Yazar "Demirhan, Deniz Baran" seçeneğine göre listele

Listeleniyor 1 - 3 / 3
  • Küçük Resim
    Öğe
    KÜTLE SPEKTROMETRESİ TEMELLİ KLİNİKSEL GLİKOMİK ÇALIŞMALARINA YÖNELİK BİR MAKİNE ÖĞRENMESİ UYGULAMASI
    (2022-06) Demirhan, Deniz Baran
    Mide kanseri dünyada en çok görülen kanser türlerinden biridir. Mide kanseri dokuları üzerinde N-glikozilasyon yapılarının incelenip makine öğrenmesi algoritmaları yöntemleriyle değerlendirilmesine yönelik literatürdeki çalışma sayısı çok azdır. Bu tez kapsamında, mide kanseri glikan profilleri MALDI-MS ile incelenip oluşturulan veri setinin makine öğrenmesi algoritmalarıyla değerlendirilmesi amaçlanmıştır. Bu kapsamda Karabük Eğitim ve Araştrıma Hastanesi Patoloji bölümünden parafilm ile kaplanmış mide kanseri ve kontrol dokuları alınıp bu çalışmada kullanılmıştır. İlk başta dokulardan parafilm uzaklaştırılmıştır. Dokulardan proteinlerin ekstraksiyonu kloform/methanol yöntemi ile gerçekleştirilmiştir. Ekstrakte edilen glikoproteinlerden N-glikanların salınımı sonrası glikanlar 2-AA ile etiketlenmiştir. Sırasıyla selüloz ve gözenekli grafitize karbon katı faz kartuşları ile 2-AA etiketli glikanların saflaştırılmaları yapılmıştır ve 2-AA ile etiketlenmiş N-glikanların MALDI-MS analizleri gerçekleştirilmiştir. Analizler sonucu 59 adet N-glikan yapısı tespit edilmiştir. Daha sonra N-glikanların yapısal doğrulamaları tandem MS/MS analizleri ile gerçekleştirilmiştir ve yapısal özelliklerine göre glikanlar gruplandırılmıştır. Bu analizler sonucunda tespit edilen glikanların göreceli alanları ve analit alanları hesaplanmıştır. Elde edilen veriler makine öğrenmesi algoritmaları için düzenlenerek veri seti haline getirilmiştir. Nötr N-glikanlar için göreceli ve analit alanı olarak 2 ayrı veri seti ve tüm N-glikanlar için göreceli ve analit alan olarak 2 ayrı veri seti ve sonuç olarak toplamda 4 farklı veri seti oluşturulmuştur. Her bir kanser ve kontrol örneğine ait maksimum 4 teknik tekrardan elde edilen veriler analizlere dahil edilmiştir. KNN, RF, DT, SVM, LR ve MLPC algoritmaları ile model değerlendirme parametreleri kullanılarak verilerden anlamlı sonuçlar elde edilmiştir. Bu bağlamda uygulanan algoritmalar ve model değerlendirmeleri ile N-glikanlarda kanser ve kontrol dokuları arasında anlamlı farklılıklar olduğu görülmüştür. MLPC algoritması her veri setinde en yüksek doğruluk skoruna sahip olan algoritma olmuştur. Nötr N-glikanlar göreceli alan veri setinde MLPC algoritmasının doğruluk skoru %93.6+-0.8 ve ROC analizi sonrası AUC skoru 0.99 olarak bulunmuştur.
  • Küçük Resim Yok
    Öğe
    Prediction of gastric cancer by machine learning integrated with mass spectrometry-based N-glycomics
    (Royal Soc Chemistry, 2023) Demirhan, Deniz Baran; Yilmaz, Hakan; Erol, Harun; Kayili, Haci Mehmet; Salih, Bekir
    Early and accurate diagnosis of gastric cancer is vital for effective and targeted treatment. It is known that glycosylation profiles differ in the cancer tissue development process. This study aimed to profile the N-glycans in gastric cancer tissues to predict gastric cancer using machine learning algorithms. The (glyco-) proteins of formalin-fixed parafilm embedded (FFPE) gastric cancer and adjacent control tissues were extracted by chloroform/methanol extraction after the conventional deparaffinization step. The N-glycans were released and labeled with a 2-amino benzoic (2-AA) tag. The MALDI-MS analysis of the 2-AA labeled N-glycans was performed in negative ionization mode, and fifty-nine N-glycan structures were determined. The relative and analyte areas of the detected N-glycans were extracted from the obtained data. Statistical analyses identified significant expression levels of 14 different N-glycans in gastric cancer tissues. The data were separated based on the physical characteristics of N-glycans and used to test in machine-learning models. It was determined that the multilayer perceptron (MLP) was the most appropriate model with the highest sensitivity, specificity, accuracy, Matthews correlation coefficient, and f1 scores for each dataset. The highest accuracy score (96.0 +/- 1.3) was obtained from the whole N-glycans relative area dataset, and the AUC value was determined as 0.98. It was concluded that gastric cancer tissues could be distinguished from adjacent control tissues with high accuracy using mass spectrometry-based N-glycomic data.
  • Küçük Resim Yok
    Öğe
    Utilizing linkage-specific ethyl-esterification approach to perform in-depth analysis of sialylated N-glycans present on milk whey glycoproteins
    (Elsevier Sci Ltd, 2023) Kayili, Haci Mehmet; Barlas, Nazire; Demirhan, Deniz Baran; Yaman, Mehmet Emrah; Atakay, Mehmet; Guler, Ulku; Kara, Mustafa
    Glycosylation of milk whey proteins, specifically the presence of sialic acid-containing glycan residues, causes functional changes in these proteins. This study aimed to analyze the N-glycome of milk whey glycoproteins from various milk sources using a linkage-specific ethyl esterification approach with MALDI-MS (matrix-assisted laser desorption/ionization-mass spectrometry). The results showed that the N-glycan profiles of bovine and buffalo whey mostly overlapped. Acetylated N-glycans were only detected in donkey milk whey at a rate of 16.06%. a2,6-linked N-Acetylneuraminic acid (a2,6-linked NeuAc, E) was found to be the predominant sialylation type in human milk whey (65.16%). The amount of a2,6-linked NeuAc in bovine, buffalo, goat, and donkey whey glycoproteomes was 42.33%, 44.16%, 39.00%, and 34.86%, respectively. The relative abundances of a2,6-linked N-Glycolylneuraminic acid (a2,6-linked NeuGc, Ge) in bovine, buffalo, goat, and donkey whey were 7.52%, 5.41%, 28.24%, and 17.31%, respectively. Goat whey exhibited the highest amount of a2,3-linked N-Glycolylneuraminic acid (a2,3-linked NeuGc, Gl, 8.62%), while bovine and donkey whey contained only 2.14% and 1.11%, respectively.