Cell penetrating peptide prediction and validation by machine learning for efficient delivery of gene therapy vectors

ELİF ÇİSEM ÇÖLDÜR

Cell penetrating peptide prediction and validation by machine learning for efficient delivery of gene therapy vectors

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Akdeniz Üniversitesi, Sağlık Bilimleri Enstitüsü, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: İngilizce

Öğrenci: ELİF ÇİSEM ÇÖLDÜR

Danışman: Devrim Demir Dora

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Amaç: Bu tez çalışmasının amacı, gen tedavisi uygulamalarında kritik bir öneme sahip olan hücre zarına penetre olabilen peptitlerin (CPP) makine öğrenme modeli kullanılarak CPP olma veya CPP olmama özelliğinin tahmin edilmesidir. CPP'ler terapötik materyalin hücre içine etkin bir şekilde ulaştırılmasında büyük öneme sahiptir. Bu bağlamda, bu çalışmada geliştirilen yeni algoritma kullanılarak gen tedavisinde kullanılabilecek yeni CPP'lerin kısa sürede verimli şekilde elde edilmesi amaçlanmaktadır. Yöntem: Veri seti yaklaşık olarak 1400 farklı peptit zinciri kullanılarak oluşturulmuştur. Literatürdeki çalışmalarda önemi gösterilmiş olan amino asit kompozisyonu, uzunluk, entropi ve CTDC gibi fizikokimyasal özellikler kullanılarak makine öğrenme modeli girdileri oluşturulmuştur. CPP olan peptitler algortima ile "1" olarak sınıflandırılırken CPP olmayanlar "0" olarak sınıflandırılmıştır. Makine öğrenme modeli olarak Random Forest modeli seçilmiştir. Veri setinde bulunmayan farklı peptitler için tahminler yapılmıştır. Çalışmanın deneysel bölümünde, CPP olduğu bilinen protamin kullanılarak protaminin genetik materyalin hücre içine girşini arttırdığı gösterilmiştir. Bulgular: Tez kapsamında geliştirilmiş olan model, %91,96 eğitim doğruluğu ve %86,62 doğrulama doğruluğu ile peptit sınıflandırmasını etkili bir şekilde gerçekleştirmiştir. Ayrıca, algoritma, veri setinde bulunmayan peptit örneklerinin büyük bir kısmını doğru bir şekilde tahmin etmiştir. Yapılan deneylerde, protaminin CPP özelliğine sahip olduğu gösterilmiş ve protamin kullanımının transdüksiyon veriminde %64'lük anlamlı bir artış sağladığı belirlenmiştir. Sonuç: Bu çalışma, CPP tahmini yapan bir algoritma geliştirerek, in vitro deneyler öncesinde genetik materyalin taşıma verimliliğini hızlı ve etkili bir şekilde planlamayı mümkün kılmaktadır. Bu sayede, maddi kazancı artırmayı ve zaman kaybını minimize etmeyi hedeflemektedir. Ayrıca, gelecekte hücre içine aktarılmak istenen çeşitli materyallerin taşıma verimliliklerini tahmin etmek için yeni makine öğrenme algoritmalarına rehberlik edebilecek bir örnek çalışma olmuştur. Anahtar Kelimeler: CPP, in silico, makine öğrenmesi, gen tedavisi