Πίσω από όλα αυτά τα δεδομένα που υπάρχουν κρύβεται ένας τεράστιος θησαυρός γνώσεων τον οποίο δεν μπορούμε να αντιληφθούμε καθώς η μορφή των πληροφοριών δεν μας το επιτρέπει. Έτσι αναπτύχθηκαν μέθοδοι και τεχνικές που μας βοηθούν να βρούμε την κρυμμένη γνώση και να την αξιοποιήσουμε προς όφελος κυρίως του κοινού και η πιο γνωστή μέθοδος, με την οποία θα ασχοληθούμε και εμείς είναι η Εξόρυξη Γνώσης. Στην εργασία που ακολουθεί θα μιλήσουμε για την χρήση των μεθόδων Εξόρυξης Γνώσης (όπως λέγονται) σε βιοϊατρικά δεδομένα. Στην αρχή θα κάνουμε αναφορά στην Μοριακή Βιολογία και στην Βιοπληροφορική. Ακολούθως θα δουμε την Ανακάλυψη γνώσης από βάσεις δεδομένων. Θα δούμε αναλυτικά την Εξόρυξη γνώσης και πιο πολύ τις μεθόδους κατηγοριοποίησης. Τέλος θα εφαρμόσουμε τους αλγορίθμους σε ιατροβιολογικά δεδομένα και θα δούμε τα συμπεράσματα που προκύπτουν αλλά και μελλοντικές επεκτάσεις. / Behind all these data there is hidden a huge treasure of knowledge which we can not understand . Thus developed methods and techniques that help us find the hidden knowledge and to utilize it for the benefit of the public. The most famous method, which we will study, is Data Mining. In the work that follows we will discuss the use of data mining methods (as they are called) in biomedical data. In the beginning, we will report information about Molecular Biology and Bioinformatics. Then. we will see the knowledge discovery in databases. We will see in detail the Data Mining and the classification methods. Finally we implement the algorithms in biomedical data and see the conclusions and future extensions.

Η αποσαφήνιση της σχέσης του γονοτύπου με το φαινότυπο ενός οργανισμού είναι μια από τις μεγαλύτερες προκλήσεις των επιστημών ζωής σήμερα. Για την επίτευξη του στόχου αυτού, η κατανόηση της δομής και της ρύθμισης του δικτύου πρωτεϊνικών αλληλεπιδράσεων (ΔΠΑ) είναι ένα από τα καθοριστικά στάδια αυτής της συσχέτισης. Πρώτο βήμα προς την κατεύθυνση αυτή αποτελεί η λεπτομερής και ακριβής ανακατασκευή του ΔΠΑ. Πειραματικά αποτελέσματα που υποστηρίζουν πρωτεϊνικές αλληλεπιδράσεις δημοσιεύονται στη βιβλιογραφία, από όπου η γνώση αυτή εξορύσσεται είτε μέσω άμεσης καταγραφής από ερευνητές είτε μέσω υπολογιστικών αλγορίθμων ανάλυσης κειμένου, και αποθηκεύεται σε πρωτογενείς βάσεις δεδομένων πρωτεϊνικών αλληλεπιδράσεων (ΒΔΠΑ). Για το ΔΠΑ στον άνθρωπο, υπάρχουν αρκετές ΒΔΠΑ, οι οποίες λόγω διαφορετικών στόχων, τρόπων εξόρυξης γνώσης από τη βιβλιογραφία και διαφορετικής διαχείρισης της βάσης, παρουσιάζουν μικρή επικάλυψη, περιγράφουν τα δεδομένα τους με ασύμβατο μεταξύ τους τρόπο και ορολογία, και ορίζουν τις πρωτεϊνικές αλληλεπιδράσεις μέσω διαφορετικών επιπέδων αναφοράς της γονιδιακής πληροφορίας. Για την ενοποίηση δεδομένων πρωτεϊνικών αλληλεπιδράσεων από διάφορες πρωτογενείς βάσεις έχουν αναπτυχθεί μετα-βάσεις, οι οποίες προσπαθούν να ξεπεράσουν τα προβλήματα που προκύπτουν από την ετερογένεια των ΒΔΠΑ. Και στην περίπτωση των μεταβάσεων, όμως, ανακύπτουν προβλήματα, που αφορούν: α) στο ότι το δίκτυο ορίζεται με βάση τις πρωτεϊνικές αλληλεπιδράσεις και όχι τις πρωτεΐνες-κόμβους του ΔΠΑ, β) στον πλεονασμό κωδικών ταυτοποίησης των πρωτεϊνών στα διάφορα επίπεδα αναφοράς της γονιδιακής πληροφορίας, γ) στην ετερογένεια του τρόπου κανονικοποίησης των κωδικών ταυτοποίησης πρωτεϊνών, δ) στην υστέρηση της ανανέωσής τους σε σχέση με τις πρωτογενείς βάσεις και ε) στην επιλογή των δεδομένων που καταγράφονται από τις ΒΔΠΑ. Ο σκοπός αυτής της εργασίας είναι ο σχεδιασμός και η ανάπτυξη μιας μετα-βάσης δεδομένων για το δίκτυο πρωτεϊνικών αλληλεπιδράσεων στον άνθρωπο, PICKLE, που να προσφέρει επαρκείς λύσεις στα προβλήματα αυτά. Η μεγάλη διαφορά σε σχέση με τις υπάρχουσες μετα-βάσεις είναι ο ορισμός του ΔΠΑ με βάση το αξιολογημένο πλήρες ανθρώπινο πρωτεϊνωμα (Reviewed complete Human Proteome), όπως αυτό ορίζεται από τη βάση δεδομένων γνώσης πρωτεϊνικής πληροφορίας UniProt ΚΒ. Για τις πρωτεΐνες αυτές