Ölçeklenebilir, çoklu-omik veriye dayalı metabolizma modellemesi: hücresel yeniden programlamayı simüle etmek için sistemsel bir yaklaşım

Biyolojik sistemler, endüstriyel optimizasyon, çevresel sürdürülebilirlik ve kanser teşhisi ve tedavisi gibi tıbbi ilerlemeler de dahil olmak üzere çeşitli alanlardaki zorlukların çözülmesinde kritik bir rol oynar. Bu sistemlerin karmaşıklığı, hiyerarşik düzenlemeleri ve uyarlanabilir doğası, analiz edilmelerini zorlaştırarak sistem davranışını tahmin etmek ve etkili müdahaleler tasarlamak için bütüncül bir yaklaşım gerektirir. Sistem biyolojisi ve matematiksel modelleme, biyolojik bilgiyi nicel çerçevelere dönüştürmek için temel yöntemler olarak ortaya çıkmıştır. Bu modeller, farklı koşullar altında sistem yanıtlarını simüle etmeyi, analiz etmeyi ve tahmin etmeyi sağlar. Ancak biyolojik ağların doğal karmaşıklığı, hesaplama ve bilgi kısıtlamalarıyla birleştiğinde ayrıntılı modelleme açısından büyük zorluklar oluşturur. Son yıllarda yüksek verimli deneysel teknolojiler, çeşitli moleküler seviyelerde büyük çoklu-omik veri kümeleri üretmiştir. Bu heterojen verilerin entegrasyonu, temel mekanizmalar, optimizasyon stratejileri, terapötik hedefler ve sistem düzeyindeki özellikler hakkında önemli bilgiler sağlar. Ancak bu entegrasyon, veri heterojenliği, gürültü ve ölçeklenebilirlik gereksinimleri gibi yöntemsel zorlukları da beraberinde getirir. Bu tez, çoklu-omik veri entegrasyonu, matematiksel modelleme ve önceden belirlenmiş ağ indirgeme yaklaşımları ile biyolojik sistemler araştırmasına katkıda bulunmaktadır. İlk bölüm, maya hücrelerinde oksidatif stres yanıtlarının mekanistik kinetik modellemesine odaklanarak, transkriptomik, metabolomik ve fluksomik verileri linlog kinetik çerçevesi içinde ele almaktadır. İkinci bölüm ise, makine öğrenmesi ve yol zenginleştirme yaklaşımlarını kullanarak çoklu-omik veri kümelerini değerlendirmekte, kanser alt türlerini belirleme ve erken teşhis için kişiselleştirilmiş hastalık durumlarını tanımlayan moleküler belirteçleri ortaya çıkarmaktadır. Mekanistik ve veri odaklı yaklaşımları birleştiren bu çalışma, moleküler düzeydeki anlayış ile öngörücü modelleme arasındaki boşluğu kapatmaya katkıda bulunarak, endüstriyel biyoteknoloji ve kişiselleştirilmiş tıp uygulamalarını geliştirmeyi amaçlamaktadır.