Μελέτη, ανάλυση και αξιολόγηση της εφαρμογής αλγόριθμων εξαγωγής κοινοτικής δομής σε βιοϊατρικά δεδομένα
Η ανίχνευση κοινοτήτων είναι ένα σημαντικό πρόβλημα στη θεωρία γραφημάτων και περιλαμβάνει τον εντοπισμό πυκνά συνδεδεμένων ομάδων κόμβων σε ένα δίκτυο. Στο πλαίσιο των βιοϊατρικών δεδομένων, αυτές οι κοινότητες μπορεί να αντιπροσωπεύουν βιολογικές διαδικασίες, μονοπάτια ασθενειών ή μοριακές αλληλεπ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2023
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/25313 |
| id |
nemertes-10889-25313 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Αλγόριθμοι ανίχνευσης κοινοτήτων Βιοϊατρικά δεδομένα Community detection algorithms Biomedical data |
| spellingShingle |
Αλγόριθμοι ανίχνευσης κοινοτήτων Βιοϊατρικά δεδομένα Community detection algorithms Biomedical data Χάιδου, Ελένη Μελέτη, ανάλυση και αξιολόγηση της εφαρμογής αλγόριθμων εξαγωγής κοινοτικής δομής σε βιοϊατρικά δεδομένα |
| description |
Η ανίχνευση κοινοτήτων είναι ένα σημαντικό πρόβλημα στη θεωρία γραφημάτων και περιλαμβάνει τον εντοπισμό πυκνά συνδεδεμένων ομάδων κόμβων σε ένα δίκτυο. Στο πλαίσιο των βιοϊατρικών δεδομένων, αυτές οι κοινότητες μπορεί να αντιπροσωπεύουν βιολογικές διαδικασίες, μονοπάτια ασθενειών ή μοριακές αλληλεπιδράσεις, μεταξύ άλλων. Με τον εντοπισμό αυτών των κοινοτήτων, οι ερευνητές μπορούν να αποκτήσουν γνώσεις σχετικά με την υποκείμενη δομή και λειτουργία του δικτύου, οι οποίες μπορεί να έχουν επιπτώσεις στην ανακάλυψη φαρμάκων, τη διάγνωση ασθενειών και την εξατομικευμένη ιατρική. Το σύνολο δεδομένων EMBL-EBI, το οποίο αντιπροσωπεύει το σύνολο δεδομένων του Ευρωπαϊκού Εργαστηρίου Μοριακής Βιολογίας-Ευρωπαϊκού Ινστιτούτου Βιοπληροφορικής, είναι μια μεγάλη συλλογή βιολογικών δεδομένων που περιλαμβάνει γενετικές αλληλουχίες, πρωτεϊνικές δομές και άλλες μοριακές πληροφορίες. Το σύνολο δεδομένων είναι ελεύθερα διαθέσιμο στους ερευνητές και έχει χρησιμοποιηθεί σε ένα ευρύ φάσμα μελετών, συμπεριλαμβανομένης της ανάπτυξης νέων φαρμάκων και θεραπειών. Στην παρούσα μελέτη, θα διερευνήσουμε την εφαρμογή αλγορίθμων ανίχνευσης κοινοτήτων στο σύνολο δεδομένων EMBL-EBI. Αρχικά κατασκευάζουμε έναν μηχανισμό ανάκτησης για την πρόσβαση στα δεδομένα και στη συνέχεια πραγματοποιούμε στατιστική ανάλυση και οπτικοποίηση για να κατανοήσουμε τη δομή τους. Στη συνέχεια, μετατρέπουμε το σύνολο δεδομένων σε ένα δίκτυο πληροφοριών, το οποίο μπορεί να αναλυθεί με τη χρήση αλγορίθμων ανίχνευσης κοινοτήτων. Εφαρμόζουμε διάφορους κλασικούς αλγορίθμους ανίχνευσης κοινοτήτων και αξιολογούμε τις προκύπτουσες δομές μέσω στατιστικής ανάλυσης και οπτικοποίησης. Η μελέτη παρέχει πληροφορίες σχετικά με τις πιθανές εφαρμογές των αλγορίθμων ανίχνευσης κοινοτήτων στη βιοϊατρική έρευνα και καταδεικνύει τη σημασία της αποτελεσματικής ανάλυσης και εξαγωγής γνώσης από μεγάλα σύνολα δεδομένων. Τα αποτελέσματα αυτής της μελέτης μπορεί να έχουν αντίκτυπο στην ανάπτυξη νέων φαρμάκων και θεραπειών, καθώς και στη διάγνωση και θεραπεία ασθενειών. Αλγόριθμοι ανίχνευσης κοινοτήτων, όπως οι αλγόριθμοι Louvain και Girvan-Newman, εφαρμόστηκαν στο σύνολο δεδομένων EMBL-EBI για τον εντοπισμό της δομής της κοινότητας. Η μελέτη αναδεικνύει τις δυνατότητες των αλγορίθμων ανίχνευσης κοινοτήτων στην ανάλυση βιοϊατρικών δεδομένων και