{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1316297"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1316297","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Αξιοποίηση πληροφορίας δικτύων για τον εντοπισμό γονιδίων που σχετίζονται με την πρόγνωση της εξέλιξης της ασθένειας συγκεκριμένων μορφών καρκίνου","abstract":"Η ανάπτυξη των υψηλής απόδοσης «-ωμικών» τεχνολογιών τα τελευταία χρόνια έχει επιτρέψει την καλύτερη αξιοποίηση των βιοδεικτών που σχετίζονται με συγκεκριμένες χρόνιες ασθένειες, όπως ο καρκίνος, και την βελτίωση των τρόπων αντιμετώπισης αυτών στη βάση της εξατομικευμένης ιατρικής. Η σωρευτική αξία της σύζευξης τεχνολογιών ανακάλυψης γνώσης και μοριακής βιολογίας παράγεται όταν γίνεται εκμετάλλευση της ήδη υπάρχουσας βιολογικής γνώσης για την βελτιστοποίηση των αποτελεσμάτων της εξόρυξης γνώσης. Τέτοιες μέθοδοι εξόρυξης γνώσης δεύτερης γενιάς βασίζονται στην έννοια της συνδυασμένης νοημοσύνης και αποτελούν το αντικείμενο της παρούσας διπλωματικής εργασίας. Οι κλασικές προσεγγίσεις πρόβλεψης τέτοιων νοσημάτων μέσω της πληροφορίας της γονιδιακής έκφρασης βασίστηκαν μέχρι πρότινος κυρίως, στα διαφορετικά επίπεδα έκφρασης είτε ασυσχέτιστων μεταξύ τους γονιδίων είτε συσχετιζόμενων ομάδων γονιδίων μέσω βιολογικών μονοπατιών ή λειτουργιών. Η παρούσα διπλωματική εργασία έχει σαν στόχο την μελέτη μεθόδων πρόβλεψης της ασθένειας του καρκίνου του παγκρέατος, με βάση τα γονοτυπικά χαρακτηριστικά παράλληλα με την μελέτη της επίδρασης βιολογικών δικτύων σε αυτά. Ο παραπάνω στόχος αναλύεται σε δυο επιμέρους επίπεδα: i) στον εντοπισμό ενός ικανού και αντιπροσωπευτικού αριθμού γονιδίων-βιοδεικτών (biomarkers) που παίζουν κυρίαρχο ρόλο στην εξέλιξη της νόσου αυτής και ii) στην πρόβλεψη με όσο το δυνατόν μεγαλύτερη ακρίβεια της νόσου αυτής. Για την υλοποίηση των παραπάνω στόχων χρησιμοποιήθηκαν μέθοδοι εξόρυξης γνώσης, των παραδοσιακών τεχνικών επιλογής γνωρισμάτων και κατηγοριοποίησης αυτών αλλά, και μέθοδοι που ενσωματώνουν στην επιλογή των γνωρισμάτων την υπάρχουσα γνώση βιολογικών δικτύων, που αποτυπώνουν πειραματικά επιβεβαιωμένες βιολογικές αλληλεπιδράσεις μεταξύ των γονιδίων που εξετάζονται. Αυτό που επιχειρείται να διαπιστωθεί είναι αν τα αποτελέσματα των μεθόδων που ενσωμάτωσαν τη γνώση του βιολογικού δικτύου βελτιώνουν την ακρίβεια πρόβλεψης σε σχέση με τις παραδοσιακές μεθόδους και συνεπώς επιτρέπουν, αξιοποιώντας την επιπλέον πληροφορία που μπορούμε να αντλήσουμε από αυτό, να τροποποιήσουμε κατάλληλα την θεραπευτική αγωγή των ασθενών προς όφελος τους.","abstract_html":"Η ανάπτυξη των υψηλής απόδοσης «-ωμικών» τεχνολογιών τα τελευταία χρόνια έχει επιτρέψει την καλύτερη αξιοποίηση των βιοδεικτών που σχετίζονται με συγκεκριμένες χρόνιες ασθένειες, όπως ο καρκίνος, και την βελτίωση των τρόπων αντιμετώπισης αυτών στη βάση της εξατομικευμένης ιατρικής. Η σωρευτική αξία της σύζευξης τεχνολογιών ανακάλυψης γνώσης και μοριακής βιολογίας παράγεται όταν γίνεται εκμετάλλευση της ήδη υπάρχουσας βιολογικής γνώσης για την βελτιστοποίηση των αποτελεσμάτων της εξόρυξης γνώσης. Τέτοιες μέθοδοι εξόρυξης γνώσης δεύτερης γενιάς βασίζονται στην έννοια της συνδυασμένης νοημοσύνης και αποτελούν το αντικείμενο της παρούσας διπλωματικής εργασίας. Οι κλασικές προσεγγίσεις πρόβλεψης τέτοιων νοσημάτων μέσω της πληροφορίας της γονιδιακής έκφρασης βασίστηκαν μέχρι πρότινος κυρίως, στα διαφορετικά επίπεδα έκφρασης είτε ασυσχέτιστων μεταξύ τους γονιδίων είτε συσχετιζόμενων ομάδων γονιδίων μέσω βιολογικών μονοπατιών ή λειτουργιών. Η παρούσα διπλωματική εργασία έχει σαν στόχο