Εικόνα 1.1: Μη κατευθυνόμενος γράφος
Εικόνα 1.2: Κατευθυνόμενος γράφος όπου τα βέλη-ακμές υποδηλώνουν την κατεύθυνση της πληροφορίας/αλληλεπίδρασης
Εικόνα 1.3: Σταθμισμένος γράφος, με τα βάρη των ακμών να αντιστοιχούν στο πάχος τους
Εικόνα 1.4: Παραδείγματα διμερών γράφων στα οικοσυστήματα, θήραμα-θηρευτής (αριστερά) και παράσιτο-ξενιστής (δεξιά)
Εικόνα 1.5: Σχηματική απεικόνιση των τριών βαθμών κεντρικότητας (Farahani, Farzad & Karwowski, Waldemar & Lighthall, Nichole. (2019)
Εικόνα 1.6: Πίνακας γειτνίασης κατευθυνόμενου γράφου χωρίς βάρη, Carrano, F. & Prichard, Janet. (2022). Data abstraction and problem solving with Java : walls and mirrors
Εικόνα 1.7: Λίστα γειτνίασης ενός κατευθυνόμενου γράφου, Carrano, F. & Prichard, Janet. (2022). Data abstraction and problem solving with Java : walls and mirrors.
Εικόνα 1.8: Οι γράφοι Α και Β είναι ισομορφικοί, παρά το γεγονός πως έχουν διαφορετική τοπολογία, Pavlopoulos et al.: Using graph theory to analyze biological networks,
Εικόνα 1.9: Γραφική αναπαράσταση τυχαίου δικτύου με βάση το μοντέλο Erdös-Rényi, που αποτελείται από 100 κόμβους και συντελεστή συσταδοποίησης 0.3615, Statistical Analysis of Weighted Networks - Scientific Figure on ResearchGate
Εικόνα 1.10: Κατανομή Poisson με διάφορες τιμές με διαφορετικές τιμές της παραμέτρου λ
Εικόνα 1.11: Παράδειγμα ενός small-world δικτύου, https://cac.cornell.edu/myers/teaching/ComputationalMethods/ComputerExercises/SmallWorld/SmallWorld.html
Εικόνα 1.12: Μεταβολή της παραμέτρου β στη μορφή ενός δικτύου, Characteristics of robust complex networks
Εικόνα 1.13: Σχηματική απεικόνιση της κατανομής νόμου-δύναμης, με εμφανή προτίμηση σε συγκεκριμένες δημοφιλείς πόλεις των ΗΠΑ, Scaling Up: From Individual Design to Collaborative Design to Collective Design
Εικόνα 1.14: Σχηματική απεικόνιση ενός νευρώνα, Wikipedia
Εικόνα 1.15: Σύγκριση μεταξύ βιολογικού νευρωνικού δικτύου και τεχνητού νευρωνικού δικτύου: a) ανθρώπινος νευρώνας, b) τεχνητός νευρώνας, c) βιολογική σύναψη, d) σύναψη σ
Εξόρυξη Γνώσης από Βιολογικούς Γράφους για την εύρεση
Δικτυακών Βιοδεικτών σε πολύπλοκες ασθένειες
10
τεχνητό νευρωνικό δίκτυο, Using a Data Driven Approach to Predict Waves Generated by Gravity Driven Mass Flows
Εικόνα 1.16: Χάρτης μεταβολικού δικτύου, όπου το m δηλώνει μιτοχονδριακό μεταβολίτη και το ext εξωκυττάριο μεταβολίτη, Hagrot, Erika & Oddsdóttir, Hildur Æsa & Mäkinen, Meeri & Forsgren, Anders & Chotteau, Véronique. (2018)
Εικόνα 1.17: Σχηματική απεικόνιση της agglomerative και divisive συσταδοποίησης, https://quantdare.com/hierarchical-clustering/
Εικόνα 2.1: Διαγραμματική απεικόνιση του workflow της έρευνας, Computational analysis of molecular networks using spectral graph theory, complexity measures and information theory, Chien-Hung Huang et al (2019)
Εικόνα 2.2 : Σχηματική απεικόνιση των τριών μεθόδων για την επαναστόχευση φαρμάκων, Network-based machine learning and graph theory algorithms for precision oncology, Wei Zhang et al, 2017
Εικόνα 2.3: Διαδικασία εξαγωγής δεδομένων μέσω βαθιάς μάθησης από βιολογικούς γράφους
Εικόνα 3.1: Τα τρία διαφορετικά layouts του OmnicsNet
Εικόνα 3.2: Αναπαράσταση ενός Barabasi-Albert δικτύου με 1000 κόμβους σε μορφή α) πίνακα, β) δισδιάστατης απεικόνισης σε κύκλο με επισημασμένο τον κόμβο με το μεγαλύτερο βαθμό και γ) σε τρισδιάστατη απεικόνιση
Εικόνα 3.3: Μελέτη των τοπολογικών χαρακτηριστικών του δικτύου με ταυτόχρονη επισκόπησή τους
Εικόνα 3.4: Σύγκριση των χαρακτηριστικών τριών δικτύων με ιστόγραμμα
Εικόνα 3.5: Σύγκριση δύο γράφων (μοντέλο Barabasi-Albert και Erdős–Rényi) με διαγράμματα Venn και τρισδιάστατη απεικόνιση των δικτύων
Εικόνα 3.6: Οπτική αναπαράσταση του δικτύου των οργανιδίων ενός κυττάρου
Εικόνα 3.7: Προεπισκόπηση του workflow του Network Analyst 3.0