καταδεικνύει τη σημασία της αποτελεσματικής ανάλυσης και εξαγωγής γνώσης από μεγάλα σύνολα δεδομένων. Τα αποτελέσματα αυτής της μελέτης μπορεί να έχουν επιπτώσεις στην ανάπτυξη νέων φαρμάκων και θεραπειών, καθώς και στη διάγνωση και τη θεραπεία ασθενειών. Η χρήση αλγορίθμων ανίχνευσης κοινοτήτων στη βιοϊατρική έρευνα μπορεί να βοηθήσει στον εντοπισμό σημαντικών βιολογικών διεργασιών, μονοπατιών ασθενειών και μοριακών αλληλεπιδράσεων, μεταξύ άλλων παραγόντων, οδηγώντας στην ανάπτυξη εξατομικευμένης ιατρικής και στην καλύτερη διάγνωση και θεραπεία ασθενειών. Οι αλγόριθμοι ανίχνευσης κοινοτήτων, όπως οι Louvain και Girvan Newman, έχουν συνεισφέρει σημαντικά στην έρευνα και στις δημοσιευμένες εργασίες. Αυτοί οι αλγόριθμοι αποκαλύπτουν διακριτές κοινότητες μέσα σε πολύπλοκα δίκτυα, παρέχοντας πληροφορίες για συμπτώματα ασθενειών, τις οικολογικές αλληλεπιδράσεις και τις επιστημονικές συνεργασίες. Έχουν χρησιμοποιηθεί για τη μελέτη ασθενειών, οικολογικών συστημάτων και την ανάλυση παραπομπών, βοηθώντας στην κατανόηση των κοινωνικών φαινομένων, της δυναμικής των οικοσυστημάτων και των προτύπων διάδοσης της γνώσης. Η εφαρμογή αυτών των αλγορίθμων ενισχύει την κατανόηση των πολύπλοκων συστημάτων και διευκολύνει την πρόοδο σε διάφορους τομείς μελέτης. |
| author2 |
Chaidou, Eleni |
| author_facet |
Chaidou, Eleni Χάιδου, Ελένη |
| author |
Χάιδου, Ελένη |
| author_sort |
Χάιδου, Ελένη |
| title |
Μελέτη, ανάλυση και αξιολόγηση της εφαρμογής αλγόριθμων εξαγωγής κοινοτικής δομής σε βιοϊατρικά δεδομένα |
| title_short |
Μελέτη, ανάλυση και αξιολόγηση της εφαρμογής αλγόριθμων εξαγωγής κοινοτικής δομής σε βιοϊατρικά δεδομένα |
| title_full |
Μελέτη, ανάλυση και αξιολόγηση της εφαρμογής αλγόριθμων εξαγωγής κοινοτικής δομής σε βιοϊατρικά δεδομένα |
| title_fullStr |
Μελέτη, ανάλυση και αξιολόγηση της εφαρμογής αλγόριθμων εξαγωγής κοινοτικής δομής σε βιοϊατρικά δεδομένα |
| title_full_unstemmed |
Μελέτη, ανάλυση και αξιολόγηση της εφαρμογής αλγόριθμων εξαγωγής κοινοτικής δομής σε βιοϊατρικά δεδομένα |
| title_sort |
μελέτη, ανάλυση και αξιολόγηση της εφαρμογής αλγόριθμων εξαγωγής κοινοτικής δομής σε βιοϊατρικά δεδομένα |
| publishDate |
2023 |
| url |
https://hdl.handle.net/10889/25313 |
| work_keys_str_mv |
AT chaidouelenē meletēanalysēkaiaxiologēsētēsepharmogēsalgorithmōnexagōgēskoinotikēsdomēssebioïatrikadedomena AT chaidouelenē studyanalysisandevaluationoftheapplicationofextractionalgorithmscommunitystructureextractiononbiomedicaldata |
| _version_ |
1771297260250857472 |
| spelling |
nemertes-10889-253132023-07-04T03:57:34Z Μελέτη, ανάλυση και αξιολόγηση της εφαρμογής αλγόριθμων εξαγωγής κοινοτικής δομής σε βιοϊατρικά δεδομένα Study, analysis and evaluation of the application of extraction algorithms community structure extraction on biomedical data Χάιδου, Ελένη Chaidou, Eleni Αλγόριθμοι ανίχνευσης κοινοτήτων Βιοϊατρικά δεδομένα Community detection algorithms Biomedical data Η ανίχνευση κοινοτήτων είναι ένα σημαντικό πρόβλημα στη θεωρία γραφημάτων και περιλαμβάνει τον εντοπισμό πυκνά συνδεδεμένων ομάδων κόμβων σε ένα δίκτυο. Στο πλαίσιο των βιοϊατρικών δεδομένων, αυτές οι κοινότητες μπορεί να αντιπροσωπεύουν βιολογικές διαδικασίες, μονοπάτια ασθενειών ή μοριακές αλληλεπιδράσεις, μεταξύ άλλων. Με τον εντοπισμό αυτών των