskopta elde edilmiş DNA görüntülerinin bozulma sınıflandırması amacıyla farklı yöntem ve model çalışmaları önerilmektedir. Tez çalışması kapsamında DNA görüntülerinin etiketleme işleminin gerçekleştirilmesi, etiketlenen DNA görüntülerinin literatürde kullanılan güncel derin öğrenme mimarileri ile sınıflandırma işleminin gerçekleştirilmesi sonuçlarının değerlendirilmesi, sınıflandırma aşamasında en yüksek başarım değerlerine ulaşılan modellerin hiperparametre değerlerinin optimizasyon işlemlerinin gerçekleştirilmesi, geliştirilen optimizasyon değerlerine göre yeniden tüm mimarilerin eğitilmesi ve başarım değerlerinin karşılaştırılması gerçekleştirilmiştir. İkinci aşamada DNA görüntülerinin sınıflandırmasını en iyi şekilde gerçekleştirebilmek için keras kütüphanesinden yardım alınarak hiperparametre optimizasyonu ile en uygun, en yüksek başarımı elde etmek amacıyla modeller oluşturulup, modellerin başarımları karşılaştırılmıştır. 20 katman CNN modeli en yüksek %89 başarım oranına sahip olmuştur. Geliştirilen model, mevcut kullanılan İnsan hücreleri, sürekli olarak hem içsel (endojen) hem de dışsal (eksojen) faktörlerin saldırısına maruz kalmaktadır. Bu faktörler, nükleotitlerin kimyasal yapısını değiştirebilir veya DNA'nın fosfodiester omurgasını bozarak DNA hasarına neden olabilirler. Her hücrede, aynı anda binlerce dna hasarı meydana gelir ve bu durum genomun bütünlüğünü tehdit eder. DNA hasarlarının doğru bir şekilde anlaşılması ve sınıflandırılması, genetik, kanser araştırmaları ve toksikoloji gibi alanlarda büyük önem taşımaktadır. DNA hasarının tespitinde yaygın olarak kullanılan yöntemlerden biri, Tek Hücre Jel Elektroforezi olarak da bilinen Kuyruklu Yıldız Testi'dir (Comet Assay). Bu yöntem, tek tek hücrelerdeki DNA hasarını görselleştirmeyi sağlar. Elektroforez uygulandığında, hasarlı DNA çekirdekten çıkarak bir kuyruk oluşturur; bu kuyruk, kuyruklu yıldız benzeri bir şekil alırken, sağlam DNA kompakt kalır. Kuyruğun uzunluğu ve yoğunluğu, DNA hasarının miktarı ile orantılıdır ve bu, DNA parçalanmasının ölçülmesi için hassas ve etkili bir yol sağlar. Teknolojideki ilerlemelerle birlikte, DNA hasarının analizi giderek yapay zekâ (YZ) ve makine öğrenimi (ML) tekniklerini içermeye başlamıştır. Bu teknolojiler, DNA hasarının tespitinde ve sınıflandırılmasında hız ve doğruluğu artırmakla kalmaz, aynı zamanda hasar türlerinin sınıflandırılmasını ve onarım sonuçlarının tahmin edilmesini de kolaylaştırır. YZ ve ML modelleri, DNA görüntülerindeki farklı hasar türlerine özgü desenleri tanımak üzere geniş veri kümeleri üzerinde eğitilebilir. Bu modeller, karmaşık verileri analiz etmek ve yorumlamak için konvolüsyonel sinir ağları (CNN'ler) gibi derin öğrenme mimarilerini kullanır. Bu tez çalışması kapsamında derin öğrenme tabanlı (ESA) yöntemleriyle mikroskopta elde edilmiş DNA görüntülerinin bozulma sınıflandırması amacıyla farklı yöntem ve model çalışmaları önerilmektedir. Tez çalışması kapsamında DNA görüntülerinin etiketleme işleminin gerçekleştirilmesi, etiketlenen DNA görüntülerinin literatürde kullanılan güncel derin öğrenme mimarileri ile sınıflandırma işleminin gerçekleştirilmesi sonuçlarının değerlendirilmesi, sınıflandırma aşamasında en yüksek başarım değerlerine ulaşılan modellerin hiperparametre değerlerinin optimizasyon işlemlerinin gerçekleştirilmesi, geliştirilen optimizasyon değerlerine göre yeniden tüm mimarilerin eğitilmesi ve başarım değerlerinin karşılaştırılması gerçekleştirilmiştir. İkinci aşamada DNA görüntülerinin sınıflandırmasını en iyi şekilde gerçekleştirebilmek için keras kütüphanesinden yardım alınarak hiperparametre optimizasyonu ile en uygun, en yüksek başarımı elde etmek amacıyla modeller oluşturulup, modellerin başarımları karşılaştırılmıştır. 20 katman CNN modeli en yüksek %89 başarım oranına sahip olmuştur. Geliştirilen model, mevcut kullanılan ESA modellerinin başarım değerine göre daha iyi başarım değeri elde ederken, ESA modellerinin optimizasyonu gerçekleştirildiğinde başarım değerleri daha yüksük seviyeye çıkmaktadır. Geliştirilen model ile nesne tanıma uygulaması gerçekleştirilmiş ve DNA hasar görüntüleri üzerinde otomatik sınıflandırma, aynı zamanda veri setinin arttırılması sağlanarak geliştirilen modelin başarım değeri daha üste seviyeye çıkartılması sağlanmıştır.ESA modellerinin başarım değerine göre daha iyi başarım değeri elde ederken, ESA modellerinin optimizasyonu gerçekleştirildiğinde başarım değerleri daha yüksük seviyeye çıkmaktadır. Geliştirilen model ile nesne tanıma uygulaması gerçekleştirilmiş ve DNA hasar görüntüleri üzerinde otomatik sınıflandırma, aynı zamanda veri setinin arttırılması sağlanarak geliştirilen modelin başarım değeri daha üste seviyeye çıkartılması sağlanmıştır.