Nicotine is known not only for its addictive properties but also for its potential to alter the genetic structure of cancer cells. This study investigates the genetic alterations caused by chronic nicotine exposure in HCC38 breast cancer cells through a multi-layered computational analysis. Using K-means clustering and seven supervised machine learning algorithms, differentially expressed genes were grouped into three clusters and used as class labels in classification models. Logistic Regression achieved the highest performance with 98.76% accuracy and an F1 score of 0.9869. The Friedman test was applied to evaluate the statistical significance of performance differences among classifiers, and multi-class ROC curves were used to demonstrate their discriminative power. The findings indicate that nicotine exposure leads to genetic reprogramming and activates inflammation-related gene pathways in specific cellular subpopulations. These results highlight the utility of machine learning methods in uncovering biologically meaningful gene expression patterns in cancer research.
Nicotine breast cancer machine learning clustering classification
Nikotin, yalnızca bağımlılık yapıcı etkisiyle değil, aynı zamanda kanser hücrelerinin genetik yapısını değiştirme potansiyeliyle de bilinmektedir. Bu çalışma, HCC38 meme kanseri hücrelerinde kronik nikotin maruziyetinin yol açtığı genetik değişiklikleri çok katmanlı hesaplamalı analizle incelemiştir. K-means kümeleme ve yedi denetimli makine öğrenimi algoritması kullanılarak, değişen genler üç kümeye ayrılmış ve bu kümeler sınıf etiketi olarak sınıflandırma modellerinde kullanılmıştır. Lojistik Regresyon algoritması %98,76 doğruluk ve 0,9869 F1 skoru ile en yüksek performansı göstermiştir. Friedman testiyle sınıflandırıcılar arasındaki farkların anlamlılığı değerlendirilmiş, çok sınıflı ROC eğrileri ile sınıfların ayırt edici gücü gösterilmiştir. Bulgular, nikotin maruziyetinin genetik düzeyde yeniden yapılanma ve inflamasyonla ilişkili gen yollarının aktivasyonuna yol açtığını ortaya koymuştur. Sonuçlar, makine öğrenimi yöntemlerinin biyolojik olarak anlamlı gen ekspresyon desenlerini ortaya çıkarmadaki rolünü vurgulamaktadır.
Nikotin meme kanseri makine öğrenmesi kümeleme sınıflandırma
Birincil Dil | İngilizce |
---|---|
Konular | Yapay Zeka (Diğer) |
Bölüm | Bilgisayar Mühendisliği |
Yazarlar | |
Yayımlanma Tarihi | 3 Eylül 2025 |
Gönderilme Tarihi | 1 Temmuz 2025 |
Kabul Tarihi | 15 Ağustos 2025 |
Yayımlandığı Sayı | Yıl 2025 Cilt: 28 Sayı: 3 |