Εικόνα 3.8: Διαφορετικά αποτελέσματα λόγω διαφορετικής στάθμισης των δικτύων
Εικόνα 3.9: Οι τρεις διαφορετικοί τρόποι αναπαράστασης των δικτύων
Ο σκοπός αυτής της διπλωματικής εργασίας είναι να εισάγει τον αναγνώστη στη θεωρία των γραφημάτων και να παρουσιάσει ένα μέρος από τις πολλές δυνατότητες και εφαρμογές που έχει στη Βιοπληροφορική και Νευροπληροφορική. Η εργασία έχει βιβλιογραφικό χαρακτήρα και οι πληροφορίες ανακτήθηκαν μέσω άρθρων, επιστημονικών εργασιών και πειραμάτων. Αυτές σχετίζονται με τους γράφους και ειδικότερα με τις ιδιότητές τους και τις διάφορες τοπολογίες. Επιπλέον αναφέρονται στους τρόπους με τους οποίους μπορούν να βοηθήσουν στην εξαγωγή γνώσης από τα βιολογικά δίκτυα. Η αναζήτηση έδειξε πως υπό το πρίσμα των γραφημάτων και των δικτύων, πολλά βιολογικά φαινόμενα μπορούν να απλοποιηθούν και να μελετηθούν πιο αποτελεσματικά, παρέχοντας πληροφορίες που ειδάλλως δε θα μπορούσαν να εξαχθούν.
Η μελέτη των βιολογικών συστημάτων ως δίκτυα είναι μια μέθοδος που γίνεται συνεχώς πιο ευρέως χρησιμοποιούμενη και η επιστημονική κοινότητα αντιλαμβανόμενη τις δυνατότητές της, κάνει προσπάθειες για την πιο άμεση πρόσβαση σε μέσα που επιτρέπουν στον καθένα να πραγματοποιήσει μια τέτοιου είδους μελέτη από τον υπολογιστή. Τα τελευταία χρόνια έχουν δημιουργηθεί πολλά online και μη εργαλεία, με τα οποία γίνονται μελέτες σε βιολογικά δίκτυα διαφόρων ειδών με πολλές επιλογές για την ανάλυση και τη μελέτη τους. Όπως είναι λογικό, τα εργαλεία αυτά συνεχώς βελτιώνονται, μιας και η ανάγκη για πιο εν τω βάθει μελέτη γίνεται επιτακτική λόγω του όγκου δεδομένων.
Ο αναγνώστης εισάγεται στη θεωρία των γραφημάτων και των μετρικών που χαρακτηρίζουν τα δίκτυα. Στη συνέχεια παρουσιάζονται τα οφέλη της μελέτης των βιολογικών συστημάτων μέσω της θεωρίας αυτής, στους τομείς των φαρμάκων και των ασθενειών. Τέλος γίνεται αναφορά στα πακέτα λογισμικού και στα εργαλεία που βρίσκονται διαθέσιμα στο Διαδίκτυο και δίνουν τη δυνατότητα στην άμεση και γρήγορη μελέτη των βιολογικών δικτύων.
The purpose of this Diploma Thesis is to introduce the reader to Graph Theory and to present a part of the many possibilities and applications it has in Bioinformatics and Neuroinformatics. The work has a bibliographic character and the information was retrieved through articles, scientific papers and experiments. The information is related to the graphs and in particular to their properties and the various topologies. They also refer to the ways in which they can help extract knowledge from biological networks. The search showed that from the scope of graphs and networks, many biological phenomena can be simplified and studied more effectively, providing information that otherwise could not be extracted.
The study of biological systems as networks is a method that is becoming widely used, and the scientific community, realizing its potential, makes efforts for more direct access to means that allow everyone to carry out such a study from the computer. In recent years, many online and non-online tools have been created, with which studies are carried out in biological networks of various kinds with many options for their analysis and study. Understandably, these tools are constantly improving, as the need for more in-depth study is becoming imperative due to the amount of data.
The reader is introduced to Graph Theory and metrics that characterize the networks. The benefits of the study of biological systems through graph theory in the fields of medicines and diseases are presented below. Finally, reference is made to the software packages and tools available on the Internet, that enable the immediate and rapid study of biological networks.
ΕΞΟΡΥΞΗ ΓΝΩΣΗΣ ΑΠΟ ΒΙΟΛΟΓΙΚΟΥΣ ΓΡΑΦΟΥΣ ΓΙΑ ΤΗΝ ΕΥΡΕΣΗ ΔΙΚΤΥΑΚΩΝ ΒΙΟΔΕΙΚΤΩΝ ΣΕ ΠΟΛΥΠΛΟΚΕΣ ΑΣΘΕΝΕΙΕΣ