Μοντελοποιήση Γονιδιακών Ρυθμιστικών Δικτύων με Χρήση Μεθόδων Μηχανικής Μάθησης

Modelling of Gene Regulatory Networks by Using Machine Learning Methods (english)

  1. MSc thesis
  2. Καρατζή, Αργυρώ
  3. Βιοπληροφορική και Νευροπληροφορική (ΒΝΠ)
  4. 23 July 2022 [2022-07-23]
  5. Αγγλικά
  6. 68
  7. Βλάμος, Παναγιώτης
  8. Αθανασίου, Αλκίνοος | Χατζηνικολάου, Μαρία
  9. Βιολογικά Δεδομένα | Biological Data | Γράφοι | Graphs | Έκφραση Γονιδίων | Gene Expression
  10. 115
  11. Περιέχει : εικόνες, διαγράμματα και αλγορίθμους
    • Ένα από τα πιο χρήσιμα μαθηματικά εργαλεία σε βιολογικές εφαρμογές είναι η ανάλυση δικτύων. Τα δίκτυα μπορούν να περιγράψουν αλληλεπιδράσεις ανάμεσα σε δομικά χαρακτηριστικά οργανισμών όπως για παράδειγμα πρωτεΐνες, γονίδια και μεταβολίτες. Στην παρούσα μεταπτυχιακή εργασία εστιάζουμε στον ρόλο των μαθηματικών δικτύων στην ανάλυση γονιδιακών σχέσεων και εξετάζουμε ειδικότερα μεθόδους ανακατασκευής γονιδιακών ρυθμιστικών δικτύων. Τα γονιδιακά ρυθμιστικά δίκτυα έχουν κερδίσει, τα τελευταία χρόνια, το ενδιαφέρον της βιβλιογραφίας κυρίως λόγω του μεγάλου όγκου γενετικής πληροφορίας που είναι πλέον διαθέσιμη μέσω καινούριων σχετικών διαδικασιών. Για αυτόν το λόγο δουλεύοντας αντίστροφα με σκοπό την αναγνώριση γονιδιακών αλληλεπιδράσεων βασιζόμενοι σε τεράστιο πλήθος δεδομένων γονιδιακής έκφρασης χρειαζόμαστε σύγχρονους αλγορίθμους που έχουν αναπτυχθεί στα πλαίσια του επιστημονικού πεδίου της μηχανικής μάθησης. Σε αυτή την εργασία περιγράφεται λεπτομερώς το πρόβλημα της ανακατασκευής ρυθμιστικών γονιδιακών δικτύων επικεντρώνοντας στους πιο σύγχρονους και αποτελεσματικούς αλγορίθμους μηχανικής μάθησης. Επίσης, περιγράφεται αναλυτικά η χρήση μεθόδων προσομοίωσης με σκοπό τον έλεγχο της αποτελεσματικότητας των αλγορίθμων μηχανικής μάθησης στην συμπερασματολογία για γονιδιακά ρυθμιστικά δίκτυα.
    • One of the most useful mathematical tool in biological applications is the network analysis. Networks can describe interactions between building blocks of organism such proteins, genes and metabolism. We focus on the role of networks in genes and particularly we deal with gene regulatory network reconstruction methods. Gene regulatory network inference has gained an increasing interest in the last few years mainly due to the vast amount of genetic information generated by new-generation approaches. Therefore, performing the back engineering task of identifying gene interactions based on a huge amount of gene expression data requires modern algorithms developed in the field of machine learning. Here, we perform a detailed description of the problem of gene regulatory network reconstruction focusing on the most recent and efficient machine learning methods employed in inference. We also describe analytically how a simulation analysis could be performed in order the efficiency of specific machine learning algorithms in Gene regulatory network inference to be tested.
  13. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.