Kanser hücre hattı ile ilaç duyarlılık ilişkisinin açık kaynaklı veriler kullanılarak analizi

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Bursa Uludağ Üniversitesi, Sağlık Bilimleri Enstitüsü, Sağlık Bilimleri Enstitüsü, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: BERFU MERGEN

Danışman: Gıyasettin Özcan

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Kanser dokuları, biriken mutasyonlar nedeniyle genetik olarak dinamik bir yapı sergilemekte olup, yeni mutasyonların ortaya çıkması kanser ilaçlarının etkinliğini değiştirebilmektedir. Bu çalışmanın amacı, genetik mutasyon profilleri ile ilaç duyarlılığı arasındaki ilişkiyi analiz etmek ve bu ilişkiyi kullanarak kanser hücrelerinin ilaç yanıtını tahmin edebilen bir makine öğrenmesi modeli geliştirmektir. Çalışmanın ilk aşamasında, küçük hücreli akciğer kanserinde ilaç–mutasyon etkileşimleri incelenmiştir. Hücre hatları, mutasyon yükü, doku bilgisi ve IC50 değerleri tek bir veri kümesinde birleştirilmiştir. Oluşturulan veri kümesi, mutasyon yüküne bağlı olarak ilaç duyarlılığını tahmin etmek amacıyla makine öğrenmesi analizlerinde kullanılmıştır. Çalışmanın ikinci aşamasında ise daha geniş kapsamda, tüm kanser hücre hatlarına ait ilaç duyarlılığı verileri, somatik mutasyon verileri ve gen–ilaç etkileşim bilgilerini içeren farklı veri tabanları entegre edilmiştir. Deneysel sürecin ilk aşamasında, mutasyon türü, sayısı, biyolojik etkisi ve varyant alel frekansı gibi özellikler sayısallaştırılarak her hücre hattı için tanımlayıcı öznitelikler elde edilmiştir. Yapılan analizlerde, ilaç duyarlılığını en yüksek doğrulukla tahmin eden algoritmanın XGBoost olduğu belirlenmiştir. XGBoost, R², RMSE ve MAE performans ölçütleri açısından diğer algoritmalara kıyasla daha başarılı sonuçlar vermiştir. Mutasyon yükü özellikleri kullanılarak küçük hücreli akciğer kanserinde IC50 değeri anlamlı düzeyde tahmin edilmiştir (R² ≈ 0,60). Çalışmanın ikinci aşamasında ise LightGBM Regressor en yüksek performansı göstermiştir. Model, R² = 0,9120 değeri ile öne çıkarken aynı zamanda en düşük MSE (0,1371) ve MAE (0,1576) değerlerini üretmiştir. Geliştirilen modeller, deneysel çalışmalara yön verebilecek öngörüsel bir karar destek yaklaşımı sunmaktadır. Elde edilen bulgular, genetik mutasyonların ilaç yanıtındaki belirleyici rolünü ortaya koymakta ve kişiselleştirilmiş kanser tedavisine katkı sağlayabilecek güçlü bir çerçeve sunmaktadır.