αναζητήθηκε η σχετική πληροφορία αλληλεπιδράσεων στις πέντε κύριες δημόσιες βάσεις πρωτεϊνικών αλληλεπιδράσεων στον άνθρωπο, DIP, HPRD, IntAct, MINT και BioGRID. Τα προβλήματα του πλεονασμού και της κανονικοποίησης λύθηκαν μέσω της ανάπτυξης μίας κατάλληλης γονιδιακής οντολογίας, η οποία μας επέτρεψε να συνδέσουμε το πλήρες ανθρώπινο πρωτεϊνωμα με τα υπόλοιπα επίπεδα αναφοράς της γενετικής πληροφορίας, δρώντας παράλληλα ως ένας ευέλικτος και ακριβής μηχανισμός κανονικοποίησης. Για τη γρήγορη ανανέωση των δεδομένων της μετα-βάσης, αναπτύχθηκε μια αυτοματοποιημένη διαδικασία σύνδεσης και ενημέρωσής της από τις PPIDBs. Η πρώτη έκδοση της PICKLE κατέγραψε 83720 αλληλεπιδράσεις για 12418 UNIPROT IDs από το σύνολο των 20225 του πλήρους ανθρώπινου πρωτεϊνωματος, που υποστηρίζονται από 27.590 δημοσιεύσεις. Η PICKLE θα εμπλουτιστεί με ένα φιλικό προς το χρήστη γραφικό περιβάλλον και θα συνδεθεί με εργαλεία ανάλυσης δικτύων και ομικών δεδομένων, για να αποτελέσει πολύτιμο εργαλείο σε βιοϊατρικές μελέτες και εφαρμογές. / The elucidation of the underlying relationship between an organism’s genotype and its expressed phenotype is currently one the greatest challenges faced by life sciences and biology in general. In order to achieve that, the better understanding of the inner structure and regulation mechanisms of the protein-protein interaction (PPI) networks is of great importance. The first step towards that goal is the detailed and accurate reconstruction of the PPI network itself. The scientific literature is constantly being updated with new experimental results supporting PPI evidence, which in turn are fed into primary PPI databases (PPIDB) by the use of either curators or text mining algorithms. Currently there is a large number of PPIDB referring to the human PPIs. Since many of them have different goals, literature curation methods, and database administration strategies, it is not surprising that they also exhibit a limited PPI overlap and incompatible terminology for PPI intera\-ctors, i.e. use of arbitrary levels of genetic organization. A number of meta-databases have been developed in order to achieve integrated overviews of PPI networks while circumventing the problems inherent in the field of primary PPI databases. Unfortunately, meta-databases have a number of issues of their own, such as: a) top-down network definition based on protein interactions instead of interactors, b) protein identifier redundancy in all levels of reference, c) the use of {\it ad hoc} normalization methods, d) infrequent updating and d) insufficient information stored. The major goal of this thesis is the design and implementation of PICKLE (Protein Interaction Knowledge Base), a meta-database for the human PPI network created specifically to tackle the aforementioned problems. PICKLE’s novelty stems from its unique approach to PPI network definition, following a bottom-up reconstruction method based on UniProt’s reviewed complete human proteome (RCHP) definition. Five primary PPIDB (DIP, HPRD, IntAct, ΜΙΝΤ and BioGRID) were mined for interactions explicitly constrained by UniProt’s proteome definition. Furthermore, in order to tackle the issues of redundancy and inadequate normalization, a specific ontology was designed which allowed linking of the RCHP set with all the other levels of genetic organization while also serving as an agile yet accurate normaliza\-tion mechanism. In order to address the issue of updating, an autonomous means of data collection and integration was developed. PICKLE’s maiden release recorded 83720 direct PPIs involving 12418 UniProt IDs (out of 20225) supported by a total of 27590 publications. PICKLE, an evolving valuable bioinformatics for biomedical research and red biotechnology applications tool will soon be updated with a user-friendly interface and upgraded by linking it with network analysis software and various omics datasets.

