Search

Gelişen mikroçip teknolojileri sayesinde gen ifade (gene expression) verilerinin ölçümleri yapılarak yüksek ölçekli (high throughput) veriler elde edilebilmekte ve bu veriler çok boyutlu matrislerde saklanabilmektedir. Yüksek ölçekli verinin analizi, gerek işlemsel karmaşıklık yönüyle, gerekse anlamlı bilgi çıkarımındaki zorluklar nedeniyle üzerinde çalışılması gereken önemli bir konudur. Son yıllarda özellikle yaşam bilimleri alanında bu tür veri üretiminin fazla olması ve genellikle bu verilerin analizlerinin gözle veya standart yöntemlerle yapılamaması nedeniyle, problem daha kritik bir hale gelmiştir. Bu tür veriler, yapılan deneyler ve kullanılan düzenekler gereği, çok yönlü ve/veya çok kaynaklı bir yapıya sahip olabilmektedir. Bu çalışmada belirtilen motivasyondan yola çıkılarak, akıllı veri analizi yeterliliklerini artıracak bir yöntemin geliştirilmesi hedeflenmiş ve bir yazılım aracının gerçekleştirimi yapılmıştır. Geliştirilen uygulamada iki veya daha fazla organizmadan (örneğin; insan, fare ve maymun) alınan, aynı koşullarda elde edilmiş mRNA (mesajcı RNA) ifade verileriyle türler arası (çok kaynaklı) bir analiz hedeflenmiştir. Bunun için yeni bir üç-yönlü kümeleme yöntemi (TriClustering) geliştirilmiş ve bu yöntem geliştirilen yazılım aracı ile NCBI'S GEO veri merkezinden alınan üç farklı veri kümesine uygulanmıştır. Gen ontoloji (GO) terimi zenginleşme analizi ve Dunn indeks (DI) metriği kullanılarak sonuçların biyolojik ve istatiksel değerlendirilmesi yapılmıştır. Deneysel sonuçlara göre TriClustering yöntemi anlamlı üçlü kümeler (tricluster) bulabilen, türler arası analiz için kullanışlı bir araçtır. High throughput data can be generated by developing techniques and represented in large matrices. Analysis of such data has become one of the major tool but it has brought along many challenges for biological data mining such as process complexities and difficulties in information retrieval. In recent years these challenges have become critic since huge amount of data is produced especially in life sciences and standard techniques may not be used in analysing of such data. This kind of data structure may be multi-way and/or multi-source by used test and devices. In this study based on the specified motivation, a novel method and software tool are developed to increase proficency of data analysis techniques. The developed method aims to make cross species (multi sources) analysis using mRNA expression values obtained from different organisms (human, mouse, monkey etc.) under same conditions. To achieve this goal a novel three way clustering method named TriClustering is introduced and the method has been applied to three different gene expression data obtained from NCBI?s GEO data collection. Biological and statistical significance of the results are evaluated using Gene Ontology (GO) term enrichment analysis and Dunn index (DI) metric, respectively. The experimental results indicate that TriClustering on multi-organism data can be resulted with better gene clusters in comparison to biclustering on single-organism data. The method also promote a useful tool for cross species gene regulation analysis. 88

Gen ifade verilerinden kanserli doku örneklerinin sınıflandırılması günümüz biyokimyasının en önemli problemlerindendir. Bu problemi zor kılan en önemli durum, tipik bir mikroseri deneyindeki çok yüksek miktarda gen sayısına (mRNA) karşılık çok az sayıda örnek bulunmasıdır. Yapılan son araştırmalarda öznitelik seçimi yöntemlerinin bu sorunu aşmada önemli rolü olduğu raporlanmaktadır. Bunun yanı sıra kanserli doku saptamada mikroRNA ifade biçimlerinin de önemli bir bilgi değeri taşıdığı belirtilmektedir. Bu çalışmada bu iki bulgunun kapsamlı bir şekilde ele alınmasıyla mikroRNA-mRNA entegrasyonu üzerinde öznitelik seçimi yöntemlerinin etkisi değerlendirilmiştir. Çalışmamızın sonucunda bu entegrasyonun etkili bir öznitelik seçim stratejisinin de yardımıyla uygulanan sınıflandırıcıların tahmin doğruluğunu önemli ölçüde arttırdığı ispatlanmıştır. Classifying cancer samples from gene expression data is