Survival prediction via partial ordering in feature space and sample space

Bir hastanın sağkalımını tahminleme, hastaya uygun tedavi planını belirleyebilmek için kritik öneme sahiptir ve geleneksel olarak hastanın yaşı, tümör evresi gibi klinik ve patolojik değişkenlere dayandırılarak yapılmaktadır. Bu tezde, yeni nesil dizilime yöntemleri ile elde edilen moleküler verileri kullanarak başarılı ve yorumlanabilir sağkalım tahminleme modellerine ulaştıran iki yöntem sunuyoruz. Mevcut sağkalım modellerinin çoğu, moleküllerin tekil ifadeleme değerlerinin tekil temsili üzerine kurulmaktadır. Fakat kanser, moleküler mekanizmaların çok farklı yollarla bozulması ile meydana çıkan karmaşık bir hastalıktır. Bu çalışmada sistemsel biyoloji yaklaşım ile, moleküler değerlerin birbirlerine göre sıralamasını göz önünde bulunduran bir öznitelik temsili öneriyoruz. Önerdiğimiz model moleküler özniteliklerin doğrudan bağlantılı oldukları biyolojik mekanizmaları açığa çıkmarmayı mümkün kılmanın yanında, genel kabul görmüş, L1 regülasyonlu çok değişkenli Cox nisbi risk ve Rastgele Sağkalım Ormanı modelleri ile over kanserinde sağ kalımı tahmin için kullanıldığında, tekil değerler ile kurulan modellerden daha iyi sonuçlar vermektedir. Önerdiğimiz öznitelik temsilini over kanseri hasta gruplarını bulmakta kullandığımızda da grupların sağkalım dağılımları arasında istatiksel olarak anlamlı ölçüde bir ayrım sağladığını görmekteyiz. İkinci olarak ise, sıralama tahminini karar destek vektörleri ile öğrenen yeni bir model (RsurVM) sunuyoruz. RsurVm, sağkalım modellerinin başarımlarını ölçmek için en yaygınca kullanılan metrik olan konkordans indisini optimize etmeye odaklanmakta ve sansürlü örneklemleri de hiç bir ön kabul yapmadan kullanabilmektedir. Over kanseri hastalarının moleküler verileri üzerinde yaptığımız geniş kapsamlı testler göstermektedir ki RsurVM, kullanılan moleküler veriden bağımsız olarak (mRNA,protein, miRNA, kopya sayısı farklılıkları ve metilasyon), net bir şekilde, Cox nisbi risk ve Rastgele Sağkalım Ormanı modellerini geri bırakarak en iyi sağkalım tahminlemesini yapmaktadır.