Κατασκευή μοντέλων πρόβλεψης βιοκατανομής νανοϋλικών με χρήση μηχανικής μάθησης

Αγγελής, Αλέξανδρος; Angelis, Alexandros

dc.contributor.author	Αγγελής, Αλέξανδρος	el
dc.contributor.author	Angelis, Alexandros	en
dc.date.accessioned	2025-05-23T10:05:55Z
dc.date.available	2025-05-23T10:05:55Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61927
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29623
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	Νανοϋλικά	el
dc.subject	Μοντέλα ποσοτικής σχέσης δομής - δραστικότητας	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Τυχαία δάση	el
dc.subject	Βιοκατανομή	el
dc.subject	Nanomaterials	en
dc.subject	Quantitative structure-activity relationship models	en
dc.subject	Machine learning	en
dc.subject	Random Forests	en
dc.subject	Biodistribution	en
dc.title	Κατασκευή μοντέλων πρόβλεψης βιοκατανομής νανοϋλικών με χρήση μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Νανοϋλικά	el
heal.classification	Μηχανική μάθηση	el
heal.classification	Μοντέλα ποσοτικής σχέσης δομής - δραστικότητας	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2024-09-26
heal.abstract	Τα νανοϋλικά (nanomaterials) αποτελούν ένα από τους πιο καινοτόμους και σημαντικούς τομείς της σύγχρονης επιστήμης και τεχνολογίας. Ωστόσο, η αυξημένη χρήση τους τα τελευταία χρόνια εγείρει ανησυχίες σχετικά με την ασφάλειά τους, τόσο για τον άνθρωπο όσο και για το περιβάλλον. Η παρούσα διπλωματική εργασία, διερευνά αυτό το ερώτημα με την κατασκευή δύο μοντέλων ποσοτικής σχέσης δομής – δραστικότητας (Quantitative Structure – Activity Relationships, QSAR), τα οποία προβλέπουν δύο ιδιότητες βιοκατανομής νανοϋλικών σε ποντίκια: τη μέγιστη συγκέντρωση νανοϋλικών (Cmax), εκφρασμένη σαν ποσοστό της χορηγούμενης δόσης ανά γραμμάριο ιστού (% ID/g), και την περιοχή κάτω από την καμπύλη (area under the curve – AUC) σε ένα διάγραμμα συγκέντρωσης (concentration) έναντι χρόνου (time). Τα συγκεκριμένα χαρακτηριστικά – στόχοι επιλέχθηκαν λόγω της σημασίας τους στην αξιολόγηση της βιοσυσσώρευσης νανοϋλικών. Αρχικά, δημιουργήθηκε μια βάση δεδομένων βιοκατανομής νανοϋλικών από πληροφορίες που αντλήθηκαν από 119 άρθρα της βιβλιογραφίας. Στη συνέχεια, στα δεδομένα αυτά προσαρμόστηκε μια διπλή εκθετική συνάρτηση, μέσω της οποίας υπολογίστηκαν οι τιμές Cmax και AUC για τα πειραματικά δεδομένα. Τα μοντέλα πρόβλεψης για την Cmax και την AUC κατασκευάστηκαν με χρήση του αλγορίθμου τυχαίου δάσους (random forest). Η αξιολόγηση των μοντέλων έδειξε ότι τα μοντέλα έχουν καλή ακρίβεια πρόβλεψης και μπορούν να γενικεύσουν σε νέα δεδομένα που δεν χρησιμοποιήθηκαν κατά τη διαδικασία εκπαίδευσης των μοντέλων. Ακολούθησε ανάλυση της σημαντικότητας των χαρακτηριστικών των μοντέλων, με σκοπό τον προσδιορισμό των χαρακτηριστικών που επηρεάζουν περισσότερο τις προβλέψεις. Τέλος, ορίστηκε η περιοχή εφαρμογής (applicability domain) των μοντέλων με διάφορες μεθόδους και ελέγχθηκε ως προς αυτήν το σύνολο δοκιμής για την αξιολόγηση της αξιοπιστίας των αποτελεσμάτων.	el
heal.abstract	Nanomaterials are among the most innovative and significant areas of modern science and technology. However, their increased use in recent years has raised concerns about their safety for both humans and the environment. This thesis investigates this question by constructing two Quantitative Structure-Activity Relationship (QSAR) models that predict two properties of nanomaterial biodistribution in mice: the maximum concentration of nanomaterials (Cmax), expressed as a percentage of the administered dose per gram of tissue (% ID/g), and the area under the concentration-time curve (AUC). These specific target characteristics were selected due to their importance in assessing nanomaterial bioaccumulation. Initially, a database of nanomaterial biodistribution was created using information gathered from 119 articles in the literature. Subsequently, a double exponential function was fitted to this data, through which the Cmax and AUC values were calculated for the experimental data. The prediction models for Cmax and AUC were developed using the random forest algorithm. The evaluation of the models demonstrated that they have good predictive accuracy and can generalize to new data not used during the model training process. An analysis of the models feature importance followed to determine the characteristics that most influence the predictions. Finally, the applicability domain of the models was defined using various methods, and the test set was checked to evaluate the reliability of the results.	en
heal.advisorName	Σαρίμβεης, Χαράλαμπος	el
heal.committeeMemberName	Κορδάτος, Κωνσταντίνος	el
heal.committeeMemberName	Τσόπελας, Φώτιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Χημικών Μηχανικών. Τομέας Ανάλυσης, Σχεδιασμού και Ανάπτυξης Διεργασιών και Συστημάτων (ΙΙ)	el
heal.academicPublisherID	ntua
heal.numberOfPages	123 σ.	el
heal.fullTextAvailability	false