Integration of deep learning methods in the classification of rna-seq data

Abstract

Rahim ağzı kanseri, serviks adı verilen rahmin alt kısmındaki hücreleri etkileyen bir jinekolojik kanser türüdür. Gen mutasyonlarının bir sonucu olarak hücreler anormal hale gelir ve kontrolsüz bölünme kanserin birincil nedenidir. Öte yandan, Alzheimer hastalığı, esas olarak insanlar yaşlandıkça beyin hücresi ölümünün bir sonucu olarak hafıza kaybına ve bunamaya neden olan geri dönüşü olmayan bir nörolojik hastalıktır. Beynin düşünme, öğrenme ve hafızayı kontrol eden kısımları yaralanmış veya tahrip olmuş ve semptomlara neden olmuştur. Rahim ağzı kanseri ve Alzheimer hastalığı her ikisi de genetik bozukluklardır. Birçok genin bilgisi RNA-Seq verilerinde tutulur. Bu yaklaşımı hızlandırmak ve klinisyenlere tanı sürecinde yardımcı olmak için ilişkisiz gen sayısı azaltılarak sınıflandırma algoritmaları kullanılarak metodolojiler oluşturulabilir. Bu önerinin amacı, gerçek örneklerden elde edilen genlerle oluşturulmuş RNA-Seq veri kümelerini kullanarak Rahim Ağzı Kanseri ve Alzheimer Hastalığını incelemek için istatistiksel ve derin öğrenme yaklaşımlarını kullanmaktır. RNA-Seq veri setinin boyutunu küçültmek için iki veri seti için tüm genler arasında %5, %10 ve %30 olacak şekilde gen seçilim yapılır ve gen ekspresyon verileri her bir gen için genlerin önem düzeyine göre oluşturulmuştur. Bu üç senaryoda, seçilen genler kategorizasyon sürecinde eğitilir ve test edilir. Sınıflandırma için Derin Sinir Ağları (DNN), Evrişimli sinir ağları (CNN) ve uzun kısa süreli bellek (LSTM) yaklaşımları uygulanmaktadır. Bu araştırmanın ardından Alzheimer Hastalığı ve Rahim Ağzı Kanseri sınıflandırmalarında hangi yaklaşımların en iyi sonuç verdiği değerlendirilecektir.

Cervical cancer is a type of gynecological cancer that affects the cells in the lower section of the uterus called the cervix. Cells become abnormal as a result of gene mutations, and uncontrolled division is the primary cause of cancer. On the other hand, Alzheimer's disease is an irreversible neurological disease that causes memory loss and dementia, primarily as a result of brain cell death as people age. The parts of the brain that control thinking, learning, and memory have been injured or destroyed, causing symptoms. Cervical cancer and Alzheimer's disease are both genetic disorders. As a matter of fact, gene expression is significant in the diagnosis and classification of Cervical Cancer and Alzheimer's disease. Many genes' information is kept in RNA-Seq data. To accelerate this approach and assist clinicians in the diagnosis process, methodologies can be constructed using classification algorithms with decreasing the number of irrelevant genes. The objective of this thesis is to use statistical and deep learning approaches to examine Cervical Cancer and Alzheimer's Disease utilizing RNA-Seq datasets built with genes obtained from real samples. To lower the size of the RNA-Seq data set, gene selection is done by 5%, 10%, and 30% among all genes for both datasets, and the gene expression data were generated for each gene according to the importance level of the genes. In three scenarios, the selected genes are trained and tested in the categorization process. Deep Neural networks, convolutional neural networks, and long short-term memory approaches are implemented for classification. Following this research, it will be evaluated which approaches work best in the classifications of Alzheimer's Disease and Cervical Cancer.