one of the central problems in current systems biomedicine. The problem is challenging due to the small number of samples in comparison to the number of genes (mRNAs) in a typical microarray experiment. Recent reports suggest that feature selection may help to manage the problem. Furthermore, microRNA expression profiles have shown to provide valuable knowledge in detecting cancer signatures. In this study, we present the results of a comprehensive study to assess the effect of feature selection and microRNA-mRNA data integration in cancer type prediction from microarray expression data. We prove that this integration can significantly improve prediction accuracy with a proper feature selection strategy. 141

Dizilim sınıflandırma biyobili?imin en temel problemlerinden bir tanesidir. Ne olduğu bilinmeyen bir moleküler birimi sadece bu birimin dizilim verisi kullanılarak, daha önceden bilinen bir sınıfa atamak için birçok araç ortaya çıkmıştır. Fakatçıkan bu araçların hepsi ilgili olduğu problemler e özeldir. Ayrıca bu araçlar problemin ait olduğu biyolojik dizilim alfabesine bağlıdır. Bu tezde alfabeden bağımsız yeni bir genel dizilim sınıflandırıcı (TRAINER) java programla dili kullanılarak gerçekleştirilmiştir. Bu araç ile kullanıcılar kendi eğitim veri setleri ve kendi dizilim alfabeleri ile dizilim sınıflandırması yapabilecektir. TRAINER kullanıcıların sistemde tanımlı öğreticiyle (supervised) öğrenme yöntemlerinden istediğini, yöntemin parametrelerini ve önceden tanımlı çeşitli özellik belirtme kalıplarından birini seçerek kullanmasını sağlar. Sistemde eğitilmiş modellerkullanıcının isteğine bağlı olarak sisteme ileride tekrar eğitilmeden kullanılmak üzere kayıt edilebilir. Aday efektör tahmini, mikroRNA hedef tahmini ve nükleolar konumlanma sinyal tahmini çalı?maları ile sistemin DNA, RNA ve proteindizilimleri için verimli bir ?ekilde çalıştığı gösterilmi?tir. Ortaya çıkan sonuçların biyolojik manaları tezde tartışılmıştır. Classifying sequences is one of the central problems in computational biosciences. Several tools have been released to map an unknown molecular entity to one of the known classes using solely its sequence data. However, all of the existing tools are problem- specific and restricted to an alphabet constrained by relevant biological structure. Here, we introduce TRAINER, a new online tool designed to serve as a generic sequence classification platform to enable users provide their own training data with any al phabet therein defined. TRAINER is implemented by using java programming language. TRAINER allows users to select among several feature representation schemes and supervised machine learning methods with relevant parameters. Trained models can be saved for future use without retraining by other users. Three case studies are reported for effective use of the system for DNA, RNA and protein sequences; Candidate effector prediction, microRNA target prediction and nucleolar localization signal prediction. Biological relevance of the results is discussed. 50

Tavsiye sistemlerinde temel amaç, insanların beğenisini tahmin edip onlara bu beğenileri doğrultusunda tavsiyelerde bulunmaktır. Bu alanda en yaygın olarak kullanılan yöntemler;?İçerik Tabanlı Filtreleme?İşbirlikçi Filtreleme Yöntemi (İF)?Melez Filtreleme Sistemleri?Demografik Yöntemler?Bilgi Bazlı Yöntemlerİçerik bazlı filtreleme yöntemleri, üzerinde çalışılan ürünle (şarkı, film, kitap vs.) ilgili bilgiler kullanılarak benzer ürünlerin önerilmesi esasına dayanır. İF yönteminin çalışma prensibi ise diğer kullanıcı ve/veya kullanıcı gruplarının öneri ve öngörülerine dayanır. Bir kullanıcıya tavsiyede bulunabilmek için diğer kullanıcıların benzer içeriklere verdiği değerler kullanılır. Kullanıcılar arasındaki benzerliklere göre diğer kullanıcıya benzer tavsiyelerde bulunulur. Melez sistemler ise iki yöntemin birlikte kullanılmasına dayanır.Veri bütünleştirme işlemi; İF yönteminde kullanılan, kullanıcı ve bu kullanıcıların öğeler üzerinde yaptığı değerlendirmeler ile oluşturulmuş veri setlerinin iki yönlü olarak birleştirilmesidir. Bu işlemin amacı, dikey oluşturulmuş vektörlerin yatay vektörlerinin sonuna eklenmesi ile daha çok sayıda öz niteliğe sahip yeni vektörler oluşturmaktır.Bu çalışmada yeni bir melez yöntem önerilmiş ve meta veriler kullanılarak elde edilen içerik bazlı tahminler üzerinde, ?bir kullanıcının ürünlere verdiği değerler? bilgisi ile ?bir içeriğe verilen bütün kullanıcı değerleri? bilgilerini birleştirererek kullanan bir çift yönlü sınıflandırma yaklaşımı denenmiştir. Oluşturulan yeni gösterim üzerinde güncel iki sınıflandırma algoritması olan ?Destek Vektör Makinesi? ve ?K-En Yakın Komşu? yöntemleri denenmiş, birbirleriyle ve daha önceki çalışmalarla sonuçları karşılaştırmıştır. Bu çalışmada, veri bütünleştirme yönteminin kullanımı ile tavsiye sistemlerinin daha iyi sonuçlar vermesi amaçlanmıştır.Bu alanda yöntemlerin performanslarını değerlendirirken en çok kullanılan F-ölçütüne göre daha önceki yöntemlerin üstünde bir sınıflandırma yeterliliği elde edilmiştir. Kaynak kullanım performansları açısından değerlendirildiğinde ise ?Destek Vektör Makinesi? (DVM), ?K-En Yakın Komşu? (KNN) algoritmasına göre daha çok bellek tüketmektedir. Süre olarak da daha uzun sürede sonuç vermektedir. KNN ise CPU kullanımında çok yüksek bir kullanım sergilemektedir. The main goal of recommendation systems is to predict the user pleasure and to recommend something in the boundry of its pleasure. In recommendation systems, the most effective techniques are ;?Content - Based Filtering?Collaborative Filtering?Hybrid Filtering Systems?Demographic Filtering?Knowledge - Based FilteringContent - Based Filtering is mainly interested about the similarities of content between the current item (music, movie, book, etc.) and the others. In opposition of Content - Based, in Collaborative Filtering system is interested in interaction of users. The choice of the current user depends on the choices and prevision of the other users or user groups. According to prevision of users, the system recommends similar item to the current user.Data Integration is a method that uses users evaluation vectors on items. The aim of this operation to get more complex vectors which have more features by joining the horizontal and vertical vectors of datasets.In this thesis, a new hybrid system is proposed. On the prediction values which are produced by content based filtering using by metadata of items; `Rating of one user on all items` information and `Ratings of all users on one item` information is integrated. After this integration; `Support Vector Machine` and `K - Nearest Neighbor?, the most popular classification algorithms, are executed on these new datasets. The main goal of this thesis is to increase the forecast perfomance of recommendation systems by data integration.Finally in the comparison of this technique and other techniques shows us that the data integration technique gives better results according to F- measure. On the other hand, there is also a comparison according to resource usage. `Support Vector Machine` (SVM) uses more memory and takes more time to solve the problem. However `K - Nearest Neighbor? (KNN) uses much more CPU. 81

Günümüzde genel ağın yaygınlaşması ile beraber kaynakların fazlalığı bilgiye erişmede yeni bir sorun olarak ortaya çıkmaktadır. Bilgiye erişimde şu anki durumuyla çeşitli arama motorları anlamsal bağlantılar olmaksızın arama yapmamıza izin vermekte fakat doğru veriye erişmeyi garanti edememektedir. Anlamsal ağ genel ağ üzerinde işlenmiş veriye ulaşmak üzere öngörülen bir yapıdır, fakat beslenmesi için mevcut verilerin işlenmesi gerekmektedir. Bu bağlamda bilgi çıkarımı, doğal dildeki, yapısal olmayan, metinlerin çözümlenmesi ve bu metinlerin içerdiği gerekli bilginin yapısal olarak belirlenmesi işlemidir. Bu noktada veri madenciliği süreçleri bu kez yapısal olmayan veri üzerinde çalışacak şekilde evrilebilir. Bu amaçla belirlenen süreç OİÇ(Otomatik İçerik Çıkarımı) ile tanımlanmıştır. Bu süreç temel olarak 3 adımda oluşur: varlık(ad) çıkarımı, ilişki çıkarımı, olay çıkarımı. Varlık (ad) çıkarımı serbest metinlerde gecen varlık isimlerinin