veri madenciliği yöntemleriyle mikrodizilim gen ifade analizi ...

Coflgun ve Karaa¤ao¤luŞekil 8. ORANGE programında gen ontoloji seçenekleri.SONUÇ ve ÖNER‹LERHastalıkların tedavisi, yeni ilaç keşifleri ve hastalıklarıönlemeye yönelik çalışmalarda genetik verilerinönemi giderek artmaktadır. Ülkemizde de “biyobanka”larınyaygınlaşması ve genetik araştırmalara ayrılankaynakların artmasıyla bu alanda ciddi ilerlemeler kaydedilmiştir.Yeni genlerin ve tedavilerin bulunmasıbunlardan sadece birkaçıdır. Araştırıcılarımızın başarılıçalışmalarının sonuca ulaşması ve hastalara doğrudanetki edebilmesi için genetik araştırmalardan karmaşıkbilgi birikimini çıkarmak gerekmektedir. Bu nedenle ülkemizdede biyoistatistik ve biyoinformatik uzmanlarınaduyulan gereksinim artmaktadır. Hem biyolojik bilgiyehakim hem de hangi analiz yöntemini ne zamankullanacağını bilen uzmanlarla çok daha geçerli tedaviyöntemlerinin bulunacağı açıktır.Analizi yapacak araştırmacı bu çalışmada sunulanadımları sırasıyla ve doğru şekilde uygularsa veridenmümkün olan en fazla bilgiyi çıkaracaktır. Tüm bunlarlabirlikte elde edilecek veri madenciliği modelleri sayesinde“kişiye özel” tedavinin de yolu açılacaktır. Bu sonuçbile uzun vadede veri madenciliğine kadar gerekduyulduğunu göstermektedir.Ayrıca, günümüzde araştırmalara harcanan paranınbüyük kısmı yazılım alımına ayrılmaktadır. Ancak alınanyazılımların çoğu kullanıcıları kısıtlamakta ve kendideney planlarını yapmasına engel olmaktadır. Hattabirçoğu bu çalışmada da açıklanan yeni nesil veri madenciliğiyöntemlerini içermemektedir. Bu çalışmanıngenetik araştırmalarda çalışan uzmanlara analizlerindedaha özgür davranabilmelerini sağlayacak “açık kaynakkodlu-ücretsiz” programları tanıtmak adına da önemliolduğunu düşünmekteyiz. Bu mantıktan hareketle “Gene3E”adlı [R] yazılımının kodlarını kullanan java analizaracını da geliştirmiş ve araştırıcıların kullanımınasunmuş bulunmaktayız [44]. Çalışmamızda genetik veritürlerinden “Mikrodizilim Gen İfade” verilerinin analizindetakip edilmesi gereken yol açıklanmıştır. Bu veritürü dışında “SNP, Exon Array ve Next Generation Dizi”veri türleri için de farklı birçok yazılım ve veri madenciliğiyöntemi bulunmaktadır. Özellikle günümüzde maliyetolarak daha makul seviyelere gelen “Genome WideAssociation Study (GWAS)” çalışmaları da veri madenciliğiiçin önemli bir çalışma alanıdır. Bundan sonraki çalışmamızdabu verilerin türlerini de kapsayacak ayrıntılıanaliz akış şemalarının çıkarılması planlanmaktadır.188Kaynaklar1. Cosgun E, Limdi N, Duarte CW. High dimensional pharmacogeneticprediction of a continuous trait using machinelearning techniques with application to warfarin dose predictionin African American. Bioinformatics 2011;27:10:1384-9.2. Cosgun E, Karaagaoğlu E. The new hybrid method for classificationof patients by gene expression profiling. In: SuhSang C, Gurupur Vadadraj P, Tanik Murat M (eds). BiomedicalEngineering: Healthcare Systems, Technology andTechniques, Springer. 1 st ed. 2011: 255-65.3. Parrish RS, Spencer HJ, Xu P. Distribution modelling and simulationof gene expression data. Computational Statisticsand Data Analysis, 2009.4. Tamayo P, Slonim D, Mesirov J, Zhu Q, et al. Interpretingpatterns of gene expression with self-organizing maps: methodsand application to hematopoietic differentiation.Proc Natl Acad Sci 1999; 96:2907-12.5. Lee SI, Batzoglou S. An Application of Independent ComponentAnalysis to Microarrays, Genome Biology, 2003; 4:R76.6. Han J. How Can Data Mining Help Bio-Data Analysis?Workshop on Data Mining in Bioinformatics 2002.7. Zhang K, Zhao H. Assessing reliability of gene clusters fromgene expression data. Functional Integrated Genomics2000: 156-73.8. Dettling M, Buhlmann P. Boosting for tumor classificationwith gene expression data. Bioinformatics 2003; 3:1061-9.9. Wang LY, Tu Z., Lung tumor diagnosis and subtype discoveryby gene expression profiling, Conf Proc IEEE Eng MedBiol Soc 2006; 1:5868-71.10. Coşgun E, Karabulut E, Karaağaoğlu E. Random Forest (RF)ve SVM ile Mikrodizilim Verilerde Gen Seçimi, VI. Ulusal İstatistikKongresi, 29 Nisan-3 Mayıs 2009, Antalya, Türkiye.11. Yeung KY, Medvedovic M, Bumgarner RE. Clustering GeneExpression Data With Repeated Measurements, GenomeBiology 2003; 4:R74.12. Park HS, Jun CH, Yoo JY. Classifying genes according topredefined patterns by controlling false discovery rate. ExpertSystems with Applications 2009; 36:11753-9.13. Ruffino E, Muselli M, Valentini G. Biological specificationsfor a synthetic gene expression data generation model, lecturenotes in computer. Science 2006; 3849:277-83.14. Chin YL, Deris S. A study on gene selection and classificationalgorithms for classification of microarray gene expressiondata. Jurnal Teknologi 2005; 43:111-24.15. Li L, Weinberg CR, Darden TA, Pedersen LG. Gene selectionfor sample classification based on gene expression data:study of sensitivity to choice of parameters of the GA/KNNmethod. Bioinformatics 2001; 17:1131-42.16. Dudoit S, Fridlyand J, Speed TP. Comparison of discriminationmethodsfor the classification of tumors using geneexpression data. 2000. Technical Report 576, Departmentof Statistics, University of California, Berkeley.H ACETTEPE T IP D ERG‹S‹