Βαθεία εκμάθηση για κωδικοποίηση σηματοδοτικών δικτύων

Αλεβίζος, Γεώργιος; Alevizos, Georgios

dc.contributor.author	Αλεβίζος, Γεώργιος	el
dc.contributor.author	Alevizos, Georgios	en
dc.date.accessioned	2020-12-14T11:10:05Z
dc.date.available	2020-12-14T11:10:05Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52503
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20201
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	Νευρωνικά δίκτυα γράφων	el
dc.subject	Βιοπληροφορική	el
dc.subject	Βιολογικά σηματοδοτικά δίκτυα	el
dc.subject	Βιολογικά συστήματα	el
dc.subject	Μεγιστοποίηση αμοιβαίας πληροφορίας	el
dc.subject	Graph neural networks	en
dc.subject	Protein signaling pathways	en
dc.subject	Systems biology	en
dc.subject	Bioinformatics	en
dc.subject	Mutual information maximization	en
dc.title	Βαθεία εκμάθηση για κωδικοποίηση σηματοδοτικών δικτύων	el
dc.title	Deep learning for signaling network embeddings	en
dc.contributor.department	Τομέας Μηχανολογικών Κατασκευών & Αυτομάτου Ελέγχου - Εργαστήριο Βιοϊατρικών Συστημάτων	el
heal.type	bachelorThesis
heal.classification	Νευρωνικά Δίκτυα Γράφων	el
heal.classification	Υπολογιστική Βιολογία	el
heal.classification	Computational Biology	en
heal.classification	Graph Neural Networks	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-10-16
heal.abstract	Στην Εποχή της Πληροφορίας, τα νευρωνικά δίκτυα και οι μέθοδοι βαθείας εκμάθησης έχουν αναδειχθεί ως ένα από τα πιο επιτυχημένα εργαλεία για την αντιμετώπιση σύνθετων και δύσκολων εγχειρημάτων, τόσο στον χώρο της έρευνας όσο και σε διάφορες εφαρμογές, από την δημιουργία δικτύν που αναγνωρίζουν όγκους σε εικόνες από κύτταρα, μέχρι συστήματα που ξεπερνάνε τα ανθρώπινα όρια σε παιχνίδια όπως το σκάκι. Στον χώρο της Βιοπληροφορικής, οι συνήθεις έρευνες με σκοπό την αναγνώριση του μηχανισμού δράσης φαρμάκων, περιστρέφονται γύρω από την διαχείριση δεδομέων γονιδιακής έκφρασης, με περιορισμένη χρήση μεθόδων βαθείας εκμάθησης. Ιδιαίτερα για τα σηματοδοτικά δίκτυα πρωτεϊνών, χρησιμοποιούνται απλές μέθοδοι ανάλυσης δικτύων ή μοντελοποίηση δυναμικών συστημάτων για την μέχρι τώρα εξαγωγή συμπερασμάτων εξ αυτών. Στην παρούσα διπλωματική εργασία, γίνεται μία προσπάθεια χρήσης μο- ντέλων νευρωνικών δικτύων γράφων εμπνευσμένων απο την έρευνα στην εκμάθηση γλώσσας, σε δεδομένα διαφόρων σηματοδοτικών δικτύων. Στη προκειμένη περίπτωση, από όσο γνωρίζουμε, είναι η πρώτη φορά που πραγματοποιείται αυτή η προσπάθεια. Στο πλαίσιο αυτό, επιδεικνύουμε πως τα χρησιμοποιούμενα μοντέλα εκμάθησης, επιτυγχάνουν ικανοποιητική συσταδοποίηση αναπαραστάσεων σηματοδοτικών δικτύων στο χώρο, με σημείο αναφοράς τον μηχανισμό δράσης του φαρμάκου από το οποίο προήλθαν. Παράλληλα, επιτυγχάνεται η περαιτέρω κατανόηση των λειτουργιών των δικτύων με μεθόδους αναγνώρισης των πιό σημαντικών πρωτεϊνών που επιδρούν στην συσταδοποίηση με βάση τον μηχανισμό δράσης.	el
heal.abstract	In the era of Big Data, deep learning has emerged as a succesful approach in dealing with complex and challenging problems in every eld of research and scientific applications, from playing chess better than a human to recognising malignant cells from cell image data. Classical bioinformatics research mostly relies on gene expression data to provide insight into the mechanism of action of selected drugs, with minimal use of deep learning methods. Signaling networks, on the other hand, are interpreted using network analysis and dynamical systems modelling methods. In the present thesis, we incorporate a specific class of neural networks for graphs, by exploiting architectures stemming from NLP research and apply them into a dataset of biological signaling networks. To the best of our knowledge, this is the first time Graph Neural Networks are combined with signaling pathway data. We demonstrate that our methods can, in an unsupervised way, cluster pathways with similar mechanisms of action together , while simultaneously providing an interpretable framework for identifying the significance of individual proteins in a pathway.	en
heal.advisorName	Αλεξόπουλος, Λεωνίδας	el
heal.advisorName	Alexopoulos, Leonidas	en
heal.committeeMemberName	Κυριακόπουλος, Κωνσταντίνος	el
heal.committeeMemberName	Προβατίδης, Χριστόφορος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Μηχανολογικών Κατασκευών και Αυτομάτου Ελέγχου	el
heal.academicPublisherID	ntua
heal.numberOfPages	92 p.	en
heal.fullTextAvailability	false