bulunması, ilişki çıkarımı ise metinde belirlenen bu varlıklar arasındaki ilişkinin belirlenmesi ve olay-eylem çıkarımı ise belirlenen bu varlıkların içinde bulunduğu olayların belirlenmesidir.Bu çalışmanın amacı Türkçe metinlerden bilgi çıkarımı sürecinde ilişkilerin tanımlanması için yapılabileceklerin incelenmesidir. Bu bağlamda Türkçe ve İngilizce için yapılan çalışmalar incelenmiş ve bilgi çıkarım sürecindeki `varlık` kavramının Türkçe bir ada eşit olduğu varsayılarak bir sistem tasarlanmıştır. Gazete haber metinlerinden seçilen tümcelerden bir veri kümesi oluşturulmuş ve oluşturulan bu veri kümesinde her bir tümcenin içinde geçen her iki sözcük , ele alınan tümcelerin yüklem olabilecek sözcüğü göz önüne alınarak , karşılaşma sıklığı, aralarında bulunan diğer sözcüklerin sayısı, tümcede ilk sözcük oluşları gibi bazı özellikleri kullanılarak ilişkili olup olmadıkları hakkında inceleme yapılmıştır. İncelemede kullanılan bu özellikler ifadede bulunduğu konuma göre belirlenen özelliklerin yanı sıra ilk sözcüğün kaç farklı sözcükle birlikte oluşu ,sözcük çiftinin kaç farklı yüklem ile birlikte olduğu gibi sıklık verileri de eklenmiştir. Yapılan inceleme ele alınan iki sözcüğün ilişkili olmalarına karar vermede farklı özelliklerine çeşitli eşik değerler uygulanarak karar verilmiş ve sınıflandırılmış veri destek vektör makinesi algoritması kullanılarak belirlenen eşik değerleri ve veri kümesinin doğruluğuna dair sonuçlar elde edilmeye çalışılmıştır. Hazırlanan bu sistem Türkçe hazırlanmış bir genel ağ sayfasının içeriğinin belirlenen standartlara uygun hale getirilmesi ve sunulması için bir ön çalışma niteliğindedir. Today, with spreading of internet, information word has a new problem about to reach the right information from the large amounts of data. Existing search engines can only fetch the data even no relation with the search subject. Semantic web technology is created to reach the related information from the web. For this technology, Information Extraction is extracting related and structured information from natural language raw texts. ACE determines whether this processes as a result of conferences and workshops. With ACE the problem deals with three main tasks; Entity Detection and Tracking , Relation Detection and Characterization, and Event Detection and Characterization.The purpose of this study was to examine Turkish texts can be possible to identify relationships in the process of information extraction. In this study we used Automated Content Extraction(ACE) as a guide to detect relation of entities from Turkish texts. In this context Turkish and English studies examined and assuming that if an entity is equal to a name of a system designed. With this system, news page contents collected and some sentences ,words and verb of sentence abstracted and every couple words in a sentece with the verb of the sentence recorded with some other specifications about the locations in the phrese. After building this frequency data base various views created to determine if the word couple is related. With this views classification made by word couple and verb rate and tested over support vector machine alghoritm. A web page content prepared in Turkish can be brought into line with the standards specified with this system for the submission of a preliminary study. 114

Çizelgeleme problemleri, belirli zaman aralıklarında kaynak kısıtlarını göz önünde bulundurarak makul bir şekilde atama gerektirir. Üniversiteler için ders programı hazırlama da bir çizelgeleme problemidir. Bu yerleştirme karar ağacında çok sayıda dallanma içeren bir konudur. Yarı Otomatik Ders Programı Sistemi, bir ön analiz ile eldeki atama sorununu ?imkânsız?, ?güç?, ?tipik?, ?kolay? altkümelerine ayırmakta, ilk gurupta atama yapma ağacını oluşturmayı reddetmekte, diğerlerinde ise stratejik altkümeye uygun atamalar yapmaktadır.Bu problemin çözümünde akıllı ajanlar kullanılmıştır. Bu sayede çok büyük olan dallanma sayısı akıllı ajanların isteklerine göre otomatik olarak azalmıştır. Akıllı ajanlar olarak öğrenci, öğretim üyesi, dekan, bölüm