Ανάπτυξη μοντέλου πρόβλεψης επίδρασης ιοντίζουσας ακτινοβολίας (Χ, γ) σε ανθρώπινα καρκινικά κύτταρα μέσω αλγορίθμων μηχανικής μάθησης

Μανέτα, Δωροθέα; Maneta, Dorothea

dc.contributor.author	Μανέτα, Δωροθέα	el
dc.contributor.author	Maneta, Dorothea	en
dc.date.accessioned	2020-10-20T08:15:27Z
dc.date.available	2020-10-20T08:15:27Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51537
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19235
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Ραδιοβιολογία	el
dc.subject	Ιοντίζουσα ακτινοβολία	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Τυχαίο δάσος	el
dc.subject	Ενδυναμωμένα δέντρα απόφασης	el
dc.subject	Radiobiology	en
dc.subject	Ionizing radiation	en
dc.subject	Machine learning	en
dc.subject	Random Forest	en
dc.subject	Gradient Boosting	en
dc.title	Ανάπτυξη μοντέλου πρόβλεψης επίδρασης ιοντίζουσας ακτινοβολίας (Χ, γ) σε ανθρώπινα καρκινικά κύτταρα μέσω αλγορίθμων μηχανικής μάθησης	el
dc.title	Development of a computational prediction model on the effects of ionizing radiation (X, γ) on human cancer cells by the use of machine learning algorithms.	en
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Ραδιοβιολογία	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-09-23
heal.abstract	With the evolution of experimental techniques, biological research provides more and more data that are digitalized, saved on clouds and can be studied by other researchers, professors and students globally. This volume of data can be utilized as a correlation, prediction and prevention tool in order to cope with situations that may arise in the future and to save time while doing so. In particular, radiobiology which studies the action of ionizing radiation on living organisms has offered significant amount of data that contributes to the study of the interactions between radiation and cancer cells by applying clonogenic assays. The thesis deals with the development of a predictive model regarding the survival of human cancer cells after their exposure to ionizing radiation. To achieve this, machine learning techniques are employed because they are able to deal with large volumes of data, whose variables do not necessarily have linear relationships between them. More specifically radiobiological data are obtained from a range of 35-40 years on 8 cancer cell lines that are widely used experimentally. The data provide intel on the cell line, timing of cell seeding, type of ionizing radiation used, dose rate and the survival fraction for various doses from 2 to 8 Gy. The aim is to develop a model that will be able to determine the survival fraction as a function of these variables and a few more that are added along the way. Starting with preprocessing, all data is converted to be suitable for use by algorithms. Two approaches are studied with the aid of non-parametric algorithms, Random Forest and Gradient Boosting. For each one, two models are developed, one using the default parameters and one customized after a search of the parameters that optimize the procedure. Their performance and results are noted, while at the end a comparison is made in order to indicate which one performs best for the existing data.	en
heal.abstract	Με την εξέλιξη των πειραματικών τεχνικών η βιολογική έρευνα δίνει ολοένα και περισσότερα δεδομένα τα οποία ψηφιοποιούνται, αποθηκεύονται και μπορούν να μελετηθούν από ερευνητές, καθηγητές και φοιτητές παγκοσμίως. Αυτός ο όγκος δεδομένων μπορεί να αξιοποιηθεί και να λειτουργήσει ως εργαλείο πιθανής συσχέτισης, πρόβλεψης και πρόληψης για αντιμετώπιση μελλοντικών καταστάσεων και εξοικονόμηση χρόνου. Συγκεκριμένα, ο τομέας της ραδιοβιολογίας που μελετά τη δράση της ιοντίζουσας ακτινοβολίας σε ζωντανούς οργανισμούς έχει προσφέρει πλήθος πειραματικών δεδομένων σχετικά με την επίδραση της ακτινοβολίας στα καρκινικά κύτταρα μέσω της μεθόδου clonogenic assay. Η διπλωματική εργασία πραγματεύεται την ανάπτυξη ενός μοντέλου πρόβλεψης της επιβίωσης ανθρωπίνων καρκινικών κυττάρων μετά από έκθεση σε ιοντίζουσα ακτινοβολία. Για να επιτευχθεί αυτό, επιστρατεύονται τεχνικές μηχανικές μάθησης που είναι σε θέση να αντιμετωπίζουν μεγάλους όγκους δεδομένων που δεν έχουν απαραίτητα γραμμικές σχέσεις μεταξύ τους. Ειδικότερα, αντλούνται ραδιοβιολογικά δεδομένα από εύρος 35 - 40 χρόνων, σχετικά με 8 καρκινικές κυτταρικές σειρές που χρησιμοποιούνται ευρέως πειραματικά. Τα δεδομένα δίνουν πληροφορίες ως προς την κυτταρική σειρά, το χρoνικό καλλιέργειας των κυττάρων, τον τύπο της ιοντίζουσας ακτινοβολίας, το ρυθμό δόσης και το ποσοστό επιβίωσης για διάφορες δόσεις από 2 έως 8 Gy. Σκοπός της εργασίας είναι η ανάπτυξη ενός μοντέλου που θα είναι σε θέση να προσδιορίσει το ποσοστό επιβίωσης συναρτήσει αυτών των παραμέτρων προσθέτοντας μερικές επιπλέον στην πορεία. Ξεκινώντας από την προ-επεξεργασία, το σύνολο των δεδομένων υφίσταται μετατροπές για να είναι κατάλληλο να χρησιμοποιηθεί από τους αλγορίθμους. Εφαρμόζονται κατά κύριο λόγο δύο προσεγγίσεις με τη βοήθεια των μη παραμετρικών αλγορίθμων Random Forest και Gradient Boosting. Αναπτύσσονται δύο μοντέλα για τον καθένα, ένα βασικό κι ένα νέο, αφού πραγματοποιηθεί αναζήτηση των παραμέτρων που βελτιστοποιούν τα αποτελέσματα. Καταγράφονται η απόδοση και τα αποτελέσματά τους, ενώ στο τέλος πραγματοποιείται σύγκριση για να αναδειχθεί το καλύτερο για τα υπάρχοντα δεδομένα.	el
heal.advisorName	Georgakilas, Alexandros	en
heal.advisorName	Γεωργακίλας, Αλέξανδρος	el
heal.committeeMemberName	Kousouris, Konstantinos	en
heal.committeeMemberName	Anagnostopoulos, Konstantinos	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Φυσικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	79 σ.	el
heal.fullTextAvailability	false