Doktora Adayı: Elif Güney Tamer

EABD: Tıp Bilişimi

Tarih: 15.01.2026 / 11:00

Yer: A-212

Özet: Splice bölgelerini etkileyen genetik varyantların doğru şekilde tanımlanması, hastalık mekanizmalarının anlaşılması ve klinik varyant yorumlamasının iyileştirilmesi açısından kritik öneme sahiptir. Derin öğrenme tabanlı splice tahmin araçları kanonik splice-bölge varyantlarında yüksek performans gösterse de, bu araçların ekzonik bölgeleri etkileyen splice varyantları tespit etme yetenekleri sınırlı kalmaktadır. Bu sınırlılık, öncelikle deneysel olarak doğrulanmış ekzonik varyantların azlığı ve model mimarilerinin düzenleyici ekzonik bölgeler yerine kanonik splice motiflerine odaklanacak şekilde tasarlanmış olmasından kaynaklanmaktadır. Bu tez kapsamında, güncel splice tahmin araçları bağımsız ve deneysel olarak doğrulanmış veri setleri kullanılarak sistematik biçimde değerlendirilmiş ve özellikle ekzonik varyant performansına odaklanılmıştır. Patojenik ve benign varyantları içeren, bugüne kadar raporlanmış en büyük doğrulanmış ekzonik splice-etkileyici varyant veri seti derlenmiş ve oluşturulmuştur. Karşılaştırmalı analizler, tüm araçlarda ekzonik varyantlar için kanonik splice-bölge mutasyonlarına kıyasla tutarlı bir performans düşüşü olduğunu göstermiştir.Bu boşluğu gidermek amacıyla, Pangolin derin öğrenme modeli, yeni oluşturulan doğrulanmış ekzonik splice varyantları eğitim veri setine dahil edilerek yeniden eğitilmiştir. Yeniden eğitilen model, özgün Pangolin modelinin genel performansını aşamamış olsa da, özellikle daha yüksek tahmin eşiklerinde ekzonik splice-etkileyici varyantlar için artmış duyarlılık, daha kararlı performans ve azalmış yanlış negatif oranları sergilemiştir. Ayrıca modelin, ekzonik splicing güçlendirici ve susturucu bölgelerinde (ESE/ESS) yer alan varyantları tespit etme başarısının arttığı gözlemlenmiştir. Sonuç olarak bu çalışma, mevcut splice tahmin araçlarının kapsamlı bir değerlendirmesini sunmakta, ekzonik varyant tespiti için hedefe yönelik yeniden eğitimin faydasını ortaya koymakta ve daha doğru ve klinik açıdan anlamlı splice-etkileyici varyant tahmin modellerinin geliştirilmesi için bir temel oluşturmaktadır.