κοινοτήτων, οι ερευνητές μπορούν να αποκτήσουν γνώσεις σχετικά με την υποκείμενη δομή και λειτουργία του δικτύου, οι οποίες μπορεί να έχουν επιπτώσεις στην ανακάλυψη φαρμάκων, τη διάγνωση ασθενειών και την εξατομικευμένη ιατρική. Το σύνολο δεδομένων EMBL-EBI, το οποίο αντιπροσωπεύει το σύνολο δεδομένων του Ευρωπαϊκού Εργαστηρίου Μοριακής Βιολογίας-Ευρωπαϊκού Ινστιτούτου Βιοπληροφορικής, είναι μια μεγάλη συλλογή βιολογικών δεδομένων που περιλαμβάνει γενετικές αλληλουχίες, πρωτεϊνικές δομές και άλλες μοριακές πληροφορίες. Το σύνολο δεδομένων είναι ελεύθερα διαθέσιμο στους ερευνητές και έχει χρησιμοποιηθεί σε ένα ευρύ φάσμα μελετών, συμπεριλαμβανομένης της ανάπτυξης νέων φαρμάκων και θεραπειών. Στην παρούσα μελέτη, θα διερευνήσουμε την εφαρμογή αλγορίθμων ανίχνευσης κοινοτήτων στο σύνολο δεδομένων EMBL-EBI. Αρχικά κατασκευάζουμε έναν μηχανισμό ανάκτησης για την πρόσβαση στα δεδομένα και στη συνέχεια πραγματοποιούμε στατιστική ανάλυση και οπτικοποίηση για να κατανοήσουμε τη δομή τους. Στη συνέχεια, μετατρέπουμε το σύνολο δεδομένων σε ένα δίκτυο πληροφοριών, το οποίο μπορεί να αναλυθεί με τη χρήση αλγορίθμων ανίχνευσης κοινοτήτων. Εφαρμόζουμε διάφορους κλασικούς αλγορίθμους ανίχνευσης κοινοτήτων και αξιολογούμε τις προκύπτουσες δομές μέσω στατιστικής ανάλυσης και οπτικοποίησης. Η μελέτη παρέχει πληροφορίες σχετικά με τις πιθανές εφαρμογές των αλγορίθμων ανίχνευσης κοινοτήτων στη βιοϊατρική έρευνα και καταδεικνύει τη σημασία της αποτελεσματικής ανάλυσης και εξαγωγής γνώσης από μεγάλα σύνολα δεδομένων. Τα αποτελέσματα αυτής της μελέτης μπορεί να έχουν αντίκτυπο στην ανάπτυξη νέων φαρμάκων και θεραπειών, καθώς και στη διάγνωση και θεραπεία ασθενειών. Αλγόριθμοι ανίχνευσης κοινοτήτων, όπως οι αλγόριθμοι Louvain και Girvan-Newman, εφαρμόστηκαν στο σύνολο δεδομένων EMBL-EBI για τον εντοπισμό της δομής της κοινότητας. Η μελέτη αναδεικνύει τις δυνατότητες των αλγορίθμων ανίχνευσης κοινοτήτων στην ανάλυση βιοϊατρικών δεδομένων και καταδεικνύει τη σημασία της αποτελεσματικής ανάλυσης και εξαγωγής γνώσης από μεγάλα σύνολα δεδομένων. Τα αποτελέσματα αυτής της μελέτης μπορεί να έχουν επιπτώσεις στην ανάπτυξη νέων φαρμάκων και θεραπειών, καθώς και στη διάγνωση και τη θεραπεία ασθενειών. Η χρήση αλγορίθμων ανίχνευσης κοινοτήτων στη βιοϊατρική έρευνα μπορεί να βοηθήσει στον εντοπισμό σημαντικών βιολογικών διεργασιών, μονοπατιών ασθενειών και μοριακών αλληλεπιδράσεων, μεταξύ άλλων παραγόντων, οδηγώντας στην ανάπτυξη εξατομικευμένης ιατρικής και στην καλύτερη διάγνωση και θεραπεία ασθενειών. Οι αλγόριθμοι ανίχνευσης κοινοτήτων, όπως οι Louvain και Girvan Newman, έχουν συνεισφέρει σημαντικά στην έρευνα και στις δημοσιευμένες εργασίες. Αυτοί οι αλγόριθμοι αποκαλύπτουν διακριτές κοινότητες μέσα σε πολύπλοκα δίκτυα, παρέχοντας πληροφορίες για συμπτώματα ασθενειών, τις οικολογικές αλληλεπιδράσεις και τις επιστημονικές συνεργασίες. Έχουν χρησιμοποιηθεί για τη μελέτη ασθενειών, οικολογικών συστημάτων και την ανάλυση παραπομπών, βοηθώντας στην κατανόηση των κοινωνικών φαινομένων, της δυναμικής των οικοσυστημάτων και των προτύπων διάδοσης της γνώσης. Η εφαρμογή αυτών των αλγορίθμων ενισχύει την κατανόηση των πολύπλοκων συστημάτων και διευκολύνει την πρόοδο σε διάφορους τομείς μελέτης. Community detection is an important problem in graph theory, and