Browsing by Author "Erdogan, Nuray Sogunmez"

Now showing 1 - 2 of 2

Deniz Güvenliğinde Siber Güvenlik ve Gizlilik: Teoriler, Zorluklar, Vaka Çalışmaları ve Gelecek Beklentileri
(2025) Erdoğan, Alperen; Erdogan, Nuray Sogunmez
Denizcilik alanı küresel ticaret, ulaşım ve güvenlikte önemli bir rol oynamaktadır. Ancak dijital teknolojilerin denizcilik operasyonlarına giderek daha fazla entegre olmasıyla birlikte siber güvenlik ve gizlilik önemli endişeler olarak ortaya çıkmıştır. Bu araştırma makalesi, denizcilik alanında siber güvenlik ve gizliliğin altında yatan teorileri incelemekte, temel zorlukları belirlemekte ve bu sorunların ele alınmasına yönelik gelecekteki beklentileri tartışmaktadır. Nitel araştırma metodolojisi kullanılarak mevcut literatür, vaka çalışmaları ve teknolojik gelişmeler analiz edilerek denizcilikte siber güvenliğin güncel durumu hakkında fikir edinilmiştir. Bilimsel veri tabanları (Web of Science, Scopus, EBSCO, Google Scholar, DOAJ ve TR Dizin), kitaplar, raporlar ve bültenler başlıca araştırma alanları olmuştur. “Siber güvenlik”, “siber”, “güvenlik”, “denizcilik güvenliği”, “deniz bilimleri güvenliği” ve “gizlilik” gibi konular, başlıklar, özetler ve anahtar kelimeler analiz edilmiştir. En çok okunan, indirilen ve atıfta bulunulan dokümanlar ve makaleler araştırılmış, analiz edilmiş ve incelenmiştir. Bu makalede vaka çalışmaları da gözlemlenmiş ve çalışmaya dahil edilmiştir. Bulgularımız; riskleri azaltmaya, güvenli ve özel denizcilik operasyonlarını sağlamak için gerçek çerçevelere, uluslararası işbirliklerine ve gelişmiş teknolojilere olan ihtiyacı vurgulamaktadır.
Citation - WoS: 1
Sparse Deconvolution of Cell Type Medleys in Spatial Transcriptomics
(Public Library Science, 2025) Erdogan, Nuray Sogunmez; Eroglu, Deniz
Mapping cell distributions across spatial locations with whole-genome coverage is essential for understanding cellular responses and signaling However, current deconvolution models aim to estimate the proportions of distinct cell types in each spatial transcriptomics spot by integrating reference single-cell data. These models often assume strong overlap between the reference and spatial datasets, neglecting biology-grounded constraints such as sparsity and cell-type variations, as well as technical sparsity. As a result, these methods rely on over-permissive algorithms that ignore given constraints leading to inaccurate predictions, particularly in heterogeneous or unmatched datasets. We introduce Weight-Induced Sparse Regression (WISpR), a machine learning algorithm that integrates spot-specific hyperparameters and sparsity-driven modeling. Unlike conventional approaches that neglect biology-grounded constraints, WISpR accurately predicts cell-type distributions while preserving biological coherence, i.e., spatially and functionally consistent cell-type localization, even in unmatched datasets. Benchmarking against five alternative methods across ten datasets, WISpR consistently outperformed competitors and predicted cellular landscapes in both normal and cancerous tissues. By leveraging sparse cell-type arrangements, WISpR provides biologically informed, high-resolution cellular maps. Its ability to decode tissue organization in both healthy and diseased states highlights WISpR's practical utility for spatial transcriptomics, particularly in challenging settings involving noise, sparsity, or reference mismatches.