Show simple item record

dc.contributor.advisorGürsoy, Attila
dc.contributor.advisorErzin, Engin
dc.contributor.authorEryurt, Osman Mahmut
dc.date.accessioned2020-12-08T07:57:16Z
dc.date.available2020-12-08T07:57:16Z
dc.date.submitted2011
dc.date.issued2018-08-06
dc.identifier.urihttps://acikbilim.yok.gov.tr/handle/20.500.12812/169580
dc.description.abstractZaman serisi mikrodizi verileri devam eden hücresel aktivitelerdeki birçok gen ifadesi seviyesinin dakikalardan günlere uzanan farklı zaman noktalarında ölçülmesini sağlar. Yüksek miktarda sonuç üreten deneylerin analizi otomatik ve bilgisayar destekli çözümler gerektirir. Bu çalışmada saklı Markov modelleri kullanılarak, periyodik gen ifadesi düzenlenmelerini tahmin edebilecek bir model önerdik. Modellimizin testleri ve öğrenme prosedürü için literatürde bulunan transkripsiyon ve protein seviyesindeki düzenlemeleri bilgilerinden faydalandık. Çalışmamızda Pramilla zaman serisi mikrodizi verilerini kullandık. Gen düzenlemelerinin tahminleri yapıldıktan sonra ?Gen Düzenlemeleri Komşuluk Ağlarını oluşturduk (GDKA). Oluşturduğumuz ağın altında topluluk yapısı gösteren alt ağların, biyolojik veri gruplarındaki potansiyelini popüler K-ortalama gruplama sonucu oluşan gruplarla karşılaştırarak değerlendirdik. Sonuçlar K-ortama gruplandırmasına göre topluluk yapısına göre oluşturulmuş alt ağların biyolojik terimler etrafından daha yoğun ve özgün bir gruplar oluşturduğunu gösterdi.
dc.description.abstractTime series microarrays capture multiple gene expression levels at discrete time points varying from minutes to days of a continuous cellular process. Analysis of high through put data requires automated and computer aided solutions. We propose a hidden Markov model (HMM) based approach to identify regulatory relations between the periodic genes from the cell cycle time-series microarrays. We train and test our models by using distinct types of biological data present literature. In our study we use Pramila time series dataset. Training gene pairs include transcriptional regulation and protein level regulation. After identification of gene to gene regulatory relationships, we form a network of gene regulation relationships: Gene Regulatory Neighborhood Networks (GRNN). We explore potential use of sub networks (communities) in GRNN by comparing gene clusters found by popular clustering algorithms such as K-means clustering. Our results indicate we manage to identify denser and more specific enrichment in community structure based clusters than the clusters acquired with K-means.en_US
dc.languageEnglish
dc.language.isoen
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightsAttribution 4.0 United Statestr_TR
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectBiyoistatistiktr_TR
dc.subjectBiostatisticsen_US
dc.subjectBiyomühendisliktr_TR
dc.subjectBioengineeringen_US
dc.titleIdentifying gene regulatory communities from microarray time-series expression profiles using hidden Markov models
dc.title.alternativeDüzenleyici gen topluluklarının saklı Markov modelleri kullanılarak zaman serisi mikrodizi ekspresyon profillerinden belirlenmensi
dc.typemasterThesis
dc.date.updated2018-08-06
dc.contributor.departmentHesaplamalı Bilimler ve Mühendislik Anabilim Dalı
dc.identifier.yokid413823
dc.publisher.instituteFen Bilimleri Enstitüsü
dc.publisher.universityKOÇ ÜNİVERSİTESİ
dc.identifier.thesisid286931
dc.description.pages64
dc.publisher.disciplineDiğer


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess