:::info
son hali aşağıdaki gibi olmuştur, karakter limitinden dolayı bazı kısımları kısaltmak zorunda kaldım maalesef
:::

Kanser Tanı ve Tedavisinde Biyoinformatik Uygulamaları
======================================================

Günümüzde yaşam bilimlerinin sorularına yanıt arayan bilim insanlarının kullandığı en popüler disiplinlerden olan biyoinformatik, deneysel metotlardan elde edilen verinin hesapsal yöntemlerle toplanması, analizi, yorumlanması, anlamlı veriler halinde derlenmesi ve görselleştirilmesi süreçlerini kapsamaktadır. Biyolojik bilimler kapsamında sunulan omik veriler, biyoinformatik yöntemleri besleyen ana unsurlardır. Organizmalarda kalıtsal materyalin, genomun tanımlanması, yapısal ve fonksiyonel özelliklerinin incelenmesi metotlarının bütünü **genomik** **olarak tanımlanır.** Genomdaki bilginin biyolojik işlev yolculuğunu aydınlatma çalışmaları transkriptomik, proteomik ve metabolomik gibi diğer omik teknolojiler ile ileri seviyeye taşınmıştır. Canlıda oluşturulan bütün RNA ürünlerinin incelenmesine olanak sağlayan **transkriptomik** teknolojiler ve translasyona uğramış proteinlerin yapıları, modifikasyonları, yerleşim ve işlevlerini inceleyen **proteomik** teknolojilere ilaveten organizmadaki karbonhidrat, lipid ve vitamin gibi fonskiyonel bileşenlerin yapılarına dair küçük moleküllerin tanımlanması, tespiti ve analizini sağlayan **metabolomik** yaklaşımlar organizmadaki biyolojik süreçlerin anlaşılmasında büyük katkı sağlamaktadır.

Yüksek çıktılı teknolojilerin ilerlemesiyle, büyük miktarlarda erişilebilir ve analiz edilebilir kanser verisi sayesinde, biyoinformatik, kanserin saptanması için minimal invaziv biyobelirteçler geliştirmede ve kanser hastalarının tedavi edilmesi için etkili kişiselleştirilmiş tedaviler tasarlamada yardımcı bir platform teşkil etmektedir. Çoklu omik verilerinin kanser verisi ile ilişkilendirilmesi, biyoinformatiğin kişiselleştirilmiş ilaç veya çoklu ilaç-tedavi kombinasyonları tasarlama, ayrıca ilaç yeniden konumlandırma gibi kanserle mücadeledeki güncel yöntemler için kullanılmasına olanak sağlamaktadır.

**Kanser tanısında mutasyonların kullanımı**

Genom dizilime alanında kaydedilen hızlı gelişmeler insan genomunun dizilenmesini kolay ve düşük maliyetli hale getirmiştir. Bir bireye ait genomun dizisinin bilinmesi, toplumun genelinden farklı olarak -referans genom olarak adlandırılır- içerdiği tek baz ve yapısal değişimlerin tespitini mümkün kılar. Bu, kanserin önlenmesinde, tanısında ve tedavisinde yeni bir dönemin başlamasına olanak sağlamıştır.

Hastanın DNA’sının dizilenmesinin ardından gerçekleştirilen analizlerde ortaya çıkan karmaşık veriden kansere sebep olan DNA değişikliklerinin (mutasyon veya SNP) tespit edilmesi, bu değişiklerin protein üzerindeki sonuçlarının değerlendirmesi yapılmaktadır. Tüm bu işlemler biyoinformatik araçlar yardımıyla gerçekleştirilmekte ve klinisyenlere rapor edilmektedir.

**Kanser tanısında gen ifadesinin kullanımı**

Kanser, genetik ve fenotipik çeşitliliğin bir sonucu olarak ortaya çıkan bir hastalıktır. Tümör hücrelerinde meydana gelen pek çok mutasyon bu çeşitliliğe sebebiyet vererek heterojenite oluşturur. Aynı kanser türüne sahip farklı hastaların tümörlü dokularında sahip olduğu mutasyonlar ile aynı dokuda meydana gelen mutasyonların farklılık içermeleri heterojenite olarak adlandırılır. Kanserin sahip olduğu bu çeşitlilik teşhis aşamasını zorlaştırmaktadır. Teşhis aşamasındaki zorlukların ortadan kaldırılabilmesinde yeni nesil dizileme (NGS) yöntemleri önemli rol oynamaktadır. Yeni nesil dizileme teknikleri kullanılarak tümör dokusunun sahip olduğu gen ifade verileri üzerinden; tümöre özgü biyobelirteç belirleme, kanser evresinin tahmini, kansere sebebiyet veren hedef genlerin belirlenmesi gibi hastalığın teşhis aşamasını kolaylaştırma ve biyolojisinin anlaşılıp tedaviye yön verilmesine olanak sağlayan yaklaşımlar oluşturulmaktadır. Geliştirilen yeni nesil dizileme tekniklerinden birisi olan tek hücre RNA dizileme yöntemi ile hücrelerde meydana gelen heterojenitenin oluşturduğu dezavantaj, tek hücre bazında dizilemenin gerçekleştirilmesi ile ortadan kaldırılarak kanser mekanizması ve tümör evrimi hakkında çok fazla bilgi edinilmesini sağlamıştır.

Protein kodlayan genlere ek olarak insan genomunun çoğunluğu, kodlanmayan RNA’lar ve mikro RNA’lar içermektedir. Bu tür RNA’lara ait yeni nesil dizileme verileri, biyoinformatik analizler ile kanserin anlaşılmasını ve invaziv olmayan biyobelirteçler olarak kullanılmasını mümkün kılmıştır.

**Kanser immunoterapisi ve biyoinformatik**

İmmunoterapi, hastanın kendi bağışıklık sisteminin kanser hücrelerini yok etmeye yönelik kullanılması esasına dayalı tedavi yaklaşımıdır. Yeni nesil dizileme teknolojisinin genomik dizileme hakkında bilgi sağlaması, klinik durumda mutasyonların tespit edilmesi ve beklenmedik dizi varyasyonlarının tespiti ile kanserleşme sürecinde genetik profili anlamada anahtar işlevi görmektedir. Ayrıca matematiksel modellemeler; kanser moleküler mekanizmalarının aydınlatılması, daha iyi tanı ve hastalığın prognozunda, yeni tedavi yaklaşımları geliştirilmesinde önemli bir role sahip olmaktadır. Bunun gibi kişiye özel ve hedefe yönelik tedaviler ancak biyoinformatik analizler sayesinde mümkün olmaktadır.

**Kanser karşıtı ilaç geliştirilmesinde biyoinformatiğin rolü**

Son on yılda elde edilen omik verideki artış, kanser ilaçlarının hesapsal tahmini ve ilaç keşfinin geliştirilmesi büyük bir avantaj sağlamıştır. Yeni nesil dizileme transkriptom verileri, ilaç yanıt verileriyle birleştirilerek ilaç tahmininde ve biyolojik ağ teorisi ve metodolojisi, protein-protein etkileşim ağı, ilaç-hedef ağı ve hastalık-gen ağı üzerine kurulu çalışmalar gibi kanser karşıtı ilaç keşfine de başarıyla uygulanmıştır.

Biyolojik ağ analizi, makine öğrenimi ve çoklu omik verinin entegre analizi gibi hesaplamalı metodolojiler, ilaç tasarımı, ilaç yeniden konumlandırma, hassas kanser tedavisi ve ilaç kombinasyonları tahmini dahil olmak üzere kanser karşıtı ilaç keşfinin neredeyse her alanında önemli roller oynamaktadır. Muazzam miktarda multi-omik veri ve biyoinformatik yaklaşımların üretilmesi, kanser önleyici ilaçların düşük maliyetle daha verimli ve doğru bir şekilde keşfedilmesini mümkün kılar. Özetle, hassas tıp ve büyük veri çağında, multi-omik verileri ve kanser hastalarının klinik bilgilerini bütünleştiren biyoinformatik yaklaşımlar, düşük maliyetle etkili ve doğru anti-kanser ilaç keşfine yardımcı olacak ve hassas ilaç seçimini yönlendirecektir.

**KAYNAKÇA:**

\[1\] Kasaian, K., Yvonne Y.L., ve Jones J.M. S. “Bioinformatics for Cancer Genomics.” In Cancer Genomics, syf. 133–52. Elsevier, 2014.

\[2\] Ren, L., Li, J., Wang, C., ve ark. “Single cell RNA sequencing for breast cancer: present and future”. Cell Death Discovery, 7(1), 1-11, 2021.

\[3\] M. Kunz, B. Wolf, H. Schulze, D. Atlan, T. Walles, H. Walles, T. Dandekar, “Non-Coding RNAs in Lung Cancer: Contribution of Bioinformatics Analysis to the Development of Non-Invasive Diagnostic Tools,” Genes, 8, 8, Aralık 2017.

\[4\] P. Charoentong , M. Angelova, M. Efremova, R. Gallasch, H. Hackl, J. Galon, Z. Trajanoski, “Bioinformatics for cancer immunology and immunotherapy”, Cancer Immunology, Immunotherapy, Kasım, 2012.

\[5\] Li, K., Du, Y., Li, L., ve Wei, D.Q., “Bioinformatics approaches for anti-cancer drug discovery.” Current Drug Targets, 21(1), 3-17, 2020.

:::info
## orijinal metin
arkadaşlarımızın beraber oluşturduğu orijinal metin aşağıdaki gibidir
:::

# Kanser (Tedavilerinde) Biyoinformatik Uygulamaları

## 1. Tanım

Nedir, ne yapar

Günümüzde yaşam bilimlerinin sorularına yanıt arayan bilim insanlarının kullandığı en popüler disiplinlerden olan biyoinformatik, deneysel metotlardan elde edilen verinin hesapsal yöntemlerle toplanması, analizi, yorumlanması, anlamlı veriler halinde derlenmesi ve görselleştirilmesi süreçlerini kapsamaktadır. İlk olarak 1968 yılında kullanılan ve 1978 yılında yazılı olarak tanımlanan “biyoinformatik”, teknolojik gelişmelerle ortaya çıkan biyolojik, çok ve çeşitli verinin gerektirdiği ihtiyaçlar doğrultusunda gelişimini devam ettirmiştir ==(Zhang ve Liu, 2013)==.

==[Zhang ve Liu, 2013] Zhang, S.-Y., & Liu, S.-L."Bioinformatics". In Brenner’s Encyclopedia of Genetics, Elsevier. syf. 338–340. doi:10.1016/b978-0-12-374984-0.00155-8==

Biyolojik bilimler kapsamında sunulan omik veriler, biyoinformatik yöntemleri besleyen ana unsurlardır. Tarihsel süreçte, organizmalarda kalıtsal materyalin varlığının keşfinden sonra, genomun tanımlanması, yapısal ve fonksiyonel özelliklerinin incelenmesi metotlarının bütünü olarak tanımlanan **genomik** çalışmalarından elde edilen veriler biyoinformatik yöntemlerin geliştirilmesindeki ihtiyacı ortaya çıkarmıştır. Genomdaki bilginin biyolojik işlev yolculuğunu aydınlatma çalışmaları transkriptomik, proteomik ve metabolomik gibi diğer omik teknolojiler ile ileri seviyeye taşınmıştır ==(Kasaian, K., Yvonne Y.L., ve Jones J.M. S., 2014)==. Canlı genomundan transkripsiyonla oluşturulan RNA ürünlerinin incelenmesine olanak sağlayan **transkriptomik** teknolojiler ve mRNA transkriptlerinden translasyona uğramış proteinlerin yapıları, modifikasyonları, yerleşim ve işlevlerini inceleyen **proteomik** teknolojiler organizmalarda fonksiyonlarının anlaşılması için genomik teknolojilerin tamamlayıcısı olmuştur. Bu omik teknolojilere ilaveten, organizmadaki karbonhidrat, lipid ve vitamin gibi fonskiyonel bileşenlerin yapılarına dair küçük moleküllerin tanımlanması, tespiti ve analizini sağlayan **metabolomik** yaklaşımlar da organizmadaki biyolojik süreçlerin anlaşılmasında büyük katkı sağlamaktadır ==(Başaran, E., Aras, S. ve Cansaran-duman, D.,2010)==. Bu yüksek çıktılı teknolojiler önemli bilgiler sunmakla birlikte, organizmanın biyolojik işlevlerindeki yerinin anlaşılması ancak bir bütün halinde analiz edilebilmesiyle mümkündür. Biyoinformatik ise farklı teknolojilerden elde edilen bilginin anlamlandırılması için güçlü bir araçtır.

==[Başaran, E., Aras, S. ve Cansaran-duman, D.,2010] Başaran, E., Aras, S. ve Cansaran-duman, D., “Genomik, proteomik, metabolomik kavramlarına genel bakış ve uygulama alanları.”, Türk Hijyen ve Deneysel Biyoloji Dergisi, s.67 n.2, syf. 85-96, 2010.==

==[Kasaian, K., Yvonne Y.L., ve Jones J.M. S., 2014] Kasaian, K., Yvonne Y.L., ve Jones J.M. S. “Bioinformatics for Cancer Genomics.” In Cancer Genomics, syf. 133–52. Elsevier, 2014. https://doi.org/10.1016/b978-0-12-396967-5.00009-8.==


Canlı organizmadaki biyolojik fonksiyonların bir bütün olarak ele alınması ve moleküler düzeyde aydınlatılması, canlılardaki anomalilerin tanısı veya tedavisi için temel oluşturmaktadır. Bu nedenle biyoinformatik, muazzam çabalara rağmen dünyadaki en ölümcül hastalıklardan biri olan kanser araştırmalarında da büyük önem arz etmektedir. Yüksek çıktılı teknolojilerin ilerlemesiyle, büyük miktarlarda erişilebilir ve analiz edilebilir kanser verisi sayesinde, biyoinformatik, kanserin saptanması için minimal invaziv biyobelirteçler geliştirmede ve kanser hastalarının tedavi edilmesi için etkili kişiselleştirilmiş tedaviler tasarlamada yardımcı bir platform teşkil etmektedir (Banwait ve Bastola, 2015).

==[Banwait, J.K., ve Bastola, D.R., 2015] Banwait, J.K., ve Bastola, D.R., “Contribution of bioinformatics prediction in microRNA-based cancer therapeutics.” Advanced drug delivery reviews, 81, 94-103, 2015.==

Veriler, veritabanlar

Daha önce değinilen çoklu omik verilerinin kanser verisi ile ilişkilendirilmesi, biyoinformatiğin kişiselleştirilmiş ilaç veya çoklu ilaç-tedavi kombinasyonları tasarlama, ayrıca ilaç yeniden konumlandırma gibi kanserle mücadeledeki güncel yöntemler için kullanılmasına olanak sağlamaktadır. Kanser-omik çalışmalarında çok büyük miktarda bilgiyi bir araya getiren, en çok bilinen ve kullanılan veri kaynaklarından bazıları ve veri içerikleri şu şekilde örneklendirilebilir ==(Kasaian, K., Yvonne Y.L., ve Jones J.M. S., 2014; Li ve diğ., 2020)==:

* Kanser Genom Atlası (The Cancer Genome Atlas, **TCGA**) - 33 tümor tipinde, 10000'den fazla hastanın doku örneklerinin transkriptomik ve proteomik verileri ve DNA metilasyon verileri, ayrıca tedavi detayları, yaşam süreleri gibi klinik hasta bilgileri
* Kanser Hücre Hattı Ansiklopedisi (the Cancer Cell Line Encyclopedia, CCLE) - 1000'den fazla kanser hücre hattının yüksek çıktılı dizileme verileri ve bulunan mutant genler, bu hücre hatlarında kanserle müccadele için aday bileşiklerin, hücrelerin transkriptomik profilleri ve ilaç hassasiyetlerinin ilişkilendirildiği deney sonuçları gibi kanser hücre hattı çalışmalarına dair farmakolojik deneylerin sistematik olarak düzenlenmiş omik verileri
* Kanser Somatik Mutasyonları Kataloğu (Catalogue Of Somatic Mutations In Cancer, COSMIC) - her üç ayda bir güncellenen, insanda kansere sebep olan geniş yelpazede somatik mutasyon mekanizmaları ve çeşitli kanser tiplerindeki bu milyonlarca mutasyonadair detaylı bilgiler
* İnsanda Çevrimiçi Mendel Kalıtımı (Online Mendelian Inheritance in Man, OMIM) - her gün güncellenen, kanserle ilişkili genleri de kapsayan 15000'in üzerinde insan geni, tüm bilinen Mendel bozuklukları ve genotip-fenotip ilişkileri ile birlikte genetik özellikler ve bozukluklara dair veriler
* Gen Ekspresyon Omnibus (Gene Expression Omnibus, **GEO**) - özellikle ilaç-gen ifadesi profilleri ve hastalık-gen ifadesi profillerinin karşılaştırılmasıyla ilaç-hastalık profillerinin elde edilmesinde ve ilaç yeniden konumlandırma çalışmalarında tercih edilen büyük miktarda gen ifadesi verisi içerek fonksiyonel genomik veri kaynağı

==*(**Alper Hocama not:** yukarıdaki veri tabanlarına dair içerikler Li et al., 2020'den ve kendi sitelerinden; aşağıdaki 3 veri tabanından ICGC verisine ulaşmak için talep göndermek gerekiyor, CCLP ve CGC de web linklerine göre COSMIC'in altındaymış, kendi inisiyatifim ile onları yazmamaya karar vermiştim ama Selcen'le konuşunca elimizden gelen her şeyi yazalım diye, biraz geç kalmış oluşumu da hesaba katınca, yayında örnekleri sadece ismen dahil etmek isterseniz diye onları da açıklamasız olarak aşağıda bulabilirsiniz. Saygılar.. nilay)*==

* Uluslararası Kanser Genom Konsorsiyumu (International Cancer Genome Consortium, **ICGC**)
* Kanser Hücre Hattı Projesi (Cancer Cell Line Project)
* Kanser Gen Sayımı (Cancer Gene Census, CGC)

==[Li, K., Du, Y., Li, L., ve Wei, D.Q., 2020] Li, K., Du, Y., Li, L., ve Wei, D.Q., “Bioinformatics approaches for anti-cancer drug discovery.” Current drug targets, 21(1), 3-17, 2020.==


(sevdigim bir gorsel degerlendirin diye birakiyorum - OK)

## 2. Tanı

### 2.1 mutasyon veya snp

Genom dizilime alaninda kaydedilen hızlı gelişmeler insan genomunun dizilenmesini kolay ve düşük maliyetli hale getirmistir. Bir bireye ait genomun dizisinin bilinmesi, toplumun genelinden farkli olarak -referans genom olarak adlandirilir- muhteva ettigi tek baz ve yapisal degisimlerin tespitini mümkün kılar. Bu kanserin önlenmesinde, tanisinda ve tedavisinde yeni bir donemin başlamasına olanak sağlamıştır.

Hastanın DNA'sının dizilenmesinin ardindan gerceklestirilen analizlerde ortaya çıkan karmaşık veriden kansere sebep olan DNA değişikliklerinin (mutasyon veya SNP) tespit edilmesi, bu değişiklerin protein üzerindeki sonuçlarının değerlendirmesi yapılmaktadır.
Tüm bu işlemler biyoinformatik araclari yardımıyla gerceklestirilmekte ve klinisyenlere rapor edeilmektedir

Klasik genetik hastalıklar tipik olarak doğada monojeniktir; tek bir hatalı genden kaynaklanırlar. Bazı durumlarda, kusurlu bir genin kalıtımı, hastalığa neden olmak için hem gerekli hem de yeterlidir ve görülme sıklığı, tam olarak Mendel kalıtım yasalarının öngördüğü gibidir.
Kanser genleri kalıtsal olabilir veya somatik hücrelerde çevresel mutajenler ile etkileşimler yoluyla veya DNA replikasyonunun hataları nedeniyle ortaya çıkabilir.

### 2.2 gene expression signatures

Kanser, genetik ve fenotipik çeşitliliğin bir sonucu olarak ortaya çıkan bir hastalıktır. Tümör hücrelerinde meydana gelen pek çok mutasyon bu çeşitliliğe sebebiyet vererek heterojenite oluşturur. Aynı kanser türüne sahip farklı hastaların tümörlü dokularında sahip olduğu mutasyonlar (intertümör heterojenitesi) ile aynı dokuda meydana gelen mutasyonların (intratümör heterojenitesi) farklılık içermeleri heterojeniteyi açıklamaktadır [Burrel ve diğerleri,2013].Kanserin sahip olduğu bu çeşitlilik teşhis aşamasını zorlaştırmaktadır. Teşhis aşamasındaki zorlukların ortadan kaldırılabilmesinde yeni nesil dizileme yöntemleri önemli rol oynamaktadır [Perales-Paton ve diğerleri, 2017]. Yeni nesil dizileme teknikleri kullanılarak tümör dokusunun sahip olduğu gen ifade verileri üzerinden; tümöre özgü biyobelirteç belirleme [Kunz ve diğerleri,2017], kanser evresinin tahmini [Salazar ve diğerleri,2011], kansere sebebiyet veren hedef genlerin belirlenmesi [Volinia ve diğerleri,2006] gibi hastalığın teşhis aşamasını kolaylaştırma ve biyolojisinin anlaşılıp tedaviye yön verilmesine olanak sağlayan yaklaşımlar oluşturulmaktadır. Geliştirilen yeni nesil dizileme tekniklerinden birisi olan tek hücre RNA dizileme yöntemi ile hücrelerde meydana gelen heterojenitenin oluşturduğu dezavantaj, tek hücre bazında dizilemenin gerçekleştirilmesi ile ortadan kaldırılarak kanser mekanizması ve tümör evrimi hakkında çok fazla bilgi edinilmesini sağlamıştır [Ren ve diğerleri,2021].

### Referanslar

- Burrell, R. A., McGranahan, N., Bartek, J., & Swanton, C. (2013). The causes and consequences of genetic heterogeneity in cancer evolution. Nature, 501(7467), 338-345.
- Perales-Patón, J., Piñeiro-Yañez, E., Tejero, H., López-Casas, P. P., Hidalgo, M., Gómez-López, G., & Al-Shahrour, F. (2017). Pancreas cancer precision treatment using avatar mice from a bioinformatics perspective. Public health genomics, 20(2), 81-91.
- Kunz, M., Wolf, B., Schulze, H., Atlan, D., Walles, T., Walles, H., & Dandekar, T. (2017). Non-coding RNAs in lung cancer: contribution of bioinformatics analysis to the development of non-invasive diagnostic tools. Genes, 8(1), 8.
- Salazar, R., Roepman, P., Capella, G., Moreno, V., Simon, I., Dreezen, C., ... & Tollenaar, R. (2011). Gene expression signature to improve prognosis prediction of stage II and III colorectal cancer. Journal of clinical oncology, 29(1), 17-24.
- Volinia, S., Calin, G. A., Liu, C. G., Ambs, S., Cimmino, A., Petrocca, F., ... & Croce, C. M. (2006). A microRNA expression signature of human solid tumors defines cancer gene targets. Proceedings of the National Academy of Sciences, 103(7), 2257-2261.
- Ren, L., Li, J., Wang, C., Lou, Z., Gao, S., Zhao, L., ... & Tang, J. (2021). Single cell RNA sequencing for breast cancer: present and future. Cell Death Discovery, 7(1), 1-11.

genomic instability - cancer heterogeneity
* https://www.nature.com/articles/nature12625
* https://sci-hub.se/10.1159/000479812
* https://www.nature.com/articles/nature12624

advantages of gene exp signatures on cancer prognosis
* https://pubmed.ncbi.nlm.nih.gov/28035947/ - biomarker
* https://www.semanticscholar.org/paper/Gene-expression-signature-to-improve-prognosis-of-Salazar-Roepman/a0c9b6f68ec57503868cad8034d63c32102b5129?p2df - prediction of cancer stages
* https://journals.plos.org/plosbiology/article?id=10.1371/journal.pbio.0020007 - predict cancer progression
* https://www.pnas.org/content/103/7/2257.short - identify cancer gene target

prognosisi belirleyen yöntemler
tümörle alakalı single cell dizileme çalışmaları da yapılmakta. heterojenitenin dezavantajları single cell seq ile ortadan kaldırılmış

### 2.3 non-coding RNA (miRNA, lncRNA, circRNA)

Translasyon sonucu proteine dönüşmeyen; fakat gen ifadesinin düzenlenmesinde görev alan kodlanmayan RNA'lar (ncRNA), transkribe edilmiş insan genomunun %90'ından fazlasını oluşturmaktadır. Çeşitli biyolojik süreçlerde ve sinyal yolaklarında rol alan mikroRNA (miRNA) ve uzun kodlanmayan RNA (lncRNA) gibi ncRNA'ların, farklı kanser türlerinin gelişmesinde ve ilerlemesinde de rol aldığı yapılan çalışmalarla ortaya konmuştur. Özellikle belirtilerin henüz ortaya çıkmadığı erken evredeki kanser tanısı için miRNA ve lncRNA'lar, invaziv olmayan biyobelirteçler olarak önemli bir potansiyel taşımaktadır. miRNA'ların farklı kanser alt türlerinin birbirinden ayırt edilmesinde de kullanılabileceğini gösteren çalışmalar bulunmaktadır. miRNA ve lncRNA'ların ortaya çıkarılması üzerine yapılan çalışmaların sayısı artsa da deneysel çalışmalar vakit alan, zorlu süreçlerdir. Biyoinformatik analizler; çeşitli büyük ölçekli deneysel veri kümelerinin ve biyoinformatik araçların kullanımıyla ncRNA'ların dizisinin, yapısının, fonksiyonunun ve etkileşimlerinin daha kapsamlı olarak anlaşılmasını sağlar.

*M. Kunz, B. Wolf, H. Schulze, D. Atlan, T. Walles, H. Walles, T. Dandekar, "Non-Coding RNAs in Lung Cancer: Contribution of Bioinformatics Analysis to the Development of Non-Invasive Diagnostic Tools," Genes, 8, 8, Aralık 2017, https://doi.org/10.3390/genes8010008.*

### 2.4 circulating cell free DNA

Yeni nesil dizileme yöntemlerinin gelişmesi ile birlikte umut vadeden ve invaziv olmayan kanser taramalarına bir diğer alternatif, kan ve idrar gibi vücut sıvılarında dolaşım halinde bulunan hücre dışı DNA'lardır (cfDNA). Kanser hücrelerinden dolaşıma katılan cfDNA'lar hasta bireylerde daha yüksek oranda bulunduğundan, nokta mutasyonları ile DNA metilasyonu değişimi gibi spesifik genetik ve epigenetik değişimler incelenerek, farklı kanser türlerinin tanısında ve hastalığın seyrinde cfDNA'ların biyobelirteç olarak kullanılması hedeflenmektedir.

*C-C. Huang, M. Du ve L. Wang, "Bioinformatics Analysis for Circulating Cell-Free DNA in Cancer," Cancers 11, no. 6, 805, Haziran 2019, https://doi.org/10.3390/cancers11060805.*

## 3. Tedavi

### 3.1 Immunotherapy

İmmunoterapi, hastanın kendi bağışıklık sisteminin kanser hücrelerini yok etmeye yönelik kullanılması esasına dayalı tedavi yaklaşımıdır. Yeni nesil dizileme (NGS) teknolojisinin genomik dizileme hakkında bilgi sağlaması, klinik durumda mutasyonların tespit edilmesi ve beklenmedik dizi varyasyonlarının tespiti ile kanserleşme sürecinde genetik profili anlamada anahtar işlevi görmektedir.(Başaran, E., Aras, S. ve Cansaran-duman, D.,2010) Ayrıca matematiksel modellemeler; kanser moleküler mekanizmalarının aydınlatılması, daha iyi tanı ve hastalığın prognozunda , yeni tedavi yaklaşımları geliştirilmesinde önemli bir role sahip olmaktadır. Bu ve bunun gibi biyoinformatik yaklaşımlar ile kişiye özel ve hedefe yönelik tedavinin mümkün kılınması bu alana olan ilginin artmasına sebep olmuştur.

• P. Charoentong , M. Angelova, M. Efremova, R. Gallasch, H. Hackl, J. Galon, Z. Trajanoski, “Bioinformatics for cancer immunology and immunotherapy”, Cancer Immunology, Immunotherapy, Kasım, 2012, DOI: 10.1007/s00262-012-1354-x

(Oguzhan not) İmmunoterapinin etkinliğini ölçmede SNP ve mutasyonların etkileri de hesaba katılmaktadır. (Mutasyonların oluşturduğu neoantijenlerin sayısına bağlı olarak tedavi etkinliği ölçülmektedir. Bu işlem mut/mb ile hesaplanıp sonuç verilmektedir)
https://clincancerres.aacrjournals.org/content/27/5/1236

### 3.2 Anti-cancer drug

Son on yılda elde edilen omik verideki artış, ilaç keşfinde geleneksel olarak yararlanılan in vivo hayvan deneyleri ve in vitro ilaç taramalarının maddi ve zamansal olarak dezavantajına karşılık, kanser ilaçlarının hesapsal tahmini ve ilaç keşfinin geliştirilmesi için bir fırsat niteliğindedir.Yüksek verimli transkriptom verileri, ilaç yanıt verileriyle bütünleşerek ilaç tahmininde ve biyolojik ağ teorisi ve metodolojisi, protein-protein etkileşim ağı, ilaç-hedef ağı ve hastalık-gen ağı üzerine kurulu çalışmalar gibi kanser karşıtı ilaç keşfine de başarıyla uygulandı.

Biyolojik ağ analizi, makine öğrenimi ve multiomik entegre analiz gibi hesaplamalı metodolojiler, ilaç tasarımı, ilaç yeniden konumlandırma, hassas kanser tedavisi ve ilaç kombinasyonları tahmini dahil olmak üzere kanser karşıtı ilaç keşfinin neredeyse her alanında önemli roller oynamaktadır. Muazzam miktarda multi-omik veri ve biyoinformatik yaklaşımların üretilmesi, kanser önleyici ilaçların düşük maliyetle daha verimli ve doğru bir şekilde keşfedilmesini mümkün kılar. Bununla birlikte, tahmine dayalı yaklaşımların performansında kayda değer bir ilerleme olmasına rağmen, uygulamada hala birçok zorluk bulunmaktadır.

Steroid olmayan antienflamatuar ilaçlar (NSAID'ler) esas olarak analjezik ve antienflamatuar olarak kullanılır ve siklooksijenaz-2'nin (COX-2) baskılanması yoluyla çalışır. İlaç yeniden konumlandırma çalışmaları ile birkaç NSAID'nin (aspirin,ibuprofen) daha yüksek dozlarının, tümör hücrelerinin proliferasyonunu ve artan apoptozunu baskıladığı rapor edilmiştir.[Kirtonia, A., Gala, K., Fernandes, S. G., Pandya, G., Pandey, A. K., Sethi, G., ... & Garg, M. (2021, January). Repurposing of drugs: an attractive pharmacological strategy for cancer therapeutics. In Seminars in cancer biology (Vol. 68, pp. 258-278). Academic Press.] Biyoinformatik analizlerle yapılan bir çalışma, NSAID'nin antineoplastik etkileri olduğunu ve metastatik yayılımı azalttığını ortaya çıkardı.
[Zhao, X., Xu, Z., & Li, H. (2017). NSAIDs use and reduced metastasis in cancer patients: results from a meta-analysis. Scientific reports, 7(1), 1-7.]

Özetle, hassas tıp ve büyük veri çağında, multi-omik verileri ve kanser hastalarının klinik bilgilerini bütünleştiren biyoinformatik yaklaşımlar, düşük maliyetle etkili ve doğru anti-kanser ilaç keşfine yardımcı olacak ve hassas ilaç seçimini yönlendirecektir. Hesaplamalı yaklaşımların kullanışlılığını artırmak için, disiplinler arası bir işbirliği, biyoinformatikçiler, biyokimyacılar, genetikçiler, moleküler ve hücre biyologları, farmakologlar ve klinisyenler dahil olmak üzere birçok farklı alan uzmanı arasında bilgi alışverişini kolaylaştırmak, hesaplamalı modellerin klinik uygulamada uygulanabilirliğini artırmaya yardımcı olur.

==[Li, K., Du, Y., Li, L., ve Wei, D.Q., 2020] Li, K., Du, Y., Li, L., ve Wei, D.Q., “Bioinformatics approaches for anti-cancer drug discovery.” Current drug targets, 21(1), 3-17, 2020.==

==[Alper hocam ilaç repurposing ile ilgili bir örnek araştırdım. Metformin(PPARalfa),tiazolidinedionlar(PPARgama), antibiyotikler vs çok ilaç var. Fakat eczacılar ve bu yazı için en çok non steroidler yani aspirin ilgi çeker diye onu aldım. Makalelere bakarsanız diye hemen yanlarına koydum hocam]==

* YAPILACAKLAR
* [ ] selcen: figur
* [ ] m.celik: anti-cancer drug (6-7 cumle)
* [ ] nilay + selcen: intro
* [ ] gulce: non-coding ve cell free (3-4 cumle)
* [ ] elif irem: immunotherapy (3-4 cumle)
* [ ] busra : gene expression signatures (5-6 cumle)
* [ ] oguzhan: mutasyon ve snp (5-6 cumle)

---
Kaynaklarımız:

Cancer Genomics Bioinformatics for Cancer Genomics: https://www.sciencedirect.com/science/article/pii/B9780123969675000098

Bioinformatics: https://www.sciencedirect.com/science/article/pii/B9780123749840001558

Bioinformatics and cancer editorial: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3424139/

---

![Uploading file..._ss55mab8b]()

![Uploading file..._1w1pcywyo]()

![Uploading file..._kh1q7c19z]()

![Uploading file..._dphtajnr5]()

![Uploading file..._xe2fdvdy3]()

---
# Çok atıf alan review abstractlar

,Web of Science, Title "Cancer" "Bioinformatics"

| **Record 1 of 20** |
| **Title:** Bioinformatics tools for cancer metabolomics |
| **Author(s):** Blekherman, G (Blekherman, Grigoriy); Laubenbacher, R (Laubenbacher, Reinhard); Cortes, DF (Cortes, Diego F.); Mendes, P (Mendes, Pedro); Torti, FM (Torti, Frank M.); Akman, S (Akman, Steven); Torti, SV (Torti, Suzy V.); Shulaev, V (Shulaev, Vladimir) |
| **Source:** METABOLOMICS  **Volume:** 7  **Issue:** 3  **Pages:** 329-343  **DOI:** 10.1007/s11306-010-0270-3  **Published:** SEP 2011   |
| **Abstract:** It is well known that significant metabolic change take place as cells are transformed from normal to malignant. This review focuses on the use of different bioinformatics tools in cancer metabolomics studies. The article begins by describing different metabolomics technologies and data generation techniques. Overview of the data pre-processing techniques is provided and multivariate data analysis techniques are discussed and illustrated with case studies, including principal component analysis, clustering techniques, self-organizing maps, partial least squares, and discriminant function analysis. Also included is a discussion of available software packages. |
| **Accession Number:** WOS:000293912300002 |
| **PubMed ID:** 21949492 |
| **ISSN:** 1573-3882 |
| **eISSN:** 1573-3890 |

---

| **Record 3 of 20** |
| **Title:** Contribution of bioinformatics prediction in microRNA-based cancer therapeutics |
| **Author(s):** Banwait, JK (Banwait, Jasjit K.); Bastola, DR (Bastola, Dhundy R.) |
| **Source:** ADVANCED DRUG DELIVERY REVIEWS  **Volume:** 81  **Pages:** 94-103  **DOI:** 10.1016/j.addr.2014.10.030  **Published:** JAN 2015   |
| **Abstract:** Despite enormous efforts, cancer remains one of the most lethal diseases in the world. With the advancement of high throughput technologies massive amounts of cancer data can be accessed and analyzed. Bioinformatics provides a platform to assist biologists in developing minimally invasive biomarkers to detect cancer, and in designing effective personalized therapies to treat cancer patients. Still, the early diagnosis, prognosis, and treatment of cancer are an open challenge for the research community. MicroRNAs (miRNAs) are small non-coding RNAs that serve to regulate gene expression. The discovery of deregulated miRNAs in cancer cells and tissues has led many to investigate the use of miRNAs as potential biomarkers for early detection, and as a therapeutic agent to treat cancer. Here we describe advancements in computational approaches to predict miRNAs and their targets, and discuss the role of bioinformatics in studying miRNAs in the context of human cancer. Published by Elsevier B.V. |
| **Accession Number:** WOS:000348621600008 |
| **PubMed ID:** 25450261 |
| **ISSN:** 0169-409X |
| **eISSN:** 1872-8294 |

---

| **Record 4 of 20** |
| **Title:** Bioinformatics for cancer immunology and immunotherapy |
| **Author(s):** Charoentong, P (Charoentong, Pornpimol); Angelova, M (Angelova, Mihaela); Efremova, M (Efremova, Mirjana); Gallasch, R (Gallasch, Ralf); Hackl, H (Hackl, Hubert); Galon, J (Galon, Jerome); Trajanoski, Z (Trajanoski, Zlatko) |
| **Source:** CANCER IMMUNOLOGY IMMUNOTHERAPY  **Volume:** 61  **Issue:** 11  **Pages:** 1885-1903  **DOI:** 10.1007/s00262-012-1354-x  **Published:** NOV 2012   |
| **Abstract:** Recent mechanistic insights obtained from preclinical studies and the approval of the first immunotherapies has motivated increasing number of academic investigators and pharmaceutical/biotech companies to further elucidate the role of immunity in tumor pathogenesis and to reconsider the role of immunotherapy. Additionally, technological advances (e.g., next-generation sequencing) are providing unprecedented opportunities to draw a comprehensive picture of the tumor genomics landscape and ultimately enable individualized treatment. However, the increasing complexity of the generated data and the plethora of bioinformatics methods and tools pose considerable challenges to both tumor immunologists and clinical oncologists. In this review, we describe current concepts and future challenges for the management and analysis of data for cancer immunology and immunotherapy. We first highlight publicly available databases with specific focus on cancer immunology including databases for somatic mutations and epitope databases. We then give an overview of the bioinformatics methods for the analysis of next-generation sequencing data (whole-genome and exome sequencing), epitope prediction tools as well as methods for integrative data analysis and network modeling. Mathematical models are powerful tools that can predict and explain important patterns in the genetic and clinical progression of cancer. Therefore, a survey of mathematical models for tumor evolution and tumor-immune cell interaction is included. Finally, we discuss future challenges for individualized immunotherapy and suggest how a combined computational/experimental approaches can lead to new insights into the molecular mechanisms of cancer, improved diagnosis, and prognosis of the disease and pinpoint novel therapeutic targets. |
| **Accession Number:** WOS:000310888400001 |
| **PubMed ID:** 22986455 |
| **ISSN:** 0340-7004 |
| **eISSN:** 1432-0851 |

---

| **Record 5 of 20** |
| **Title:** Getting personalized cancer genome analysis into the clinic: the challenges in bioinformatics |
| **Author(s):** Valencia, A (Valencia, Alfonso); Hidalgo, M (Hidalgo, Manuel) |
| **Source:** GENOME MEDICINE  **Volume:** 4  **Article Number:** 61  **DOI:** 10.1186/gm362  **Published:** JUL 30 2012   |
| **Abstract:** Progress in genomics has raised expectations in many fields, and particularly in personalized cancer research. The new technologies available make it possible to combine information about potential disease markers, altered function and accessible drug targets, which, coupled with pathological and medical information, will help produce more appropriate clinical decisions. The accessibility of such experimental techniques makes it all the more necessary to improve and adapt computational strategies to the new challenges. This review focuses on the critical issues associated with the standard pipeline, which includes: DNA sequencing analysis; analysis of mutations in coding regions; the study of genome rearrangements; extrapolating information on mutations to the functional and signaling level; and predicting the effects of therapies using mouse tumor models. We describe the possibilities, limitations and future challenges of current bioinformatics strategies for each of these issues. Furthermore, we emphasize the need for the collaboration between the bioinformaticians who implement the software and use the data resources, the computational biologists who develop the analytical methods, and the clinicians, the systems' end users and those ultimately responsible for taking medical decisions. Finally, the different steps in cancer genome analysis are illustrated through examples of applications in cancer genome analysis. |
| **Accession Number:** WOS:000314574600002 |
| **PubMed ID:** 22839973 |
| **ISSN:** 1756-994X |

---

| **Record 6 of 20** |
| **Title:** Application of clinical bioinformatics in lung cancer-specific biomarkers |
| **Author(s):** Wu, DJ (Wu, Duojiao); Wang, XD (Wang, Xiangdong) |
| **Source:** CANCER AND METASTASIS REVIEWS  **Volume:** 34  **Issue:** 2  **Pages:** 209-216  **DOI:** 10.1007/s10555-015-9564-2  **Published:** JUN 2015   |
| **Abstract:** The fact that lung cancer is a heterogeneous disease suggests that there is a high likelihood that effective lung cancer biomarkers will need to address patient-specific molecular defects, clinical characters, and aspects of the tumor microenvironment. In this transition, clinical bioinformatics tools and resources are the most appropriate means to improve the analysis, as major biological databases are now containing clinical data alongside genomics, proteomics, and other biological data. Clinical bioinformatics comprises a series of concepts and approaches that have been used successfully both to delineate novel biological mechanisms and to drive translational advances in individualized healthcare. In this article, we outline several of emerging clinical bioinformatics-based strategies as they apply specifically to lung cancer. |
| **Accession Number:** WOS:000358743300005 |
| **PubMed ID:** 25933723 |

| **ISSN:** 0167-7659 |
| **eISSN:** 1573-7233 |

---

| **Record 7 of 20** |
| **Title:** Bioinformatics for cancer immunotherapy target discovery |
| **Author(s):** Olsen, LR (Olsen, Lars Ronn); Campos, B (Campos, Benito); Barnkob, MS (Barnkob, Mike Stein); Winther, O (Winther, Ole); Brusic, V (Brusic, Vladimir); Andersen, MH (Andersen, Mads Hald) |
| **Source:** CANCER IMMUNOLOGY IMMUNOTHERAPY  **Volume:** 63  **Issue:** 12  **Pages:** 1235-1249  **DOI:** 10.1007/s00262-014-1627-7  **Published:** DEC 2014   |
| **Abstract:** The mechanisms of immune response to cancer have been studied extensively and great effort has been invested into harnessing the therapeutic potential of the immune system. Immunotherapies have seen significant advances in the past 20 years, but the full potential of protective and therapeutic cancer immunotherapies has yet to be fulfilled. The insufficient efficacy of existing treatments can be attributed to a number of biological and technical issues. In this review, we detail the current limitations of immunotherapy target selection and design, and review computational methods to streamline therapy target discovery in a bioinformatics analysis pipeline. We describe specialized bioinformatics tools and databases for three main bottlenecks in immunotherapy target discovery: the cataloging of potentially antigenic proteins, the identification of potential HLA binders, and the selection epitopes and co-targets for single-epitope and multi-epitope strategies. We provide examples of application to the well-known tumor antigen HER2 and suggest bioinformatics methods to ameliorate therapy resistance and ensure efficient and lasting control of tumors. |
| **Accession Number:** WOS:000345963000001 |
| **PubMed ID:** 25344903 |
| **ISSN:** 0340-7004 |
| **eISSN:** 1432-0851 |

---

| **Record 8 of 20** |
| **Title:** Insights into Telomerase/hTERT Alternative Splicing Regulation Using Bioinformatics and Network Analysis in Cancer |
| **Author(s):** Ludlow, AT (Ludlow, Andrew T.); Slusher, AL (Slusher, Aaron L.); Sayed, ME (Sayed, Mohammed E.) |
| **Source:** CANCERS  **Volume:** 11  **Issue:** 5  **Article Number:** 666  **DOI:** 10.3390/cancers11050666  **Published:** MAY 2019   |
| **Abstract:** The reactivation of telomerase in cancer cells remains incompletely understood. The catalytic component of telomerase, hTERT, is thought to be the limiting component in cancer cells for the formation of active enzymes. hTERT gene expression is regulated at several levels including chromatin, DNA methylation, transcription factors, and RNA processing events. Of these regulatory events, RNA processing has received little attention until recently. RNA processing and alternative splicing regulation have been explored to understand how hTERT is regulated in cancer cells. The cis- and trans-acting factors that regulate the alternative splicing choice of hTERT in the reverse transcriptase domain have been investigated. Further, it was discovered that the splicing factors that promote the production of full-length hTERT were also involved in cancer cell growth and survival. The goals are to review telomerase regulation via alternative splicing and the function of hTERT splicing variants and to point out how bioinformatics approaches are leading the way in elucidating the networks that regulate hTERT splicing choice and ultimately cancer growth. |
| **Accession Number:** WOS:000472738300079 |
| **PubMed ID:** 31091669 |
| **eISSN:** 2072-6694 |