Η νόσος Αλτσχάιμερ καταλαμβάνει την πρωτοκαθεδρία στις μη αναστρέψιμες άνοιες με τους επιδημιολογικούς της δείκτες να αυξάνονται όσο μεγαλώνει το προσδόκιμο ζωής του ανθρώπου. Η χρήση φαρμάκων, με αρχική στόχευση άλλη πάθηση, στη νόσο Αλτσχάιμερ αποκαλείται φαρμακευτικός επαναπροσδιορισμός και προσφέρει σαφή πλεονεκτήματα στην ασφάλεια, την ταχύτητα και το κόστος ανάπτυξης μίας εν δυνάμει θεραπείας, ιδιαίτερα όταν η μέχρι σήμερα αντιμετώπιση της πάθησης περιορίζεται στην καθυστέρηση εξέλιξης της βλάβης και τις δευτερογενείς εκδηλώσεις. Στην παρούσα εργασία, εκμεταλλευτήκαμε εργαλεία φαρμακευτικής επαναστόχευσης που βασίζονται στις γονιδιακές υπογραφές πέντε μελετών μικροσυστοιχιών της νόσου Αλτσχάιμερ. Καίριο στάδιο στη συγκρότηση γονιδιακών υπογραφών είναι ο προσδιορισμός της διαφορικής έκφρασης των γονιδίων. Εφαρμόζοντας τρεις διαφορετικές τεχνικές (Limma, ChDir, mAP-KL) για το σκοπό αυτό και τοποθετώντας τα αποτέλεσματα σε τέσσερα ξεχωριστά εργαλεία φαρμακευτικής επαναστόχευσης (cMap, SPIEDw, sscMap, LINCS-L1000), αναδείξαμε φάρμακα που συστηματικά αντιστρατεύονται τη νόσο. Η περαιτέρω ανάλυση σε επίπεδο χημικής δομής, λειτουργικών μονοπατιών και δικτυακής θεώρησης προσδιόρισε το μηχανισμό δράσης των φαρμάκων και πρότεινε νέα βιοδραστικά μόρια ως δυνατικές θεραπευτικές επιλογές. / Alzheimer’s disease dominates dementias of irreversible cause with alarming epidemiologic characteristics due to rise of human life expectancy. The use of initially otherwise purposed drugs in Alzheimer is described as drug repositioning and offers clear advantages in terms of safety, speed and cost issues in the development of a potential therapy, particularly when current treatments are limitited to symptoms’ delay and secondary comorbidities. In this study, we exploited drug repurposing tools based on gene signatures from five microarray experiments of Alzheimer’s disease. A fundamental step in constructing gene signatures is to define differential gene expression. For this purpose, we used three different methods (Limma, ChDir, mAP-KL) which we analyzed with four distinct drug repurposing tools (cMap, SPIEDw, sscMap, LINCS-L1000) and found drugs that systematically reverse the disease signature. Further processing of the results with regard to chemical structure, pathway and network analysis revealed the mode of the drugs’ actions and highlighted them as potential therapeutic choices for Alzheimer’s disease.

