Kanser karşıtı peptitlerin tahmininde yeni öznitelik kodlama yöntemleri geliştirilmesi

Kanser, ölüme sebebiyet verme olasılığı yüksek olan hastalıkların başında gelmektedir. Bilinen kanser tedavilerinde kullanılan yöntemler, tümörlü hücreleri yok ederken tümör bulaşmamış hücreler de tedavi süresince etkilenmektedir. Son yıllarda çeşitli tümör tedavilerinde umut vaat eden peptid tabanlı stratejiler kullanılmaktadır. Bu doğrultuda kanser karşıtı peptidler gelişme sürecindedir. Kanser karşıtı peptidlerin ortaya çıkması ile sağlıklı hücrelere zarar verilmeden sadece tümörlü hücreler yok edilebilir. Şöyle ki, kanser karşıtı peptidler doğada katyonik olduklarından, kanser hücrelerinin anyonik hücre zar bileşenleri ile etkileşip özellikle kanser hücrelerini ortadan kaldırabilirler. Ayrıca kanser karşıtı peptidler vücuda fiziksel olarak zarar vermezler ve bu özellikleri ile yapay ilaçlardan daha etkili ve güvenilirdirler. Kanser karşıtı peptidlerin tespiti hastalıkların tedavisi ve ilaç geliştirilmesi açısından önemli bir adımdır. Ancak kanser karşıtı peptidleri diğer peptidlerden ayırt etmek maliyetli ve zor bir işlemdir. Peptid dizilimlerin istatistiki yöntemler ile tahmin edilmesi yerinde olacaktır. Bu nedenle makine öğrenmesi temelli çalışmalar ile bilgisayar ortamında hastalığın modellenerek tahmin edilmesi daha avantajlıdır. Kanser karşıtı peptidler üzerinde yapılan çalışmalar incelendiğinde dizilim tabanlı metotların daha etkili sonuçlar verdiği anlaşılmaktadır. Bizim önerdiğimiz yeni yöntemde Evrensel Protein Kaynağı tarafından yayınlanan veri seti üzerinde 2-grams özellik çıkarım yöntemi ve Taylor Venn Diyagramı kullanılarak peptidlere ait özellikler çıkarılmış ve çıkarılan özelliklerin değerleri Blosum 30 yer değiştirme matrisi kullanılarak güncellenmiştir. Çalışma sonuçlarının etkisini artırmak için boyut daraltma yöntemlerinden Fisher doğrusal ayırtaç analizi yöntemini kullanılarak özelliklerin boyutu daraltılıp İkili ve Düzendiz Ağaç, Çok Katmanlı Algılayıcı, Rastgele Orman, Naive Bayes, Bayes Ağları, doğrusal Destek Vektör Makineleri, radyal tabanlı fonksiyon Destek Vektör Makineleri, k-En Yakın Komşuluk, Adaboost, Bagging, k-Yıldız ve Lojistik Regresyon sınıflandırıcı algoritmalar ile sınıflandırılmıştır. Yapılan deneysel çalışmalarla önerilen yöntemin var olan yöntemlerle karşılaştırılıp analiz edilmiştir. Analiz sonucunda kanser karşıtı peptidlerin tespiti için geliştirdiğimiz yöntem, literatürde aynı veri seti üzerinde gerçekleştirilen çalışmalara göre en yüksek performansı göstermiştir.