| Περίληψη: | Ο αναπτυσσόμενος τομέας της μηχανικής μάθησης προσφέρει επαναστατικά εργαλεία και μεθοδολογίες που αναδιαμορφώνουν την προσέγγισή μας στην ανάλυση πολύπλοκων δεδομένων, ιδίως στον τομέα των βιολογικών συστημάτων. Η παρούσα διπλωματική εργασία αξιοποιεί τη δύναμη αυτών των προηγμένων υπολογιστικών τεχνικών για να εμβαθύνει στον κόσμο των αλληλεπιδράσεων πρωτεϊνών σε βασικά βιολογικά συστήματα ανθρώπινων ιστών, όπως το νευρικό σύστημα, τα λευκοκύτταρα και τον γαστρεντερικό σωλήνα. Το επίκεντρο αυτής της έρευνας είναι ο τρόπος με τον οποίο η μηχανική μάθηση, ιδίως τα Graph Neural Networks (GNN), μπορούν να εφαρμοστούν για την πρόβλεψη πρωτεϊνικών αλληλεπιδράσεων η οποίες διαδραματίζονται συγκεκριμένα στον ανθρώπινο ιστό. Υιοθετώντας μια προσέγγιση με επίκεντρο τη μηχανική μάθηση, αναλύονται συστηματικά βιολογικές ιεραρχίες ιστών, μέσω της εξαγωγής και επεξεργασίας γενετικών και πρωτεϊνικών δεδομένων. Ο στόχος είναι να μετατραπούν αυτά τα πολύπλοκα βιολογικά σύνολα δεδομένων σε δομημένες μορφές που επιδέχονται προηγμένη υπολογιστική ανάλυση. Αυτό περιλαμβάνει τη χρήση καινοτόμων αλγορίθμων μηχανικής μάθησης για την ερμηνεία και διανυσματική απεικόνιση αλληλουχιών αμινοξέων, όπως και την αξιοποίηση των δυναμικών αλληλεπιδράσεων εντός αυτών των συστημάτων ιστών. Ο πυρήνας της μελέτης έγκειται στην εφαρμογή και την ανάπτυξη προγνωστικών μοντέλων με τη χρήση GNN. Τα μοντέλα αυτά σχεδιάζονται και αξιολογούνται σχολαστικά για την πρόβλεψη των πρωτεϊνικών αλληλεπιδράσεων, αναδεικνύοντας την ικανότητα της μηχανικής μάθησης να παρέχει βαθιά κατανόηση σε βιολογικά δεδομένα. Η ακρίβεια και η αξιοπιστία αυτών των μοντέλων ελέγχονται, αναδεικνύοντας τις δυνατότητές τους για πραγματικές εφαρμογές στη βιολογική και ιατρική έρευνα. Οι συνεισφορές αυτής της διπλωματικής εργασίας εκτείνονται πέρα από τα παραδοσιακά όρια της μηχανικής υπολογιστών, καταδεικνύοντας το αντίκτυπο που μπορεί να έχει η μηχανική μάθηση στην προώθηση της κατανόησης των πολύπλοκων βιολογικών διεργασιών. Γεφυρώνοντας το χάσμα μεταξύ των υπολογιστικών τεχνικών και της βιολογικής έρευνας, η εργασία αυτή ενισχύει τις γνώσεις μας στον τομέα της Βιοπληροφορικής, τονίζοντας τη μετασχηματιστική δύναμη της μηχανικής μάθησης στη διεπιστημονική έρευνα.
|
|---|
