Η παρούσα διπλωματική εργασία εξετάζει μια αναδυόμενη περιοχή στον τομέα της Βιολογίας
που αφορά τη μελέτη μεμονωμένων κυττάρων χρησιμοποιώντας αλγορίθμους Μηχανικής
Μάθησης. Αυτή η προσέγγιση έχει επιτρέψει τη συστηματική διερεύνηση της κυτταρικής
ανομοιογένειας σε διάφορους ιστούς και πληθυσμούς κυττάρων, προσφέροντας νέες
εισαγωγές σχετικά με τη σύνθεση, τη δυναμική και τους ρυθμιστικούς κανόνες των
κυτταρικών καταστάσεων κατά τη διάρκεια της ανάπτυξης του ανθρώπινου οργανισμού και
των ασθενειών του.
Η ανάλυση των μεμονωμένων κυττάρων προσφέρει σημαντικά οφέλη στους επιστήμονες της
Βιολογίας, καθώς αποκαλύπτει την κυτταρική ετερογένεια, αποκωδικοποιεί μηχανισμούς
ασθενειών, διευκολύνει την ανακάλυψη φαρμάκων και αναλύει θεμελιώδη βιολογικά
ερωτήματα. Επιπλέον, αυτή η προσέγγιση επιτρέπει την παρακολούθηση φαρμάκων και την
ανακάλυψη νέων θεραπευτικών επιλογών για διάφορες ασθένειες.
Για την ανάλυση αυτής της μεθοδολογίας, χρησιμοποιούνται ποικίλες τεχνικές, όπως
κυτταρομετρία ροής, Single-Cell RNA Sequencing, Single-Cell Proteomics, Single-Cell
Epigenomics, και κυτταρομετρία μάζας. Η ανάλυση και η ερμηνεία των πολύπλοκων
δεδομένων απαιτούν εξελιγμένες υπολογιστικές μεθόδους και εργαλεία βιοπληροφορικής.
Στην παρούσα εργασία αναπτύσσονται τρία μοντέλα μηχανικής μάθησης που προβλέπουν τη
συσχέτιση DNA, RNA και πρωτεϊνών σε μεμονωμένα κύτταρα, χρησιμοποιώντας τεχνολογίες
Cite-Seq και Multiome. Αυτή η διπλωματική εργασία συνεισφέρει στην κατανόηση της
κυτταρικής βιολογίας και των ασθενειών και παρέχει εργαλεία για την εξατομίκευση της
ιατρικής πρακτικής.
Συνολικά, αυτή η διπλωματική εργασία προωθεί την κατανόηση της κυτταρικής
ποικιλομορφίας και λειτουργίας, και ενισχύει τις προοπτικές για τη διάγνωση και θεραπεία
ασθενειών.

This master’s thesis explores an emerging area in the field of Biology, focusing on the study
of individual cells using Machine Learning algorithms. This approach has enabled the
systematic investigation of cellular heterogeneity across various tissues and cell populations,
providing novel insights into the composition, dynamics, and regulatory rules governing
cellular states during human development and disease.
Analyzing individual cells offers significant benefits to biologists by unveiling cellular
heterogeneity, decoding disease mechanisms, facilitating drug discovery, and addressing
fundamental biological questions. Furthermore, this approach allows drug monitoring and the
discovery of new therapeutic options for various diseases.
To conduct this analysis, a variety of techniques are employed, such as flow cytometry, SingleCell RNA Sequencing, Single-Cell Proteomics, Single-Cell Epigenomics, and mass cytometry.
Analyzing and interpreting complex data require advanced computational methods and
bioinformatics tools.
In this thesis, three machine learning models are developed to predict the correlation between
DNA, RNA, and proteins in individual cells, using Cite-Seq and Multiome technologies. This
work contributes to a deeper understanding of cellular biology and diseases and provides tools
for personalized medicine.
Overall, this thesis advances our understanding of cellular diversity, function, and disease
processes, enhancing prospects for diagnosis, therapy, and personalized medicine.