CRISPR-CAS13D ile hedef dışı etkilerin derin öğrenmeyle modellenmesi: DEEPCAS13 modelinin yapısal gRNA verisiyle iyileştirilmesi


Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, MOLEKÜLER BİYOLOJİ VE GENETİK ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: BUKET BARIŞ

Danışman: Alper YILMAZ

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

CRISPR-Cas13d sistemi, RNA düzenleme alanında önemli bir potansiyele sahip olmakla birlikte, bu sistemin klinik uygulamalardaki güvenilirliği, hedef dışı etkilerin minimize edilmesine bağlıdır. Mevcut hesaplamalı modeller (örn. DeepCas13), gRNA tasarımını çoğunlukla 1-boyutlu (sekans) ve 2-boyutlu (ikincil yapı) bilgilere dayanarak yapmakta, hedef spesifikliği için kritik olan 3-boyutlu (3D) konformasyonel yapıyı göz ardı etmektedir. Bu çalışma, DeepCas13 modelini, 3D yapısal bilgiyi entegre eden çoklu-girdi (multi-modal) bir yaklaşımla iyileştirmeyi amaçlamıştır. Bu doğrultuda, RNAglib (graf temsili) ve UMAP (boyut indirgeme) tekniklerine dayalı yenilikçi bir 3D özellik çıkarım işlem hattı oluşturulmuştur. Geliştirilen bu işlem hattı, literatürden elde edilen 5.700 gRNA'lık 'Eğitim ve Test Veri Seti'ndeki her bir gRNA için 32 boyutlu yapısal vektörler üretmek ve bu verileri modele entegre etmek amacıyla kullanılmıştır. Geliştirilen model, 5-katlı çapraz doğrulama yöntemiyle eğitilmiş ve değerlendirilmiştir. Sonuçlar, 3D yapısal bilginin entegrasyonunun, temel DeepCas13 modeline (PCC: -0.3792, AUC: 0.7238, AUPR: 0.7063) kıyasla belirgin bir performans artışı sağladığını göstermiştir. Geliştirilen modelin, test (doğrulama) verisi üzerindeki ortalama performansı; Pearson Korelasyon Katsayısı (PCC) -0.7984, ROC Eğrisi Altında Kalan Alan (AUC) 0.9549 ve Hassasiyet-Duyarlılık Eğrisi Altında Kalan Alan (AUPR) 0.8269 olarak hesaplanmıştır. Yüksek AUC/AUPR skorları, modelin 'verimli' ve 'verimsiz' gRNA'ları ayırt etmede mükemmele yakın bir başarı sergilediğini doğrulamaktadır. Ayrıca modelin pratik uygulanabilirliği, 10.250 adet gRNA yapısından oluşan mutasyonlu validasyon seti (in silico validasyon seti) üzerinde test edilmiştir. Model, bu geniş aday havuzu içerisinden en verimli adayı (DeepScore: 0.995) başarıyla seçerek ve yeni hedefler için "de novo" (yeni) yüksek skorlu gRNA'lar (DeepScore: 0.950) tasarlayarak başarısını kanıtlamıştır. Bu sonuçlar, 3D yapısal bilginin entegrasyonunun, CRISPR-Cas13d sisteminin hedef spesifikliğini artırmak ve potansiyel hedef dışı etkileri minimize etmek için kritik bir yaklaşım sunduğunu ortaya koymaktadır.