την μελέτη μεθόδων πρόβλεψης της ασθένειας του καρκίνου του παγκρέατος, με βάση τα γονοτυπικά χαρακτηριστικά παράλληλα με την μελέτη της επίδρασης βιολογικών δικτύων σε αυτά. Ο παραπάνω στόχος αναλύεται σε δυο επιμέρους επίπεδα: i) στον εντοπισμό ενός ικανού και αντιπροσωπευτικού αριθμού γονιδίων-βιοδεικτών (biomarkers) που παίζουν κυρίαρχο ρόλο στην εξέλιξη της νόσου αυτής και ii) στην πρόβλεψη με όσο το δυνατόν μεγαλύτερη ακρίβεια της νόσου αυτής. Για την υλοποίηση των παραπάνω στόχων χρησιμοποιήθηκαν μέθοδοι εξόρυξης γνώσης, των παραδοσιακών τεχνικών επιλογής γνωρισμάτων και κατηγοριοποίησης αυτών αλλά, και μέθοδοι που ενσωματώνουν στην επιλογή των γνωρισμάτων την υπάρχουσα γνώση βιολογικών δικτύων, που αποτυπώνουν πειραματικά επιβεβαιωμένες βιολογικές αλληλεπιδράσεις μεταξύ των γονιδίων που εξετάζονται. Αυτό που επιχειρείται να διαπιστωθεί είναι αν τα αποτελέσματα των μεθόδων που ενσωμάτωσαν τη γνώση του βιολογικού δικτύου βελτιώνουν την ακρίβεια πρόβλεψης σε σχέση με τις παραδοσιακές μεθόδους και συνεπώς επιτρέπουν, αξιοποιώντας την επιπλέον πληροφορία που μπορούμε να αντλήσουμε από αυτό, να τροποποιήσουμε κατάλληλα την θεραπευτική αγωγή των ασθενών προς όφελος τους.","abstract_has_math":false,"creators":["Τζιτζέκλης Γεώργιος"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2015,"date_issued":"2015","date_published":"2015","updated_at":"2026-11-19T05:24:26Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1316297"],"render_values":[{"text":"uoadl:1316297","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1316297","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1316297","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1316297","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Τζιτζέκλης Γεώργιος"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2015"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1316297","https://pergamos.lib.uoa.gr/uoa/dl/object/1316297"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η ανάπτυξη των υψηλής απόδοσης «-ωμικών» τεχνολογιών τα τελευταία χρόνια έχει επιτρέψει την καλύτερη αξιοποίηση των βιοδεικτών που σχετίζονται με συγκεκριμένες χρόνιες ασθένειες, όπως ο καρκίνος, και την βελτίωση των τρόπων αντιμετώπισης αυτών στη βάση της εξατομικευμένης ιατρικής. Η σωρευτική αξία της σύζευξης τεχνολογιών ανακάλυψης γνώσης και μοριακής βιολογίας παράγεται όταν γίνεται εκμετάλλευση της ήδη υπάρχουσας βιολογικής γνώσης για την βελτιστοποίηση των αποτελεσμάτων της εξόρυξης γνώσης. Τέτοιες μέθοδοι εξόρυξης γνώσης δεύτερης γενιάς βασίζονται στην έννοια της συνδυασμένης νοημοσύνης και αποτελούν το αντικείμενο της παρούσας διπλωματικής εργασίας. Οι κλασικές προσεγγίσεις πρόβλεψης τέτοιων νοσημάτων μέσω της πληροφορίας της γονιδιακής έκφρασης βασίστηκαν μέχρι πρότινος κυρίως, στα διαφορετικά επίπεδα έκφρασης είτε ασυσχέτιστων μεταξύ τους γονιδίων είτε συσχετιζόμενων ομάδων γονιδίων μέσω βιολογικών μονοπατιών ή λειτουργιών. Η παρούσα διπλωματική εργασία έχει σαν στόχο την μελέτη μεθόδων πρόβλεψης της ασθένειας του καρκίνου του παγκρέατος, με βάση τα γονοτυπικά χαρακτηριστικά παράλληλα με την μελέτη της επίδρασης βιολογικών δικτύων σε αυτά. Ο παραπάνω στόχος αναλύεται σε δυο επιμέρους επίπεδα: i) στον εντοπισμό ενός ικανού και αντιπροσωπευτικού αριθμού γονιδίων-βιοδεικτών (biomarkers) που παίζουν κυρίαρχο ρόλο στην εξέλιξη της νόσου αυτής και ii) στην πρόβλεψη με όσο το δυνατόν μεγαλύτερη ακρίβεια της νόσου αυτής. Για την υλοποίηση των παραπάνω στόχων χρησιμοποιήθηκαν μέθοδοι εξόρυξης γνώσης, των παραδοσιακών τεχνικών