Evaluation of machine learning algorithms for the discovery of tumor treatments

Σταυρόπουλος, Βασίλειος; Stavropoulos, Vasileios

dc.contributor.author	Σταυρόπουλος, Βασίλειος	el
dc.contributor.author	Stavropoulos, Vasileios	en
dc.date.accessioned	2022-02-06T12:19:07Z
dc.date.available	2022-02-06T12:19:07Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54561
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22259
dc.rights	Default License
dc.subject	Ενεργητική μάθηση	el
dc.subject	Γενετικοί αλγόριθμοι	el
dc.subject	Αναζήτηση με προσομοιωμένη ανόπτηση	el
dc.subject	Προσομοιώσεις καρκινικών κυττάρων	el
dc.subject	Υπολογιστική βιολογία	el
dc.subject	Active learning	en
dc.subject	Tumor simulations	en
dc.subject	Genetic algorithms	en
dc.subject	Simulated annealing	en
dc.subject	Computational biology	en
dc.title	Evaluation of machine learning algorithms for the discovery of tumor treatments	en
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Machine learning	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-10-05
heal.abstract	Η τεχνητή νοημοσύνη χρησιμοποιείται συχνά για να ερμηνεύσει και να αναλύσει μεγάλους όγκους περίπλοκων δεδομένων από διάφορα γνωστικά πεδία. Σε ένα από αυτά, την υπολογιστική βιολογία, η εξερεύνηση τυχόν αποτελεσματικών φαρμακευτικών συνθέσεων για θεραπείες του καρκίνου μέσω προσομοιώσεων απαιτεί πολύ χρόνο και την παράλληλη χρήση πληθώρας υπολογιστικών πόρων για να εκπληρωθεί. Στην παρούσα διπλωματική, εφαρμόζουμε μια μοντέρνα μέθοδο ενεργητικής μάθησης για τον χαρακτηρισμό ενός νέου χώρου καρκινικών θεραπειών, που περιέχει υποσχόμενες θεραπείες για τον περιορισμό καρκινικών κυττάρων, κάνοντας χρήση ενός ανασχεδιασμένου προσομοιωτή για in silico πειραματισμούς. Επιπλέον, εξετάζουμε την εφαρμογή διάφορων μεθόδων συσταδοποίησης και βελτιστοποίησης και συγκρίνουμε την επίδοση τους σε πειραματικές δοκιμές σε υπερ-υπολογιστικό περιβάλλον. Ο βασικός στόχος είναι ο χαρακτηρισμός περιοχών του χώρου θεραπειών σε αυτές που περιέχουν αποτελεσματικές θεραπείες, και σε αυτές που δεν περιέχουν ενδιαφέρουσες περιπτώσεις, ώστε να καθοδηγηθεί η σχετική έρευνα σε πιο στοχευμένα και αποτελεσματικά πειράματα σε ασθενείς. Τα πειραματικά αποτελέσματα αποδεικνύουν ότι η μέθοδος επιτυγχάνει έναν αρκετά ποιοτικό χαρακτηρισμό του χώρου θεραπειών. Επιπλέον, γίνεται αντιληπτό από τα αποτελέσματα ότι η εφαρμογή διαφορετικών μεθόδων συσταδοποίησης και βελτιστοποίησης στην μέθοδο επηρεάζει τον αριθμό των απαιτούμενων προσομοιώσεων και την ποιότητα του χαρακτηρισμού του χώρου θεραπειών.	el
heal.abstract	Machine learning is regularly used to interpret and analyze information from large and complex datasets originating from numerous fields. In one of those fields, namely Bioinformatics, the exploration of potentially beneficial drug configurations for tumor treatments via simulations requires multiple processing units to be used in parallel and a considerable amount of time to be completed. In this thesis, we apply a state-of-the-art model exploration active learning workflow for the characterization of a new drug configuration parameter space, using a redesigned simulator for in silico experiments. Moreover, we incorporate different clustering and optimization approaches in the original workflow and compare their performance in simulation trials on high-performance computing infrastructure. The overall goal is to divide the parameter space into regions that contain effective and ineffective treatments, and thus guide the related research towards more focused and effective real-world trials. Experimental results demonstrate that the workflow achieves a fine characterization of the treatment parameter space. Moreover, results indicate that the incorporation of different clustering and optimization algorithms in the workflow affects the quality of the treatment space characterization and the number of required simulations.	en
heal.advisorName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	90 σ.	el
heal.fullTextAvailability	false