Τα τελευταία χρόνια κυριαρχεί στο χώρο της γενωμικής έρευνας η τεχνολογία των μικροσυστοιχιών, η οποία επέτρεψε την ποσοτική μέτρηση της έκφρασης χιλιάδων γονιδίων ταυτόχρονα. Παρόλο που τα δεδομένα έκφρασης των γονιδίων μπορεί να εμπεριέχουν θόρυβο και να μην είναι πλήρως αντικειμενικά, εντούτοις περιγράφουν την έκφραση όλου του γονιδιώματος ενός οργανισμού, κάτι το οποίο δεν ήταν εφικτό τις προηγούμενες δεκαετίες. Επίσης ένα άλλο είδος δεδομένων που συνέβαλλε δραστικά στην κατανόηση των δυναμικών διεργασιών του κυττάρου ήταν τα δεδομένα πρωτεϊνικών αλληλεπιδράσεων (πρωτεΐνη-πρωτεΐνη). Μεγάλης κλίμακας τεχνικές όπως το διυβριδικό σύστημα του σακχαρομύκητα και η φασματομετρία μάζας καθαρισμένων πρωτεϊνικών συμπλόκων παρήγαγαν μεγάλη ποσότητα πληροφορίας για τις σχέσεις μεταξύ των γονιδιακών προϊόντων. Επίσης και αυτό το είδος δεδομένων χαρακτηρίζεται από πολλές αναληθείς αλληλεπιδράσεις και στην εργασία αυτή χρησιμοποιούνται οι πιο έγκυρες από αυτές. Ταυτόχρονα ξεκίνησε μια προσπάθεια να περιγραφούν οι δυναμικές διεργασίες του κυττάρου μέσα από βιολογικά δίκτυα π.χ. γονιδιακά, πρωτεϊνικά, μεταβολικά κτλ. Ακόμα μεγαλύτερη πρόκληση είναι η εύρεση υποδικτύων με βιολογικά διακριτό ρόλο, τα οποία ονομάζονται λειτουργικές υπο-δομές. Η ανίχνευση τέτοιων υπο-δομών θα συντελέσει στην κατανόηση των σχέσεων μεταξύ των γονιδίων ή των προϊόντων τους αλλά και στην επισήμανση γονιδίων ή πρωτεϊνών που δεν έχουν χαρακτηριστεί ακόμα. Στην εργασία αυτή τέλος περιγράφονται τρόποι ομαδοποίησης των δεδομένων γονιδιακής έκφρασης, αναλύονται διεξοδικά τα δίκτυα αλληλεπίδρασης πρωτεϊνών και παρουσιάζονται τρόποι ομαδοποίησης αυτών. Επίσης προτείνεται ενοποίηση των παραπάνω δεδομένων στον οργανισμό Saccharomyces cerevisiae με σκοπό την ανίχνευση λειτουργικών υπο-δομών στον πρωτεϊνικό του γράφο. Επιπρόσθετα, η ανίχνευση αυτών των υπο-δομών υλοποιήθηκε με έναν νέο αλγόριθμο, τον Detect Module from Seed Protein (DMSP), ο οποίος δεν διαμερίζει το γράφο σε ομάδες όπως οι κλασικοί τρόποι ομαδοποίησης αλλά χτίζει υπο-δομές ξεκινώντας από μια πρωτεΐνη-«σπόρο». / -

Αντικείμενο της παρούσας διδακτορικής διατριβής είναι η μελέτη και η σχεδίαση αποδοτικών αλγορίθμων για τη διαχείριση και ανάλυση ακολουθιών βιολογικών δεδομένων. Οι αλγόριθμοι που θα περιγράψουμε εφαρμόζονται σε προβλήματα Βιοπληροφορικής, όπως η αναγνώριση γνωστών ή άγνωστων μοτίβων του DNA και RNA, που εμπλέκονται σε ποικίλες βιολογικές διεργασίες καθώς και η ανακάλυψη περιοδικοτήτων. Ειδικότερα οι αλγόριθμοι που θα παρουσιάσουμε χρησιμοποιούνται για την ανάλυση Βιολογικών Ακολουθιών με “αδιάφορους χαρακτήρες” και Βιολογικών Ακολουθιών με Βάρη. Οι Βιολογικές Ακολουθίες με “αδιάφορους χαρακτήρες” αναπαριστούν συνήθως οικογένειες πρωτεϊνών ενώ οι Βιολογικές Ακολουθίες με βάρη αναπαριστούν συναρμολογούμένες ακολουθίες γονιδιωμάτων που έχουν πρόσφατα