MAKİNE ÖĞRENMESİ MODELLERİ KULLANARAK CRISPR-CAS9 TABANLI GEN DÜZENLEME SİSTEMLERİNİN OPTİMİZASYONU

Abstract

Gen düzenleme teknolojilerinin en etkili araçlarından biri olan CRISPR-Cas9 sistemi, biyoteknoloji ve moleküler biyoloji alanında devrim niteliğinde ilerlemelere olanak sağlamıştır. Bu sistemde kullanılacak tek kılavuz RNA'ların (sgRNA) hedef DNA üzerindeki etkinliğini doğru şekilde tahmin etmek, düzenleme verimliliğini doğrudan etkileyen kritik bir faktördür. Bu tez çalışmasının amacı, CRISPR/Cas9 sistemine yönelik olarak sgRNA'ların on-target etkinlik skorlarını (OnTargetScore) makine öğrenmesi yöntemleri ile tahmin etmek ve farklı modellerin performanslarını karşılaştırarak en etkili modeli belirlemektir. Bu kapsamda, Arabidopsis thaliana veri seti üzerinde eğitim yapılmış, XGBoost, LightGBM ve Rastgele Orman olmak üzere üç farklı makine öğrenmesi modeli kullanılmıştır. Modeller, 10 kat çapraz doğrulama yöntemi ile değerlendirilmiş ve RMSE, MAE, R², Pearson ve Spearman korelasyon katsayıları gibi performans metrikleri ile karşılaştırılmıştır. Ayrıca modeller, Solanum lycopersicum (domates) veri seti üzerinde test edilerek doğrulanmıştır. Elde edilen veriler, XGBoost modelinin en başarılı tahmin doğruluğuna sahip olduğunu göstermiştir. LightGBM benzer sonuçlar üretirken, Rastgele Orman modelinin performansı görece daha düşük kalmıştır. Bu tez çalışması, CRISPR araştırmalarında on-target etkinliklerini önceden tahmin edebilecek güvenilir, ölçeklenebilir ve farklı türler arası patternleri çözümleyebilen makine öğrenmesi tabanlı yaklaşımların optimizasyon aracı olarak kullanılabileceğini ortaya koymaktadır.

The CRISPR-Cas9 system, one of the most powerful tools in gene editing technologies, has enabled groundbreaking progress in the fields of biotechnology and molecular biology. Accurate prediction of the on-target efficiency of single-guide RNAs (sgRNAs), which are used in this system, is a critical factor directly affecting gene editing performance. The aim of this thesis is to predict sgRNA OnTargetScore values within the CRISPR/Cas9 system using machine learning approaches and to compare the performance of different models in order to determine the most effective one. In this context, three machine learning models XGBoost, LightGBM, and Random Forest were trained using the Arabidopsis thaliana dataset. The models were evaluated using 10-fold cross-validation and compared based on performance metrics including RMSE, MAE, R², Pearson, and Spearman correlation coefficients. Additionally, the generalizability of the models was tested and validated on an independent dataset from Solanum lycopersicum (tomato). The results showed that the XGBoost model achieved the highest predictive accuracy. While LightGBM produced similar outcomes, the Random Forest model performed relatively poorly. This thesis demonstrates that machine learning-based approaches can serve as reliable, scalable, and cross-species adaptable optimization tools for predicting on-target performance in CRISPR research and can reduce experimental workload by identifying efficient sgRNA candidates beforehand.