"Gen İfadesinden Girişimsel Olmayan Tanıya"
Geliştirdiğimiz uygulamayı canlı olarak denemek için tıklayın: 👉 Metabolik SERS Tanı Uygulamasını Başlat
Bu proje, Sistem Biyolojisi ve Makine Öğrenmesi disiplinlerini birleştirerek geliştirilmiştir. Transkriptomik verilerden elde edilen metabolik imzaları kullanarak, tanısı zor olan üç abdominal kanser türünün ayırıcı tanısını yapan, açıklanabilir bir Yapay Zeka (XAI) modeli sunar:
- Pankreas Adenokarsinomu (PAAD)
- Over Seröz Kistadenokarsinomu (OV)
- Kolanjiyokarsinom (Safra Yolu Kanseri) (CHOL)
Çalışma, Yüzeyde Güçlendirilmiş Raman Spektroskopisi (SERS) sinyallerini in silico (bilgisayar ortamında) simüle ederek, yeni nesil ve invaziv olmayan bir sıvı biyopsi yaklaşımı önermektedir.
- Geç Teşhis: Bu kanserler karın ağrısı, sarılık gibi örtüşen semptomlar gösterir ve genellikle geç evrelerde fark edilir.
- İnvaziv İşlemler: Biyopsi almak zorlu, riskli ve ağrılı bir süreçtir.
- Düşük Özgüllük: CA19-9 gibi geleneksel biyobelirteçler, pankreas ve safra yolu tıkanıklıklarını ayırt etmekte yetersiz kalabilir.
Geleneksel "Kara Kutu" yaklaşımları yerine, biyoloji odaklı bir strateji izledik:
- TCGA (The Cancer Genome Atlas) veritabanından 60.000+ gen analiz edildi.
- 4 Ana Metabolik Yolak (Glikoliz, Lipid Sentezi, Nükleotit Metabolizması, TCA Döngüsü) belirlendi.
- Bu metabolik skorlara dayanarak kanser türünü tahmin eden bir Random Forest Sınıflandırıcısı geliştirildi.
- Modelin prognostik (sağkalım) değeri Kaplan-Meier ve Cox-LASSO analizleri ile doğrulandı.
- Kaynak: TCGA (n=656 hasta).
- Ön İşleme: RNA-Seq sayım verilerinin normalizasyonu (Log2) ve Gen Sembolü notasyonu.
- Feature Engineering: Gen ekspresyon matrislerinin yolak aktivite skorlarına dönüştürülmesi.
- Algoritma: Random Forest Classifier (n_estimators=100).
- Validasyon: %70 Eğitim / %30 Test ayrımı ve Katmanlı Örnekleme (Stratified Sampling).
- Açıklanabilirlik: SHAP Analizi ve Permütasyon Özellik Önemi (Hangi metabolik yolun tanıda daha etkili olduğunu gösterir).
- Sağkalım Analizi: Nükleotit skorunun yaşam süresini öngördüğü kanıtlandı (p=0.0033).
- Karar Eğrisi Analizi (DCA): Modelin kullanılmasının klinik net fayda sağladığı gösterildi.
Modelimiz test setinde olağanüstü performans metriklerine ulaşmıştır:
| Metrik | Skor | Not |
|---|---|---|
| Doğruluk (Accuracy) | %96 | Yüksek genel başarı |
| AUC (PAAD) | 0.97 | Mükemmel ayrım gücü |
| AUC (OV) | 0.97 | Mükemmel ayrım gücü |
| AUC (CHOL) | 0.94 | Azınlık sınıfında güçlü performans |
├── data/
│ └── metabolic_scores_final.csv # İşlenmiş veri seti
├── images/ # Yayın kalitesinde grafikler
├── notebooks/ # Analiz & Modelleme Not Defterleri
├── app.py # Streamlit Uygulaması Kaynak Kodu
├── requirements.txt # Gerekli Kütüphaneler
└── README.md # Proje Dokümantasyonu