Anaerobik gut funguslarının yapay zeka algoritmalarıyla morfolojik tanımlanması ve sınıflandırılması

Bu tez çalışmasında öncelikle anaerobik gut funguslarının sınıflandırılması ve morfolojik olarak tanımlanmasında yapay zekâ algoritmaları kullanıldı. Yapay zekâ, mikroorganizmaların sınıflandırılmasında, özellikle makine öğrenimi (ML) ve derin öğrenme (DL) algoritmalarının kullanımını içerdi. Bu algoritmalar, mikroorganizmaların özelliklerini (genetik, morfolojik, biyokimyasal, vb.) analiz ederek doğru sınıflandırmalar yapabilmesi için kullanıldı. Özellikle genom verilerinin (DNA, RNA dizileri) analizi, mikroorganizmaların türlerini belirlemede önemli bir yöntem olarak kullanıldı. Konvolüsyonel Sinir Ağları (Convolutional Neural Networks - CNN) na bağlı mimarilerden olan; AlexNet, ResNet ve GoogLeNet ile derin öğrenme alanında, özellikle görüntü tanıma ve sınıflandırma alanında önemli potansiyele sahiptir. Bu çalışmada da Caecomyces isimli anaerobik gut fungus türünden 1.129 görüntü, Neocallimastix isimli anaerobik gut fungus türünden 1.253 görüntü, Orpinomyces isimli anaerobik gut fungus türünden 1.126 görüntü ve Promyces isimli anaerobik gut fungus türünden 426 görüntü olmak üzere toplam 3.934 görüntüden oluşan veri seti verildi. Bu veri setleri önemli yapay zekâ mimarileri olan Alexnet, googlenet ve resnet-101 mimarilerine verilmiş olup ve her birinin ayrı ayrı 3 adet özellik matrisi elde edilmiştir. Alexnet mimarisinden elde edilen özellik matrisi kullandığımız matlab programında cllasification layer da bulunan tüm sınıflandırma algoritmalarında ayrı ayrı çalıştırılıp çıkan sonuçlar karşılaştırılarak en yüksek oranda sınıflandırmayı doğru yapan 6 adet sınıflanndırma algoritması tespit edildi. Bu sınıflanndırma algoritmaları Quadratic SVM, Fine KNN, Wide Neural Network, Cubic SVM, Supspace KNN ve SVM Kernel algoritmalarıdır. 3 Farklı mimariden alınan 3 farklı özellik matrisi 6 farklı sınıflanndırma algoritmasıyla çalışılmış ve toplamda 18 sonuç elde edilmiştir. Özellikle Resnet-101 mimarisi ve Cubic SVM algoritmasıyla elde edilen %94 doğruluk oranın da oldukça yüksek bir oran ve çalışma sonucu elde edilmiştir.

In this thesis, artificial intelligence algorithms were used primarily in the classification and morphological identification of anaerobic gut fungi. Artificial intelligence included the use of machine learning (ML) and deep learning (DL) algorithms in the classification of microorganisms. These algorithms were used to analyze the characteristics of microorganisms (genetic, morphological, biochemical, etc.) and to make accurate classifications. In particular, the analysis of genome data (DNA, RNA sequences) was used as an important method to determine the species of microorganisms. Convolutional Neural Networks (CNN) architectures; AlexNet, ResNet and GoogLeNet have significant potential in the field of deep learning, especially in the field of image recognition and classification. In this study, a data set consisting of a total of 3,934 images was given, including 1,129 images from the anaerobic gut fungus species called Caecomyces, 1,253 images from the anaerobic gut fungus species called Neocallimastix, 1,126 images from the anaerobic gut fungus species called Orpinomyces, and 426 images from the anaerobic gut fungus species called Promyces. These data sets were given to the important artificial intelligence architectures Alexnet, Googlenet and Resnet-101 and 3 feature matrices were obtained for each of them. The feature matrix obtained from the Alexnet architecture was run separately in all classification algorithms in the classification layer in the Matlab program we used and the results were compared and 6 ranking algorithms that made the highest rate of classification were determined. These ranking algorithms are Quadratic SVM, Fine KNN, Wide Neural Network, Cubic SVM, Supspace KNN and SVM Kernel algorithms. 3 different feature matrices taken from 3 different architectures were studied with 6 different ranking algorithms and a total of 18 results were obtained. Especially the 94% accuracy rate obtained with the Resnet-101 architecture and Cubic SVM algorithm was a very high rate and study result.