it involves identifying densely connected groups of nodes within a network. In the context of biomedical data, these communities may represent biological processes, disease pathways, or molecular interactions, among others. By identifying these communities, researchers can gain insights into the underlying structure and function of the network, which can have implications for drug discovery, disease diagnosis, and personalized medicine. The EMBL-EBI dataset, which stands for the European Molecular Biology Laboratory-European Bioinformatics Institute dataset, is a large collection of biological data that includes genetic sequences, protein structures, and other molecular information. The dataset is freely available to researchers and has been used in a wide range of studies, including the development of new drugs and therapies. In this study, we are going to explore the application of community detection algorithms to the EMBL-EBI dataset. We first construct a retrieval mechanism to access the data and then perform statistical analysis and visualization to gain an understanding of its structure. Next, we convert the dataset into an information network, which can be analyzed using community detection algorithms. We apply various classical community detection algorithms and evaluate the resulting structures through statistical analysis and visualization. The study provides insights into the potential applications of community detection algorithms in biomedical research and demonstrates the importance of efficient analysis and extraction of knowledge from large datasets. The results of this study may have implications for the development of new drugs and therapies, as well as for the diagnosis and treatment of diseases. Community detection algorithms, such as the Louvain and Girvan-Newman algorithms, were applied to the EMBL-EBI dataset to identify the community structure. The study highlights the potential of community detection algorithms in the analysis of biomedical data and demonstrates the importance of efficient analysis and extraction of knowledge from large datasets. The results of this study may have implications for the development of new drugs and therapies, as well as for the diagnosis and treatment of diseases. The use of community detection algorithms in biomedical research can aid in identifying important biological processes, disease pathways, and molecular interactions, among other factors, leading to the development of personalized medicine and better disease diagnosis and treatment. Community detection algorithms, such as Louvain and Girvan Newman, have made significant contributions to research and published work. These algorithms reveal distinct communities within complex networks, providing information on disease symptoms, ecological interactions and scientific collaborations. They have been used to study diseases, ecological systems and referral analysis, helping to understand social phenomena, ecosystem dynamics and knowledge diffusion patterns. The application of these algorithms enhances the understanding of complex systems and facilitates progress in various fields of study. 2023-07-03T13:17:52Z 2023-07-03T13:17:52Z 2023-06-27 https://hdl.handle.net/10889/25313 el application/pdf |