---

| **Record 9 of 20** |
| **Title:** Non-Coding RNAs in Lung Cancer: Contribution of Bioinformatics Analysis to the Development of Non-Invasive Diagnostic Tools |
| **Author(s):** Kunz, M (Kunz, Meik); Wolf, B (Wolf, Beat); Schulze, H (Schulze, Harald); Atlan, D (Atlan, David); Walles, T (Walles, Thorsten); Walles, H (Walles, Heike); Dandekar, T (Dandekar, Thomas) |
| **Source:** GENES  **Volume:** 8  **Issue:** 1  **Article Number:** 8  **DOI:** 10.3390/genes8010008  **Published:** JAN 2017   |
| **Abstract:** Lung cancer is currently the leading cause of cancer related mortality due to late diagnosis and limited treatment intervention. Non-coding RNAs are not translated into proteins and have emerged as fundamental regulators of gene expression. Recent studies reported that microRNAs and long non-coding RNAs are involved in lung cancer development and progression. Moreover, they appear as new promising non-invasive biomarkers for early lung cancer diagnosis. Here, we highlight their potential as biomarker in lung cancer and present how bioinformatics can contribute to the development of non-invasive diagnostic tools. For this, we discuss several bioinformatics algorithms and software tools for a comprehensive understanding and functional characterization of microRNAs and long non-coding RNAs. |
| **Accession Number:** WOS:000399057100008 |
| **PubMed ID:** 28035947 |
| **eISSN:** 2073-4425 |

---

| **Record 10 of 20** |
| **Title:** Bioinformatics Analysis for Circulating Cell-Free DNA in Cancer |
| **Author(s):** Huang, CC (Huang, Chiang-Ching); Du, MJ (Du, Meijun); Wang, L (Wang, Liang) |
| **Source:** CANCERS  **Volume:** 11  **Issue:** 6  **Article Number:** 805  **DOI:** 10.3390/cancers11060805  **Published:** JUN 2019   |
| **Abstract:** Molecular analysis of cell-free DNA (cfDNA) that circulates in plasma and other body fluids represents a "liquid biopsy" approach for non-invasive cancer screening or monitoring. The rapid development of sequencing technologies has made cfDNA a promising source to study cancer development and progression. Specific genetic and epigenetic alterations have been found in plasma, serum, and urine cfDNA and could potentially be used as diagnostic or prognostic biomarkers in various cancer types. In this review, we will discuss the molecular characteristics of cancer cfDNA and major bioinformatics approaches involved in the analysis of cfDNA sequencing data for detecting genetic mutation, copy number alteration, methylation change, and nucleosome positioning variation. We highlight specific challenges in sensitivity to detect genetic aberrations and robustness of statistical analysis. Finally, we provide perspectives regarding the standard and continuing development of bioinformatics analysis to move this promising screening tool into clinical practice. |
| **Accession Number:** WOS:000475351200069 |
| **PubMed ID:** 31212602 |
| **ISSN:** 2072-6694 |

---

| **Record 11 of 20** |
| **Title:** Bioinformatics Approaches for Anti-cancer Drug Discovery |
| **Author(s):** Li, KN (Li, Kening); Du, YX (Du, Yuxin); Li, L (Li, Lu); Wei, DQ (Wei, Dong-Qing) |
| **Source:** CURRENT DRUG TARGETS  **Volume:** 21  **Issue:** 1  **Special Issue:** SI  **Pages:** 3-17  **DOI:** 10.2174/1389450120666190923162203  **Published:** 2020   |
| **Abstract:** Drug discovery is important in cancer therapy and precision medicines. Traditional approaches of drug discovery are mainly based on in vivo animal experiments and in vitro drug screening, but these methods are usually expensive and laborious. In the last decade, omics data explosion provides an opportunity for computational prediction of anti-cancer drugs, improving the efficiency of drug discovery. High-throughput transcriptome data were widely used in biomarkers' identification and drug prediction by integrating with drug-response data. Moreover, biological network theory and methodology were also successfully applied to the anti-cancer drug discovery, such as studies based on protein-protein interaction network, drug-target network and disease-gene network. In this review, we summarized and discussed the bioinformatics approaches for predicting anti-cancer drugs and drug combinations based on the multi-omic data, including transcriptomics, toxicogenomics, functional genomics and biological network. We believe that the general overview of available databases and current computational methods will be helpful for the development of novel cancer therapy strategies. |
| **Accession Number:** WOS:000508646000002 |
| **PubMed ID:** 31549592 |
| **ISSN:** 1389-4501 |
| **eISSN:** 1873-5592 |

---

| **Record 13 of 20** | ???
| **Title:** Microarray bioinformatics in cancer- a review |
| **Author(s):** Tao, ZQ (Tao, Ziqi); Shi, AM (Shi, Aimin); Li, R (Li, Rui); Wang, YQ (Wang, Yiqiu); Wang, X (Wang, Xin); Zhao, J (Zhao, Jing) |
| **Source:** JOURNAL OF BUON  **Volume:** 22  **Issue:** 4  **Pages:** 838-843  **Published:** JUL-AUG 2017   |
| **Abstract:** Bioinformatics is one of the newest fields of biological research, and should be viewed broadly as the use of mathematical, statistical, and computational methods for the processing and analysis of biological data. Over the last decade, the rapid growth of information and technology in both 'genomics' and 'omics' eras has been overwhelming for the laboratory scientists to process experimental results. Traditional gene-by-gene approaches in research are insufficient to meet the growth and demand of biological research in understanding the true biology. The massive amounts of data generated by new technologies as genomic sequencing and microarray chips make the management of data and the integration of multiple platforms of high importance; this is then followed by data analysis and interpretation to achieve biological understanding and therapeutic progress. Global views of analyzing the magnitude of information are necessary and traditional approaches to lab work have steadily been changing towards a bioinformatics era. Research is moving from being restricted to a laboratory environment to working with computers in a *'virtual lab'* environment. The present review article shall put light on this emerging field and its applicability towards cancer research. |
| **Accession Number:** WOS:000412789500003 |
| **PubMed ID:** 29155508 |
| **ISSN:** 1107-0625 |
| **eISSN:** 2241-6293 |

---

| **Record 14 of 20** |
| **Title:** Translational Bioinformatics for Diagnostic and Prognostic Prediction of Prostate Cancer in the Next-Generation Sequencing Era |
| **Author(s):** Chen, JJ (Chen, Jiajia); Zhang, DQ (Zhang, Daqing); Yan, WY (Yan, Wenying); Yang, DR (Yang, Dongrong); Shen, BR (Shen, Bairong) |
| **Source:** BIOMED RESEARCH INTERNATIONAL  **Volume:** 2013  **Article Number:** 901578  **DOI:** 10.1155/2013/901578  **Published:** 2013   |
| **Abstract:** The discovery of prostate cancer biomarkers has been boosted by the advent of next-generation sequencing (NGS) technologies. Nevertheless, many challenges still exist in exploiting the flood of sequence data and translating them into routine diagnostics and prognosis of prostate cancer. Here we review the recent developments in prostate cancer biomarkers by high throughput sequencing technologies. We highlight some fundamental issues of translational bioinformatics and the potential use of cloud computing in NGS data processing for the improvement of prostate cancer treatment. |
| **Accession Number:** WOS:000322468900001 |
| **PubMed ID:** 23957008 |
| **ISSN:** 2314-6133 |
| **eISSN:** 2314-6141 |

