Πρόβλεψη αλληλεπίδρασης πρωτεϊνών με ιστούς του ανθρώπινου σώματος χρησιμοποιώντας Graph Neural Networks (GNNs)
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 τε...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2024
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/26681 |
| id |
nemertes-10889-26681 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Νευρωνικά δύκτια γράφων Αλληλεπίδραση πρωτεϊνών Ανθρώπινος ιστός Graph neural networks Protein to protein interactions Human tissue |
| spellingShingle |
Νευρωνικά δύκτια γράφων Αλληλεπίδραση πρωτεϊνών Ανθρώπινος ιστός Graph neural networks Protein to protein interactions Human tissue Ζερβού, Πουλχερία Πρόβλεψη αλληλεπίδρασης πρωτεϊνών με ιστούς του ανθρώπινου σώματος χρησιμοποιώντας Graph Neural Networks (GNNs) |
| description |
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. |
| author2 |
Zervou Poulcheria |
| author_facet |
Zervou Poulcheria Ζερβού, Πουλχερία |
| author |
Ζερβού, Πουλχερία |
| author_sort |
Ζερβού, Πουλχερία |
| title |
Πρόβλεψη αλληλεπίδρασης πρωτεϊνών με ιστούς του ανθρώπινου σώματος χρησιμοποιώντας Graph Neural Networks (GNNs) |
| title_short |
Πρόβλεψη αλληλεπίδρασης πρωτεϊνών με ιστούς του ανθρώπινου σώματος χρησιμοποιώντας Graph Neural Networks (GNNs) |
| title_full |
Πρόβλεψη αλληλεπίδρασης πρωτεϊνών με ιστούς του ανθρώπινου σώματος χρησιμοποιώντας Graph Neural Networks (GNNs) |
| title_fullStr |
Πρόβλεψη αλληλεπίδρασης πρωτεϊνών με ιστούς του ανθρώπινου σώματος χρησιμοποιώντας Graph Neural Networks (GNNs) |
| title_full_unstemmed |
Πρόβλεψη αλληλεπίδρασης πρωτεϊνών με ιστούς του ανθρώπινου σώματος χρησιμοποιώντας Graph Neural Networks (GNNs) |
| title_sort |
πρόβλεψη αλληλεπίδρασης πρωτεϊνών με ιστούς του ανθρώπινου σώματος χρησιμοποιώντας graph neural networks (gnns) |
| publishDate |
2024 |
| url |
https://hdl.handle.net/10889/26681 |
| work_keys_str_mv |
AT zerboupoulcheria problepsēallēlepidrasēsprōteïnōnmeistoustouanthrōpinousōmatoschrēsimopoiōntasgraphneuralnetworksgnns AT zerboupoulcheria proteininteractionpredictionwithhumanbodytissuesusinggraphneuralnetworksgnns |
| _version_ |
1799945008606871552 |
| spelling |
nemertes-10889-266812024-03-08T19:26:37Z Πρόβλεψη αλληλεπίδρασης πρωτεϊνών με ιστούς του ανθρώπινου σώματος χρησιμοποιώντας Graph Neural Networks (GNNs) Protein interaction prediction with human body tissues using Graph Neural Networks (GNNs) Ζερβού, Πουλχερία Zervou Poulcheria Νευρωνικά δύκτια γράφων Αλληλεπίδραση πρωτεϊνών Ανθρώπινος ιστός Graph neural networks Protein to protein interactions Human tissue 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. The growing field of machine learning offers revolutionary tools and methodologies that are reshaping our approach to analysing complex data, particularly in the field of biological systems. This thesis harnesses the power of these advanced computational techniques to delve into the world of protein interactions in key biological human tissue systems such as the nervous system, leukocytes and the gastrointestinal tract. The focus of this research is how machine learning, in particular Graph Neural Networks (GNNs), can be applied to predict protein interactions that play out specifically in human tissue. By adopting a machine learning-centric approach, biological tissue hierarchies are systematically analysed by extracting and processing genetic and protein data. The goal is to transform these complex biological datasets into structured forms amenable to advanced computational analysis. This includes the use of innovative machine learning algorithms to interpret and create embeddings of the amino acid sequences, as well as reveal the dynamic interactions within these systems. The core of the study lies in the application and development of predictive models using GNN. These models are rigorously designed and evaluated to predict protein interactions, highlighting the ability of machine learning to provide deep insight into biological data. The accuracy and reliability of these models are tested, highlighting their potential for real-world applications in biological and medical research. The contributions of this thesis extend beyond the traditional boundaries of computer engineering, demonstrating the impact that machine learning can have in advancing our understanding of complex biological processes. By bridging the gap between computational techniques and biological research, this work enhances our knowledge of bioinformatics, highlighting the transformative power of machine learning in interdisciplinary research. 2024-03-04T07:09:29Z 2024-03-04T07:09:29Z 2023-12-15 https://hdl.handle.net/10889/26681 el application/pdf application/octet-stream |