επιλογής γνωρισμάτων και κατηγοριοποίησης αυτών αλλά, και μέθοδοι που ενσωματώνουν στην επιλογή των γνωρισμάτων την υπάρχουσα γνώση βιολογικών δικτύων, που αποτυπώνουν πειραματικά επιβεβαιωμένες βιολογικές αλληλεπιδράσεις μεταξύ των γονιδίων που εξετάζονται. Αυτό που επιχειρείται να διαπιστωθεί είναι αν τα αποτελέσματα των μεθόδων που ενσωμάτωσαν τη γνώση του βιολογικού δικτύου βελτιώνουν την ακρίβεια πρόβλεψης σε σχέση με τις παραδοσιακές μεθόδους και συνεπώς επιτρέπουν, αξιοποιώντας την επιπλέον πληροφορία που μπορούμε να αντλήσουμε από αυτό, να τροποποιήσουμε κατάλληλα την θεραπευτική αγωγή των ασθενών προς όφελος τους.","The development of high throughput «-omic» technologies in recent years, allows of a better use of biomarkers associated with specific chronic diseases, such as cancer, and improves responses to them on an individualized medicine basis. The added value of coupling knowledge discovery technologies and molecular biology is produced when the already existing biological knowledge is utilized for optimizing the results of data mining. The subject of this thesis is such methods of data mining based on the concept of the combined intelligence. Traditional predicting approaches of chronic diseases through gene information expression, are based mainly in the different levels of expression either uncorrelated genes or groups of genes correlated through biological pathways or functions. This thesis aims to study the predicting methods of pancreatic cancer based on the genotypic characteristics alongside with the effect of certain biological networks in them. This objective is analyzed into two sub-levels: i) identifying a competent and representative number of biomarker genes that play a dominant role in the evolution of pancreatic cancer and ii) predicting pancreatic cancer as accurately as possible. In this context, research has used knowledge mining methods, traditional selection methods, profiling and categorization, but also methods which incorporate the feature selection with the existing knowledge of biological networks, that illustrate experimentally confirmed biological interactions between examined genes. The goal of the research was to determine whether the outcome of the selected methods which integrate knowledge of certain biological networks improve prognosis accuracy compared to traditional methods, and thus allowing to properly modify the treatment of patients."]},{"key":"dc:title","label":"Title","values":["Αξιοποίηση πληροφορίας δικτύων για τον εντοπισμό γονιδίων που σχετίζονται με την πρόγνωση της εξέλιξης της ασθένειας συγκεκριμένων μορφών καρκίνου"]}]}],"canonical_facts":{"dc:creator":["Τζιτζέκλης Γεώργιος"],"dc:date":["2015"],"dc:description":["Η ανάπτυξη των υψηλής απόδοσης «-ωμικών» τεχνολογιών τα τελευταία χρόνια έχει επιτρέψει την καλύτερη αξιοποίηση των βιοδεικτών που σχετίζονται με συγκεκριμένες χρόνιες ασθένειες, όπως ο καρκίνος, και την βελτίωση των τρόπων αντιμετώπισης αυτών στη βάση της εξατομικευμένης ιατρικής. Η σωρευτική αξία της σύζευξης τεχνολογιών ανακάλυψης γνώσης και μοριακής βιολογίας παράγεται όταν γίνεται εκμετάλλευση της ήδη υπάρχουσας βιολογικής γνώσης για την βελτιστοποίηση των αποτελεσμάτων της εξόρυξης γνώσης. Τέτοιες μέθοδοι εξόρυξης γνώσης δεύτερης γενιάς βασίζονται στην έννοια της συνδυασμένης νοημοσύνης και αποτελούν το αντικείμενο της παρούσας διπλωματικής εργασίας. Οι κλασικές προσεγγίσεις πρόβλεψης τέτοιων νοσημάτων μέσω της πληροφορίας της γονιδιακής έκφρασης βασίστηκαν μέχρι πρότινος κυρίως, στα