---

| **Record 17 of 20** |
| **Title:** Pancreas Cancer Precision Treatment Using Avatar Mice from a Bioinformatics Perspective |
| **Author(s):** Perales-Paton, J (Perales-Paton, Javier); Pineiro-Yanez, E (Pineiro-Yanez, Elena); Tejero, H (Tejero, Hector); Lopez-Casas, PP (Lopez-Casas, Pedro P.); Hidalgo, M (Hidalgo, Manuel); Gomez-Lopez, G (Gomez-Lopez, Gonzalo); Al-Shahrour, F (Al-Shahrour, Fatima) |
| **Source:** PUBLIC HEALTH GENOMICS  **Volume:** 20  **Issue:** 2  **Pages:** 81-91  **DOI:** 10.1159/000479812  **Published:** 2017   |
| **Abstract:** Pancreatic ductal adenocarcinoma (PDAC) is a leading cause of cancer-related death among solid malignancies. Unfortunately, PDAC lethality has not substantially decreased over the past 20 years. This aggressiveness is related to the genomic complexity and heterogeneity of PDAC, but also to the absence of an effective screening for the detection of early-stage tumors and a lack of efficient therapeutic options. Therefore, there is an urgent need to improve the arsenal of anti-PDAC drugs for an effective treatment of these patients. Patient-derived xenograft (PDX) mouse models represent a promising strategy to personalize PDAC treatment, offering a bench testing of candidate treatments and helping to select empirical treatments in PDAC patients with no therapeutic targets. ==Moreover, bioinformatics-based approaches have the potential to offer systematic insights into PDAC etiology predicting putatively actionable tumor-specific genomic alterations, identifying novel biomarkers and generating disease-associated gene expression signatures==. This review focuses on recent efforts to individualize PDAC treatments using PDX models. Additionally, we discuss the current understanding of the PDAC genomic landscape and the putative druggable targets derived from mutational studies. PDAC molecular sub-classifications and gene expression profiling studies are reviewed as well. Finally, latest bioinformatics methodologies based on somatic variant detection and prioritization, in silico drug response prediction, and drug repositioning to improve the treatment of advanced PDAC tumors are also covered. (C) 2017 S. Karger AG, Basel |
| **Accession Number:** WOS:000411505700003 |
| **PubMed ID:** 28858862 |
| **ISSN:** 1662-4246 |
| **eISSN:** 1662-8063 |

---

| **Record 18 of 20** |
| **Title:** Cancer Bioinformatics for Updating Anticancer Drug Developments and Personalized Therapeutics |
| **Author(s):** Lu, DY (Lu, Da-Yong); Qi, RX (Qi, Rong-Xin); Lu, TR (Lu, Ting-Ren); Wu, HY (Wu, Hong-Ying) |
| **Source:** REVIEWS ON RECENT CLINICAL TRIALS  **Volume:** 12  **Issue:** 2  **Pages:** 101-110  **DOI:** 10.2174/1574887112666170209161444  **Published:** 2017   |
| **Abstract:** Background: Last two to three decades, this world witnesses a rapid progress of biomarkers and bioinformatics technologies. Cancer bioinformatics is one of such important omics branches for experimental/clinical studies and applications.
Methods: Same as other biological techniques or systems, bioinformatics techniques will be widely used. But they are presently not omni-potent. Despite great popularity and improvements, cancer bioinformatics has its own limitations and shortcomings at this stage of technical advancements.
Results: This article will offer a panorama of bioinformatics in cancer researches and clinical therapeutic applications-possible advantages and limitations relating to cancer therapeutics. A lot of beneficial capabilities and outcomes have been described. As a result, a successful new era for cancer bioinformatics is waiting for us if we can adhere on scientific studies of cancer bioinformatics in malignant-origin mining, medical verifications and clinical diagnostic applications.
Conclusion: Cancer bioinformatics gave a great significance in disease diagnosis and therapeutic predictions. Many creative ideas and future perspectives are highlighted. |
| **Accession Number:** WOS:000415743300007 |
| **PubMed ID:** 28190390 |
| **ISSN:** 1574-8871 |
| **eISSN:** 1876-1038 |

---

| **Record 20 of 20** |
| **Title:** Associations of mRNA expression of DNA repair genes and genetic polymorphisms with cancer risk: a bioinformatics analysis and meta-analysis |
| **Author(s):** Wu, HZ (Wu, Huizhe); Li, SQ (Li, Shanqiong); Hu, XY (Hu, Xiaoyun); Qin, WY (Qin, Wenyan); Wang, YL (Wang, Yilin); Sun, T (Sun, Tong); Wu, ZK (Wu, Zhikun); Wang, XF (Wang, Xiufang); Lu, SX (Lu, Senxu); Xu, DP (Xu, Dongping); Li, YL (Li, Yalun); Guan, S (Guan, Shu); Zhao, HS (Zhao, Haishan); Yao, WF (Yao, Weifan); Liu, MY (Liu, Mingyan); Wei, MJ (Wei, Minjie) |
| **Source:** JOURNAL OF CANCER  **Volume:** 10  **Issue:** 16  **Pages:** 3593-3607  **DOI:** 10.7150/jca.30975  **Published:** 2019   |
| **Abstract:** A systematical bioinformatics and meta-analysis were carried out to establish our understanding of possible relationships between DNA repair genes and the development of cancer. The bioinformatics analysis confirmed that lower XPA and XPC levels and higher XPD, XPF, and WRN levels were observed in 19 types of cancer, and subsequently results indicated that elevated XPA and XPC had a better impact on overall survival, however, higher XPD, XPF, and WRN showed worse influence on cancer prognosis. The meta-analysis included 58 eligible studies demonstrated that harboring XPA rs10817938, XPD rs238406 increased overall cancer risk, however, XPA rs2808668 SNP in overall cancer analysis and XPF rs3136038 in the digestive system remarkably reduced the cancer risk. Moreover, no correlation was investigated for XPC rs1870134, WRN rs1346044 and rs1801195. These suggest that the DNA repair gene was associated with carcinogenesis, and contribute to the prognosis, and the critical SNPs further involved in affecting cancer risk. |
| **Accession Number:** WOS:000471273000002 |
| **PubMed ID:** 31333776 |
| **ISSN:** 1837-9664 |

---

:::info
### Yazım kuralları
- Yazılarınızın (boşluklar dahil) 5000 ile 6000 karakter aralığında olmalıdır.
- Kullanılan kaynakların, tarafınıza iletilecek kılavuzda kaynak gösterme kriterine uygun
olması gerekmektedir.
- Yazdığınız yazı ile ilgili konuyu 3 ila 5 cümle arasında özetlemeniz gerekmektedir.
- Yazı içerisindeki önemli 3 ila 5 çarpıcı cümle (marka cümle) belirtilmelidir.
- Yazarın özgeçmişi ve dergide kullanılmak üzere en az 3 MG kalitedeki bir fotoğrafı yazıya ek
olarak gönderilmelidir.
- 3 sayfayı geçmeyecek şekilde planlanmalı ve içerikle alakalı iki yahut 3 görselin yer alacağı bir doküman olmalıdır.
:::

:::warning
### Örnek kaynakça
[1] M. T. Raimondi ve diğerleri, “Bioengineering tools to speed up the discovery and preclinical testing of vaccines for SARS-CoV-2 and therapeutic agents for COVID-19,” Theranostics, s. 10, no. 16, syf. 7034–7052, May 2020, doi: 10.7150/thno.47406.
[2] “COVID-19 Research Projects in Bioengineering | Bioengineering.” https://bioengineering.stanford.edu/research/covid-19-research-projects-bioengineering (erişildi Ağu. 27, 2020).
[3] “Biomedical Engineers: The hidden heroes of the COVID-19 crisis! - School of Health Sciences | Birmingham City University.” https://www.bcu.ac.uk/health-sciences/about-us/school-blog/biomedical-engineers-the-hidden-heroes-of-the-covid-19-crisis (erişildi Ağu. 27, 2020).
[4] J. Shirazi, M. J. Donzanti, K. M. Nelson, R. Zurakowski, C. A. Fromen ve J. P. Gleghorn, “Significant Unresolved Questions and Opportunities for Bioengineering in Understanding and Treating COVID-19 Disease Progression,” Cell. Mol. Bioeng., syf. 1–26, Haziran, 2020, doi: 10.1007/s12195-020-00637-w.
[5] A. ŞAHADA, A. N. TEKİNDOR, M. B. ABBADI, M. A. MALLUHI ve P. YILGÖR HURİ, “Role of Biomedical Engineering during COVID-19 Pandemic,” Nat. Appl. Sci. J., vol. 3, no. 1, syf. 1–16, Haziran 2020, doi: 10.38061/idunas.754344.
:::