SNP markırlarının burun morfolojisi ile ilgili özelliklerinin modellenmesi

Adli bilimlerde tek nükleotit polimorfizmi ((Tek Nokta Polimorfizmi, Single Nucleotide Polymorphism), SNP) markırları kullanılarak kimlik tanımlaması, fenotipleme, soy bağı belirleme ve genetik soy tayini yapılabilmektedir. Adli fenotipleme, moleküler biyoloji ve genetik bilimdeki ilerlemeler sayesinde önemli bir araç haline gelmiştir. Bu yöntem, suç çözme, kimlik tespiti ve tarih öncesi insan araştırmalarında değerli bilgiler sağlamaktadır. Son yıllarda, göz, saç ve ten rengi, erkek tipi kellik durumu, yüz yapısı, kulak şekli ve boy uzunluğu gibi çeşitli fiziksel özelliklerle yapılan çalışmalar önemli ölçüde artış göstermiştir. Yüz yapısını belirleyen genetik faktörler, çok sayıda genin etkileşimi sonucu belirlenir. Bu genler, yüzün genişliği, uzunluğu, burun şekli, elmacık kemiklerinin belirginliği gibi özellikleri etkiler. Son yıllarda yapılan geniş ölçekli genom çalışmaları, yüz yapısını etkileyen önemli genetik varyasyonların tanımlamasını sağlamıştır. Bu çalışmada, burun morfolojisinin tahmininde yüksek derecede anlamlılık gösterdiği belirlenen 24-SNP markırından oluşan iki multipleks panel geliştirilerek optimize edildi. Optimizasyon sürecinde 2800M kontrol DNA kullanıldı. Panellerin optimizasyonu tamamlanarak analiz eşiği, hassasiyet, dinamik aralık ve tekrarlanabilirlik validasyon parametreleri uygulandı. Çalışma için yüz bölgesinde herhangi kronofasial anomalisi olmayan, yüzünde ameliyat geçirmemiş 18-45 yaş aralığında 103 kişiden oluşan gönüllülerden ağız içi sürüntü veya kan örnekleri alındı. Burunla ilişkilendirilen SNP markırları, SNaPshot yöntemiyle analiz edildi ve burun özelliklerinin tahmini için Python programlama dili (ML, Machine Learning) kullanılarak Çoklu Nominal Lojistik Regresyon (Multinominal Lojistik Regresyon, Multinominal Logistic Regression, MLR) analizi ile bir tahmin modeli gerçekleştirildi. Model, 24 SNP genotip verilerinden ve burunla ilgili özelliklerden 5 hedef değişkenden (uzun burun, geniş burun deligi, uzun burun deligi, kemerli burun ve geniş burundan) oluşturuldu. Her hedef değişken için veriler, eğitim ve test setlerine (%70 eğitim, %30 test) bölündü. Eğitim setini kullanarak MLR modeli eğitildikten sonra test seti üzerinde burun morfolojisi tahmini yapıldı. Son olarak model için doğruluk, kesinlik, duyarlılık, F1 skoru, ROC eğrisi ve AUC değerleri elde edildi. 5 burun özelliği için oluşturulan modellerin performansını gösteren AUC değerlerine dayanarak yapılan tahmin değerlendirmesine göre; Uzun burun için en yüksek tahmin (AUC = 0,58) rs11665450 (TT) genotipi olmuştur. Geniş burun tahmininde en yüksek (AUC=0,42) rs2045323 (GA) SNP genotipi olmuştur. Burun köprüsü açısı (kemerli, kemersiz) için en yüksek tahmin (AUC = 0,69) ile rs921120 (GA) genotipine sahip SNP lokusu göstermiştir. Geniş burun deliği içinen yüksek tahmin (AUC = 0,73) değerine sahip olan rs2206437 (TT) genotipi olmuştur. Uzun burun deliği için en yüksek tahmin gösteren (AUC = 0,70) rs11653132 (AC) genotipine sahip SNP lokusu olmuştur. Çalışmamızın sonucunda, geniş burun deliği (rs921120), kemerli burun (rs11653132), uzun burun deliği (rs2206437), uzun burun (rs11665450), geniş burun (rs2045323) modelleri dengeli gerçek pozitif ve gerçek negatif değerler ve daha yüksek AUC değerleriyle diğer SNP lokuslarına göre daha iyi performans gösterdiği görülmüştür. Ancak bu SNP markırlarına ek olarak burun morfolojisiyle ilgili daha fazla SNP lokusu araştırılarak daha yüksek doğrulukta modelleme yapılabilir.