διαφορετικά επίπεδα έκφρασης είτε ασυσχέτιστων μεταξύ τους γονιδίων είτε συσχετιζόμενων ομάδων γονιδίων μέσω βιολογικών μονοπατιών ή λειτουργιών. Η παρούσα διπλωματική εργασία έχει σαν στόχο την μελέτη μεθόδων πρόβλεψης της ασθένειας του καρκίνου του παγκρέατος, με βάση τα γονοτυπικά χαρακτηριστικά παράλληλα με την μελέτη της επίδρασης βιολογικών δικτύων σε αυτά. Ο παραπάνω στόχος αναλύεται σε δυο επιμέρους επίπεδα: i) στον εντοπισμό ενός ικανού και αντιπροσωπευτικού αριθμού γονιδίων-βιοδεικτών (biomarkers) που παίζουν κυρίαρχο ρόλο στην εξέλιξη της νόσου αυτής και ii) στην πρόβλεψη με όσο το δυνατόν μεγαλύτερη ακρίβεια της νόσου αυτής. Για την υλοποίηση των παραπάνω στόχων χρησιμοποιήθηκαν μέθοδοι εξόρυξης γνώσης, των παραδοσιακών τεχνικών επιλογής γνωρισμάτων και κατηγοριοποίησης αυτών αλλά, και μέθοδοι που ενσωματώνουν στην επιλογή των γνωρισμάτων την υπάρχουσα γνώση βιολογικών δικτύων, που αποτυπώνουν πειραματικά επιβεβαιωμένες βιολογικές αλληλεπιδράσεις μεταξύ των γονιδίων που εξετάζονται. Αυτό που επιχειρείται να διαπιστωθεί είναι αν τα αποτελέσματα των μεθόδων που ενσωμάτωσαν τη γνώση του βιολογικού δικτύου βελτιώνουν την ακρίβεια πρόβλεψης σε σχέση με τις παραδοσιακές μεθόδους και συνεπώς επιτρέπουν, αξιοποιώντας την επιπλέον πληροφορία που μπορούμε να αντλήσουμε από αυτό, να τροποποιήσουμε κατάλληλα την θεραπευτική αγωγή των ασθενών προς όφελος τους.","The development of high throughput «-omic» technologies in recent years, allows of a better use of biomarkers associated with specific chronic diseases, such as cancer, and improves responses to them on an individualized medicine basis. The added value of coupling knowledge discovery technologies and molecular biology is produced when the already existing biological knowledge is utilized for optimizing the results of data mining. The subject of this thesis is such methods of data mining based on the concept of the combined intelligence. Traditional predicting approaches of chronic diseases through gene information expression, are based mainly in the different levels of expression either uncorrelated genes or groups of genes correlated through biological pathways or functions. This thesis aims to study the predicting methods of pancreatic cancer based on the genotypic characteristics alongside with the effect of certain biological networks in them. This objective is analyzed into two sub-levels: i) identifying a competent and representative number of biomarker genes that play a dominant role in the evolution of pancreatic cancer and ii) predicting pancreatic cancer as accurately as possible. In this context, research has used knowledge mining methods, traditional selection methods, profiling and categorization, but also methods which incorporate the feature selection with the existing knowledge of biological networks, that illustrate experimentally confirmed biological interactions between examined genes. The goal of the research was to determine whether the outcome of the selected methods which integrate knowledge of certain biological networks improve prognosis accuracy compared to traditional methods, and thus allowing to properly modify the treatment of patients."],"dc:identifier":["uoadl:1316297","https://pergamos.lib.uoa.gr/uoa/dl/object/1316297"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Αξιοποίηση πληροφορίας δικτύων για τον εντοπισμό γονιδίων που σχετίζονται με την πρόγνωση της εξέλιξης της ασθένειας συγκεκριμένων μορφών καρκίνου"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:24:26Z"}