αλληλουχηθεί. Στις Βιολογικές Ακολουθίες με αδιάφορους χαρακτήρες παρουσιάζουμε δυο αποδοτικούς αλγορίθμους γραμμικού χρόνου για τον υπολογισμό της περιόδου και τον υπολογισμό του καλύμματος. Ο δεύτερος αλγόριθμος εφαρμόζεται και σε κυκλικά (circular DNAs). Στις Βιολογικές Ακολουθίες με βάρη παρουσιάζουμε δυο αλγορίθμους για τον υπολογισμό των βασικών περιοδικοτήτων: της περιόδου και του καλύμματος ενώ επιλύουμε και το πρόβλημα της εύρεσης προτύπου. Η ανάγκη για αποδοτική διαχείριση βιολογικών ακολουθιών με βάρη μας ώθησε να εισάγουμε μια νέα αποδοτική δομή η οποία επιλύει αποδοτικά τα 2 προηγούμενα προβλήματα. Η δομή αυτή ονομάζεται Δέντρο Επιθεμάτων με Βάρη. Χρησιμοποιώντας το Δέντρο Επιθεμάτων με Βάρη επιλύουμε διάφορες παραλλαγές του προβλήματος εξαγωγής μοτίβων από Βιολογικές Ακολουθίες με Βάρη. Τέλος αποφασίσαμε να μελετήσουμε τη χρήση των Γενετικών Αλγορίθμων και του Εξελικτικού Προγραμματισμού στην ανάλυση ακολουθιών βιολογικών δεδομένων. Αποτέλεσμα αυτής της μελέτης είναι η περιγραφή ενός γενετικού αλγορίθμου που υπολογίζει τις επαναλήψεις σε μια βιολογική ακολουθία. / The object of this doctoral thesis is the study and the design of efficient algorithms for the analysis of sequences of biological data. The algorithms that we describe have application on Bioinformatics problems, such as the recognition of known or unknown patterns in DNA and RNA that are involved in various biological activities, as well as the discovery of periodicities. More specifically the algorithms that we present are used for the analysis of Biological Sequences with “don't care characters”' and Weighted Biological Sequences. Biological Sequences with “don't care characters”, usually represent protein families while Weighted Biological Sequences represent assembled sequences of genomes that they have been recently sequenced. In Biological Sequences with “don't care characters”' we present two efficient algorithms of linear time for the computation of the period and the cover. The second algorithm is also applied in circular DNAs . In Weighted Biological Sequences we present two algorithms for the computation of basic periodicities: the period and the cover, while we also solve the problem of pattern matching. The need for efficient management of biological sequences with weights prompted us to introduce a new efficient data structure which solves efficiently the two precedents problems. This structure is named Weighted Suffix Tree. Using the Weighted Suffix Tree we solve various instances of the motif discovery problem in Biological Weighted Sequences. Finally we decided to study the use of Genetic Algorithms and Evolutionary Programming in the analysis of biological sequences. The result of this study is the description of a genetic algorithm that computes the repetitions in a biological sequence.

