Ανάπτυξη προχωρημένων υβριδικών μοντέλων μηχανικής μάθησης για την μοντελοποίηση παραγωγής πρωτεϊνών στον μύκητα Pichia pastoris

Σάλλο, Μάριο; Sallo, Mario

dc.contributor.author	Σάλλο, Μάριο	el
dc.contributor.author	Sallo, Mario	en
dc.date.accessioned	2025-12-04T11:44:55Z
dc.date.available	2025-12-04T11:44:55Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62993
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30689
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Υβριδικά Μοντέλα	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Βιοδιεργασίες	el
dc.subject	Σχεδιασμός Διεργασιών	el
dc.subject	Bioprocess	en
dc.subject	Machine Learning	en
dc.subject	Python	en
dc.title	Ανάπτυξη προχωρημένων υβριδικών μοντέλων μηχανικής μάθησης για την μοντελοποίηση παραγωγής πρωτεϊνών στον μύκητα Pichia pastoris	el
heal.type	bachelorThesis
heal.classification	Χημική Μηχανική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-02-28
heal.abstract	Η δημιουργία μιας καινοτόμου οικονομίας η οποία θα βασίζεται όλο και περισσότερο σε βιολογικά και βιοτεχνολογικά πρότυπα αποτελεί μια επιτακτική ανάγκη για την βιώσιμη ανάπτυξη της κοινωνίας. Αυτή η μετάβαση μπορεί να πραγματοποιηθεί κατά κύριο λόγο μέσω της βιοτεχνολογίας και των βιολογικών διεργασιών. Συνεπώς η αυτοματοποίηση και η δημιουργία αποδοτικών και τυποποιημένων βιοδιεργασιών ορίζεται κρίνεται ωφέλιμη και αναγκαία. Για την επίτευξη αυτού του στόχου, καλείται η χρήση όλο και περισσότερο των εργαλείων μηχανικής μάθησης καθώς και της τεχνητής νοημοσύνης, καθώς προσφέρουν έναν νέο τρόπο κατανόησης των δυναμικών που κυριαρχούν στα συστήματα ανάπτυξης μικροοργανισμών και παραγωγής ανασυνδυασμένων πρωτεϊνών, διευκολύνοντας έτσι την ερευνητική διαδικασία ενώ παράλληλα επιτυγχάνουν την σημαντική μείωση του κόστους ανάπτυξης τους. Η ανάγκη εγκαθίδρυσης και τυποποίησης τέτοιων διεργασιών, σε συνδυασμό με το διεθνές πρόγραμμα Bioindustry 4.0 έδωσε την δυνατότητα στην παρούσα διπλωματική εργασία να μελετηθεί η περίπτωση παραγωγής της λιπάσης Candida rugosa 1 μέσω του μύκητα Picchia pastoris. Πιο συγκεκριμένα, μελετάται η ανάπτυξη του συγκεκριμένου ενζύμου τόσο υπό υποξικές όσο και κανονικές συνθήκες σε καλλιέργειες που αναπτύσσονται σε αντιδραστήρα ημι-διαλείποντος έργου. Με τα ληφθέντα δεδομένα στην παρούσα διπλωματική εργασία αναπτύσσεται και εκπαιδεύεται αλγόριθμος μηχανικής μάθησης για την πρόβλεψη κάποιων φυσικών χαρακτηριστικών της διεργασίας. Ειδικότερα, για την επίτευξη αυτού του στόχου, χρησιμοποιήθηκε πρώτα η μέθοδος ενίσχυσης δεδομένων με σκοπό την παραγωγή συνθετικών δεδομένων για την μεταβλητή στόχο, ενώ έπειτα αναπτύχθηκε αλγόριθμος προβλεπτικού μοντέλου στον οποίο εισάγονται δεδομένα αναπνευστικού παράγοντα, βιομάζας, αιθανόλης και τροφοδοσίας με σκοπό την απώτερη πρόβλεψη του ειδικού ρυθμού παραγωγής της λιπάσης και τελικά τον υπολογισμό μέσω ισοζυγίων μάζας της συγκέντρωσης του ενζύμου. Ο αλγόριθμος αυτός εκπαιδεύεται στα υπάρχοντα δεδομένα χρησιμοποιώντας δύο διαφορετικούς τρόπους δειγματοληψίας και δοκιμάζεται σε καινούρια , τυφλά, πειράματα για να αξιολογηθεί η ικανότητα γενίκευσης του. Έπειτα ακολουθεί ανάλυση της μεροληψίας των προβλέψεων του μοντέλου όπως και της σημαντικότητας των μεταβλητών που χρησιμοποιήθηκαν με σκοπό την εξαγωγή συμπερασμάτων για την αλληλεπίδραση μεταξύ τους ενώ στο τέλος πραγματοποιήθηκε και ποιοτική σύγκριση της απόδοσης του αλγορίθμου με την ήδη υπάρχουσα βιβλιογραφία, άλλα και σύγκριση με αντίστοιχα μηχανιστικά και αμιγώς data-driven μοντέλα. Από την παραπάνω μελέτη και δοκιμασία του προβλεπτικού μοντέλου βρέθηκε ότι ο αλγόριθμος υπολογίζει τιμές ρυθμού με ένα μέσο ριζικό σφάλμα στην τιμή 37.351 έχοντας επίσης έναν παράγοντα προσαρμογής R2 ίσο με 0,77. Συγκρίνοντας με την βιβλιογραφία κρίθηκε πως το μοντέλο λειτουργεί ικανοποιητικά κατά τα ήδη υπάρχοντα πρότυπα.	el
heal.abstract	The creation of an innovative economy increasingly based on biological and biotechnological models is an imperative necessity for the sustainable development of society. This transition can primarily be achieved through biotechnology and biological processes. Consequently, the automation and establishment of efficient and standardized bioprocesses are defined as a critical need. To achieve this goal, tools of machine learning and artificial intelligence are increasingly utilized, as they provide a new way of understanding the dynamics dominating microorganism development systems and recombinant protein production. These tools facilitate the research process while significantly reducing development costs. The need to establish and standardize such processes, in combination with the international Bioindustry 4.0 program, enabled the present thesis to explore the production of the Candida rugosa 1 lipase through the Pichia pastoris microorganism. Specifically, the development of this enzyme was studied under both hypoxic and normal conditions in cultures grown in a fed-batch bioreactor. Based on the collected data, a machine learning algorithm was developed and trained to predict certain physical characteristics of the process. To achieve this objective, a data augmentation method was first employed to generate synthetic data for the target variable. Subsequently, a predictive model algorithm was developed, utilizing input data such as the respiratory quotient, biomass, ethanol, and feed rate to ultimately predict the specific production rate of the lipase and calculate the enzyme concentration through mass balances. This algorithm was trained on existing data using two different sampling techniques and tested on new, blind experiments to evaluate its generalization capacity. Additionally, a feature importance analysis was conducted to draw conclusions about their interactions, while a qualitative comparison of the algorithm's performance with existing literature was performed as well as a comparison with mechanistic and pure data-driven models. From the study and evaluation of the predictive model, it was found that the best algorithm calculates rate values with a mean root error of 37.351, along with an adjustment factor (R²) of 0.77. Compared to the literature, the model was deemed to perform satisfactorily according to established standards.	en
heal.advisorName	Κοκόσης, Αντώνης	el
heal.committeeMemberName	Βλυσίδης, Ανέστης	el
heal.committeeMemberName	Μπέλτσιος, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Χημικών Μηχανικών. Τομέας Ανάλυσης, Σχεδιασμού και Ανάπτυξης Διεργασιών και Συστημάτων (ΙΙ)	el
heal.academicPublisherID	ntua
heal.numberOfPages	99 σ.	el
heal.fullTextAvailability	false
heal.fullTextAvailability	false