başkanı, bina sorumlusu kullanılarak bu kişilerin istekleri anket ile alınmıştır. Bu istekler de atamanın oluşmasına yön vermiştir.Bu problemin verileri ORACLE veri tabanında saklanmış olup, atamanın sağlandığı programlama dili JAVA'dır. Herhangi bir fakültenin ihtiyaç duyduğu kısıtların kolayca girilebildiği, çözümlerin üretilebildiği, değiştirebildiği ve bilgilerin saklanabildiği, yarı otomatik ders programı hazırlayan bir uygulama geliştirilmiştir.Aynı zamanda kullanıcı dostu bir ara yüz oluşturulmuştur.Bu problemde atamanın ne kadar iyi olduğunu görmek için altı akademisyenin mümkün olduğu kadar objektif değerlendirmeleri kullanılmıştır. A tabulation problem periodically requires a tenable appointment taking into account the resource constraints. Making schedules is also a tabulation problem for universities. This placement is a matter consisting multitudinous ramifications in decision tree. Semiautomatic Course Schedule System arranges the problem of scheduling in hand in subsets as ?impossible?, ?power?, ?typical?, ?easy? by means of pre-analysis, rejects to compose a tree of appointment in first group and makes appointments strategic, convenient for subsets.In solving this problem, Intelligent Agents have been used. In this way, the number of ramification which is myriad has decreased according to wise agents? request. Using student, lecturer, dean, department chair, superintendent as wise agents, these people?s requests have been learnt via public survey. And these requests have directed the formation of appointment. The data of this problem have been saved in ORACLE data base and the language of programming that ensured the appointment is JAVA. An implementation arranging automatic Schedule in which a constraint any university needs, can be entered easily, solutions can be found, altered and the data can be saved, has been developed.At the same time an user friendly interface has been composed.In this problem, an objective assessment of six academicians has been used as far as possible to understand how good the appointment is. 145

Alerjen proteinlerin tanınması ve sınıflandırılması, özellikle son yıllarda sıkça kullanılan genetik değişikliğe uğramış gıdaların denetlenmesi ve biyo-ilaçların tasarımı açısından büyük önem kazanmıştır. Dünya Sağlık Örgütü ve Gıda ve Tarım Örgütü kurumları bu amaçla alerjen proteinlerin tespiti için bazı rehberler hazırlamıştır. Ancak, bu rehberlerde önerilen yöntemler çoğunlukla yarı-otomatik gerçekleştirilen ve tahmin yeterliliği düşük olan yöntemlerdir. Son birkaç yılda bazı otomatik yöntemler önerilse de bunlar ya istenilen yeterlilik seviyesine ulaşamamış ya da işlem zamanı ve bellek gereksinimi açısından avantajsız olmuşlardır. Bu çalışmada, alerjen proteinlerin sadece dizilim verisi kullanılarak, farklı makine öğrenme yöntemleri bilinen bazı dizilim gösterim yaklaşımları ile denenmiştir. Farklı dizilim gösterim yöntemleri için K-En Yakın Komşu, Bulanık K-En Yakın Komşu ve Destek Vektör Makineleri (DVM) kullanılmış ve sonuçlar karşılaştırmalı olarak verilmiştir. The prediction and classification of the allergen proteins have received great importance on the inspection of genetically modified food, which are used especially in the recent years, and the design of bio-pharmaceuticals. World Health Organization (WHO) and Food and Agriculture Organization (FAO) prepared guidelines for the prediction of allergen proteins. However, the methods proposed in these guidelines are mostly semi-automatic and have low prediction accuracy. Although some automated methods have been proposed in the last few years, either they could not reach the required sufficiency level or they were insufficient as for the processing time and memory usage. In this study, various machine learning methods were tried with some known sequence representation approaches by using only the sequence data of the allergen proteins. For various sequence representation approaches, K-Nearest Neighbour, Fuzzy K-Nearest Neighbour and Support Vector Machines (SVM) were used and the results were given with comparison. 92

90