Μια από τις μεγαλύτερες προκλήσεις στις μέρες μας αποτελεί η εξαγωγή και η κατανόηση του πλήθους των πληροφοριών που βρίσκονται κρυμμένες στα βιολογικά δεδομένα. Ο καταιγισμός των πληροφοριών που προέρχονται από τη βιολογική έρευνα είναι τόσο σύνθετος που χρειάζεται να αναλυθεί με τη χρήση προηγμένων υπολογιστικών μεθόδων. Αυτό οδήγησε στη Βιοπληροφορική, έναν επαναστατικό επιστημονικό τομέα, ο οποίος εφαρμόζει στοιχεία της επιστήμης των υπολογιστών και της τεχνολογίας των πληροφοριών για τη διαχείριση των βιολογικών δεδομένων. Ο κλάδος της Βιοπληροφορικής σήμερα θεωρείται, παγκοσμίως, ένας από τους πλέον εξελισσόμενους, ενώ έχει ήδη επιδείξει σημαντικά επιτεύγματα και έχει συγκεντρώσει ιδιαίτερα σημαντικές διακρίσεις. Η εκπαίδευση εξειδικευμένων ατόμων σε θέματα Βιοπληροφορικής αποτελεί ιδιαίτερη πρόκληση, καθώς οι εκπαιδευόμενοι προέρχονται από τον τομέα της Βιολογίας ή της Πληροφορικής, παρουσιάζοντας γι' αυτόν τον λόγο μεγάλες διαφορές στο μαθησιακό τους υπόβαθρο. Επιπλέον, δημοσιεύονται συνεχώς καινούριες μέθοδοι επεξεργασίας βιολογικών δεδομένων, καθιστώντας το δύσκολο ακόμα και για κάποιον εκπαιδευτικό να παρακολουθεί την εξέλιξη και να ενημερώνει το εκπαιδευτικό περιεχόμενο των μαθημάτων του. Την ίδια στιγμή, η τεχνολογία της ηλεκτρονικής εκμάθησης έχει γίνει ένα εναλλακτικό μαθησιακό πρότυπο. Κατά τη διάρκεια του 20ού αιώνα, για τους περισσότερους από εμάς, η έννοια της μάθησης ήταν συνυφασμένη με τις παραδοσιακές αίθουσες διδασκαλίας. Όμως, από τον 21ο αιώνα άρχισε να κυριαρχεί μια νέα κουλτούρα μάθησης. Χάρη στην κατάλληλη χρήση των τεχνολογιών πληροφορίας, των δικτύων και των πολυμέσων, μαθητές και ερευνητές οι οποίοι διαχωρίζονται από την απόσταση, συνδέονται τεχνολογικά. Η γνώση γίνεται διαθέσιμη στο σύγχρονο ακαδημαϊκό και επαγγελματικό κόσμο, χωρίς χωρικούς ή χρονικούς περιορισμούς. Η συνεχώς αυξανόμενη υποδομή των ψηφιακών δικτύων ενισχύει την ικανότητα για πρόσβαση και χρήση απεριόριστων πηγών και εργαλείων. Επιπλέον, η ηλεκτρονική μάθηση εκτείνεται πέρα από την απλή πρόσβαση στην πληροφορία, αλλά βασίζεται στην επικοινωνία και στην αλληλεπίδραση των ατόμων που συμμετέχουν στη διαδικασία της μάθησης. Οι πλατφόρμες της ηλεκτρονικής εκμάθησης είναι ιδιαίτερα χρήσιμες και στην εκπαίδευση της Βιοπληροφορικής, καθώς μπορούν να βελτιώσουν την ποιότητα της διδασκαλίας και να μειώσουν τον χρόνο που απαιτείται για τη διαχείριση του εκπαιδευτικού υλικού. Πέραν τούτου, το αντικείμενο της Βιοπληροφορικής είναι πλήρως συνυφασμένο με τη χρήση του Διαδικτύου, καθώς μέσω αυτού μπορούν να βρεθούν πολλές πηγές δεδομένων και χρήσιμα εργαλεία. Στην παρούσα διπλωματική εργασία, προηγμένες διαδικασίες ηλεκτρονικής μάθησης έχουν αναπτυχθεί ώστε να εισαγάγουν ολοένα και περισσότερους μαθητές στην επαναστατική επιστήμη της Βιοπληροφορικής. Μια σύγχρονη διαδικτυακή εφαρμογή, η οποία όχι μόνο αποθηκεύει και διαχειρίζεται τον πλούτο της γνώσης και της εμπειρίας της ερευνητικής ομάδας «Υπολογιστικής Βιολογίας και Βιοπληροφορικής» του Πανεπιστημίου Πατρών, αλλά επιπλέον επιτρέπει στους χρήστες του συστήματος να προβάλλουν, οπουδήποτε και οποτεδήποτε, και να αλληλεπιδρούν με το πλούσιο μαθησιακό περιεχόμενο το οποίο παρουσιάζεται με τη μορφή κειμένων, υπερκειμένων,εικόνων, παρουσιάσεων και βίντεο. Δημοσιεύσεις σε συνέδρια και περιοδικά, ερευνητικά έργα, διπλωματικές εργασίες, παρουσιάσεις, εργαλεία και ανακοινώσεις είναι μόνο μερικά δείγματα της καθημερινής συνεισφοράς και της ανεκτίμητης προσπάθειας της ερευνητικής ομάδας. Πλήθος πληροφοριών, καλά οργανωμένων και δυναμικά ανανεώσιμων, είναι πάντα στη διάθεση μας. Σημαντικότατο στοιχείο του συστήματος ηλεκτρονικής εκμάθησης αποτελεί η ευφυΐα του, με άλλα λόγια η ικανότητα παροχής μιας εξατομικευμένης μαθησιακής πορείας στον κάθε εκπαιδευόμενο, με βάση το επίπεδο γνώσεων, τις μαθησιακές ανάγκες αλλά και την πρόοδο του. Επιπρόσθετα, η εν λόγω διαδικτυακή εφαρμογή εκμάθησης της Βιοπληροφορικής ευνοεί τη δημιουργία μαθησιακών κοινοτήτων οι οποίες ενισχύουν τη συνεργασία, την επικοινωνία αλλά και την αλληλεπίδραση μεταξύ εκπαιδευτών και εκπαιδευόμενων, όπως δηλαδή συμβαίνει σε μία παραδοσιακή