Biomarker Seçimi

Biomarker Seçimi

Biomarker Analizi

Deep Mine AI olarak, çevresel kirleticilerin biyolojik sistemler üzerindeki etkilerini analiz eden yapay zeka temelli bir çözüm geliştirdik. Makine öğrenmesi ile biomarker analizi yaptık. Bu projede, farklı biyobelirteçlerin değişimlerini tahmin ederek toksikolojik etkilerin değerlendirmesini daha hassas hale getirdik.

Proje Amacımız

Bu projenin temel amacı, çevresel kirleticilerin biyoizleme ve sağlık riski uygunluğuna ilişkin verileri yapay zeka yöntemleri ile analiz ederek en uygun biyobelirteç seçimini gerçekleştirmek.

Bu analiz, özellikle:

  • Toksikoloji araştırmaları
  • İlaç geliştirme süreçleri
  • Çevresel risk değerlendirmeleri alanlarında büyük önem taşımaktadır.

Çalışmamızın Adımları

1. Veri Hazırlama

  • GSH, Protein, AOPP, TAS, GST, GPx, SOD, MDA gibi biyobelirteçlere ait verilerin analizi
  • Veri setindeki eksikliklerin giderilmesi
  • Biyobelirteç değerlerinin normalize edilmesi
Biyobelirteç Analizi ve Tahmin Projesi

2. Modelleme ve Tahmin

  • Farklı yapay zeka modellerinin karşılaştırmalı analizi
  • Biyobelirteç değişimlerinin tahmin edilmesi
  • Model optimizasyonu ve performans iyileştirmeleri
Biyobelirteç Analizi ve Tahmin Projesi

3. Sonuçların Değerlendirilmesi

  • Model performanslarının karşılaştırılması
  • Biyobelirteç bazlı değerlendirmeler
  • Tahmin doğruluğunun analizi
Biyobelirteç Analizi ve Tahmin Projesi

4. Model Entegrasyonu

  • En iyi performans gösteren modelin seçilmesi
  • Farklı veri setleri üzerinde doğrulama
  • Sonuçların pratik uygulamaya hazırlanması

Çalışmada Kullandığımız Teknolojiler

1. Veri İşleme ve Temizleme Teknolojileri

  • Python: Veri analizi ve modelleme için ana programlama dili
  • Pandas & NumPy: Veri setlerinin düzenlenmesi ve optimizasyonu
  • Scikit-learn: Veri ön işleme ve model değerlendirme
  • Matplotlib & Seaborn: Sonuçların görselleştirilmesi

2. Yapay Zeka ve Makine Öğrenmesi Modelleri

  • Random Forest: En yüksek performans gösteren model
  • Gradient Boosting: Random Forest ile benzer başarı gösteren alternatif model
  • MoSVR: Karşılaştırma için kullanılan temel model
  • XGBoost ve LightGBM: Performans karşılaştırması için kullanılan modern modeller

3. Model Performans Ölçüm Araçları

  • MSE (Mean Squared Error): Model hata oranı ölçümü
  • MAE (Mean Absolute Error): Tahmin sapmasının değerlendirilmesi
  • R² Skoru: Model açıklama gücünün ölçümü

Sonuç

Deep Mine AI olarak, geliştirdiğimiz bu proje ile:

  • Biyobelirteç tahminlerinde yüksek doğruluk oranları elde ettik
  • Deney sayısını azaltarak maliyet optimizasyonu sağladık
  • Çevresel toksinlerin etkilerini daha hassas değerlendirme imkanı sunduk

Özellikle AOPP, Protein, GSH ve MDA biyobelirteçlerinde gerçekleştirilen tahminlerin yüksek doğrulukta olduğu görülmüştür. Bu başarı, laboratuvar testlerinin sayısının azaltılması ve deney hayvanı kullanımının minimize edilmesi açısından önemli avantajlar sağlamaktadır.

Daha fazla bilgi almak için bize ulaşın. Birlikte, araştırma süreçlerinizi daha stabil hale getirelim.