Primer ve sekonder mitokondriyal hastalıkların ayırıcı tanısında FGF-21 ve GDF-15 biyobelirteçlerinin kullanım potansiyellerinin araştırılması

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, HAMİDİYE SAĞLIK BİLİMLERİ ENSTİTÜSÜ, MOLEKÜLER TIP ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: AYLA YILDIZ

Danışman: Mehmet Taha YILDIZ

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Amaç: Mitokondriyal hastalıklar (MD), genetik çeşitlilik ve özgül biyobelirteçlerin olmaması nedeniyle tanısı güçtür. Erken tanı için minimal invaziv, erişilebilir ve ekonomik biyobelirteçler elzemdir. Bu çalışma, Fibroblast Büyüme Faktörü 21 (FGF-21) ve Büyüme Farklılaşma Faktörü 15 (GDF-15)'in tanısal değerini ve MD'ın ayırıcı tanısındaki potansiyellerini araştırmayı amaçlamaktadır. Gereç ve Yöntem: Başakşehir Çam ve Sakura Şehir Hastanesi Etik Kurulu onayıyla 30 Birincil Mitokondriyal Hastalık (PMD), 30 İkincil Mitokondriyal Hastalık (SMD) hastası ve 30 sağlıklı bireyden kan ve idrar örnekleri alınmış; FGF-21 ve GDF-15 düzeyleri ELISA ile ölçülmüş ve rutin biyokimya testleri uygulanmıştır. Veriler istatistiksel yöntemler ve makine öğrenmesi ile analiz edilmiş. Biyobelirteçlerin biyolojik geçerliliği, SHAP analizi ile desteklenmiştir. Bulgular: FGF-21 sınırlı ayırıcı güç gösterirken, GDF-15 ise PMD ve SMD arasında istatistiksel olarak anlamlı bir farklılık göstermiş, ancak tek başına özgül bir biyobelirteç olma potansiyeli sınırlı bulunmuştur. Hedeflenen biyobelirteçlerden farklı olarak, en yüksek tanısal doğruluk GDF-15 ve diğer biyobelirteçlerin kombinasyonu ile sağlanmış; çoklu panel kullanımının tanısal doğruluğu artırabileceği gösterilmiştir. Sonuçta yaş, cinsiyet ve BMI'dan bağımsız sekiz biyobelirteçten oluşan bir panel önerilmiş ve %94 doğruluk ile 1.00 ROC-AUC değeri elde edilmiştir. Sonuç: Bu çalışma, mitokondriyal hastalıkların tanısında biyobelirteçlerin makine öğrenmesi ile entegrasyonuna dayalı bir yaklaşımın uygulanabilirliğini ortaya koymaktadır. Makine öğrenmesine dayalı nonlineer modelleme ile yüksek tanısal doğruluk sağlayan sekiz biyobelirteçten (Homosistin, Asparajin, Laktat, Gamma-Aminobutirik Asit, Hidroksilizin, Pirüvat, Histidin ve GDF-15) oluşan panelin, klinik karar destek sistemlerine entegrasyonu sayesinde daha hızlı, hedefe yönelik ve maliyet etkin tanı stratejileri geliştirilmesi mümkün görünmektedir. Bu yaklaşım, veriye dayalı ve yukarıdan-aşağıya (top-down) sistem biyolojisi çerçevesinde, biyobelirteçlerin yalnızca bireysel tanısal katkılarını değil, aynı zamanda sistem düzeyindeki etkileşimlerini de değerlendirmeye olanak tanımaktadır. Böylece erken tanının yanı sıra, tedavi süreçlerinin optimize edilmesi ve kişiselleştirilmiş tıp uygulamalarının yaygınlaştırılması açısından da önemli bir potansiyel taşımaktadır.