Glioma alt tiplerinin mRNA ekspresyon verileri kullanılarak makine öğrenmesi yöntemleri ile sınıflandırılması

Gliomalar, beyin tümörleri arasında en sık görülen türlerden biridir. Histopatolojik olarak düşük dereceli ve yüksek dereceli gliomalar olmak üzere iki gruba ayrılır. Hızlı büyüme ve erken yayılım özellikleri gösteren malign (kötü huylu) bir tür olan glioblastoma multiforme (GBM), yüksek mortalite ve nüks oranlarıyla son derece agresif bir tümördür. Gliomaların kesin nedeni bilinmemekle birlikte, farklı tedavi yaklaşımlarına rağmen genellikle kötü prognoz ve nüksü kaçınılmazdır. Bu nedenle, gliomaların doğru sınıflandırılması, erken teşhisi ve etkili tedavisi büyük önem taşımaktadır. Kişiye özgü tedavi planlamasının yapılabilmesi için tümör derecesinin doğru bir şekilde belirlenmesi gerekmektedir. Bu tez çalışmasında, glioma tanısı alan hastalara ait mRNA ekspresyon verilerinden faydalanılarak tümörlerin yüksek dereceli (Glioblastoma Multiforme-GBM) ve düşük dereceli gliomalar (Low-Grade Glioma LGG) olarak sınıflandırılması amaçlanmıştır. Makine öğrenmesi, genetik verilerin moleküler seviyede analizine olanak tanıyan ve büyük veri analizi için yaygın olarak kullanılan etkili bir yöntemdir. Bu bağlamda, yapılan tez çalışmasında makine öğrenmesi yöntemlerinden olan Naive Bayes ve destek vektör makinesi kullanılmıştır. Geliştirilen en başarılı tahmin modeli %100 duyarlılık, %98 özgüllük ve %99 doğruluk değerleri ile radial tabanlı destek vektör makinesi olarak belirlenmiştir. Gliomaların alt tiplerine göre doğru sınıflandırılması sayesinde kişiye özel tedavi yaklaşımlarına katkı sağlayacaktır. Anahtar Sözcükler: Destek vektör makinesi, Genetik, Glioma, Makine öğrenmesi, mRNA, Sınıflama