Derin Öğrenme Modelleriyle Biyolojik Veri Analizi: DNA2Vec Tabanlı Gömülü Temsil ve Derin Sinir Aği ile Promotör Sınıflandırması

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Sivas Cumhuriyet Üniversitesi, Fen Bilimleri Enstitüsü, YAPAY ZEKA VE VERİ BİLİMİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: Aleyna Mengen

Danışman: Emre Delibaş

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Promotör bölgeleri, gen ifadesinin düzenlenmesinde kritik rol oynayan DNA dizileridir. İnsan genomunda bu bölgelerin doğru bir şekilde sınıflandırılması, genetik regülasyonun anlaşılması ve biyomedikal uygulamalarda doğru hedeflerin belirlenmesi açısından büyük önem taşımaktadır. Bu çalışmada, insan genomundaki promotör bölgelerinin sınıflandırılması amacıyla DNA2Vec gömülü temsilleri, UNK stratejisi ve derin sinir ağı (DNN) mimarisi kullanılarak hibrit bir model geliştirilmiştir. Önerilen modelin başarımını değerlendirmek için doğruluk, kesinlik, geri çağırma, F1 skor, çapraz doğrulama başarımı, hata matrisi ve ROC eğrisi gibi yaygın sınıflandırma metrikleri kullanılmıştır. Uygulanan parametre optimizasyonu sürecinde rastgele arama yöntemi ile 15 farklı hiperparametre kombinasyonu test edilmiş ve en yüksek başarı üçüncü kombinasyon ile elde edilmiştir. Sonuçlara göre model, %85,03 doğruluk, %87,86 kesinlik, %81,28 geri çağırma, %84,44 F1 skoru ve %93,76 ROC-AUC değeri ile güçlü bir sınıflama performansı sergilemiştir. Özellikle ROC eğrisinin alan altında kalan değeri ve hata matrisinde gözlenen yüksek doğru sınıflama sayısı, modelin pozitif ve negatif sınıfları başarıyla ayırt edebildiğini göstermektedir. Kullanılan veri kümesindeki sınıf dengesizliğine rağmen, önerilen yaklaşım, yüksek duyarlılık ve doğruluk düzeyiyle promotör bölgelerin tahmininde etkili bir yöntem olarak öne çıkmaktadır.