αίθουσα διδασκαλίας. Όμως, μέσα από την ηλεκτρονική μάθηση, ο εκπαιδευόμενος αποτελεί πλέον το «κέντρο της μαθησιακής διαδικασίας», καθώς μετατρέπεται από παθητικό σε ενεργό δέκτη της μάθησης, επιλέγοντας το πώς και τι μαθαίνει. / One of the greatest challenges today is the extraction and comprehension of the huge mass of information hidden in biological data. The flood of information that comes from the biological research is so complex that needs to be analyzed by means of advanced computational methods. This has given rise to Bioinformatics, a revolutionary scientific field which applies elements of computer science and information technology to the management of this biological information. Bioinformatics is now considered, worldwide, as one of the most evolving fields since it has already demonstrated some very significant achievements and it has gathered really important distinctions. Training students in Bioinformatics is an important challenge as they have big academic differences and their learning background is either in Biology or in Informatics. Moreover, new methods for biological data processing are being published frequently and it is very hard even for professionals in the field of Bioinformatics to follow the new publications and renew the material of their courses. At the same time, the e-learning technology has become an alternative learning standard. During the 20th century, for most of us, the concept of learning was intertwined with the traditional classrooms. But, since the 21st century a new culture of learning has begun. Thanks to the proper use of modern information technologies, networks and multimedia, students and researches who are separated by distance, get technologically connected. Knowledge becomes available to the contemporary academic and professional world, without any geographical restrictions or time limits. The growing infrastructure of digital networks enhances the ability to access and use unlimited resources and tools. Furthermore, e-learning extends beyond simple access to information, but it is based on the communication and interaction of people involved in the learning process. The e-learning platforms are particularly useful in Bioinformatics education, as they can improve the quality of teaching and reduce the time required for the administration of educational material. Furthermore, the scientific field of Bioinformatics is completely interwoven with the use of the Internet due to the fact that many data sources and software tools are accessible through it. In this thesis, advanced e-learning processes have been developed in order to introduce more and more students to the revolutionary science of Bioinformatics. A modern web application which not only stores and manages the wealth of knowledge and experience provided by the Computational Biology and Bioinformatics group of the University of Patras, but also permits visitors to visualize, anywhere and anytime, and interact with this rich learning content which is presented in the form of text, hypertext, images, presentations and videos. Publications in conferences and journals, research projects, theses, presentations, tools, latest news and announcements are just some demonstrations of the daily contribution and the priceless effort spent by this group. A great deal of information, securely organized and dynamically updated, always at our disposal. The most important element of this e-learning application is its intelligence, in other words its ability to provide a personalized learning path to each student, based on his level of knowledge, his learning needs and the progress made in every step of the e-learning training. In addition, this Bioinformatics e-learning application, favors the creation of learning communities which enhance collaboration, communication and interaction between trainers and trainees, as that occurs in a traditional classroom. However, through e-learning, the trainee becomes the "center of the learning process", as he turns from a passive to an active receiver of learning, by choosing how and what he learns.