{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1318259"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1318259","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μεγάλης κλίμακας υπολογιστική ανάλυση βιολογικών δικτύων","abstract":"Η θεωρία των γράφων και κατά επέκταση των δικτύων παίζει σπουδαίο ρόλο σε πολλούς κλάδους της επιστήμης όπως, την Πληροφορική, την Κοινωνιολογία, την Μηχανολογία, την Φυσική και την Μοριακή Βιολογία. Συγκεκριμένα στον τομέα της Βιολογίας οι εφαρμογές της ανάλυσης των δικτύων βοηθούν στην αναγνώριση φαρμάκων που στοχεύουν σε πρωτεΐνες, στην ανίχνευση πρωτεϊνικών συμπλόκων, στον καθορισμό της λειτουργίας μιας πρωτεΐνης ή ενός γονιδίου, στον σχεδιασμό θεραπείας κάποιας ασθένειας ή στην διάγνωσης της. Οι κύριες κατηγορίες των βιολογικών δικτύων που η Συστημική Βιολογία περιλαμβάνει είναι, τα δίκτυα πρωτεϊνικών αλληλεπιδράσεων, τα βιοχημικά-μεταβολικά δίκτυα, τα δίκτυα μεταγωγής σήματος, τα μεταγραφικά-ρυθμιστικά δίκτυα, τα δίκτυα ασθενειών καθώς επίσης και τα δίκτυα διατροφικών αλυσίδων. Κάθε δίκτυο προσφέρει ειδικά χαρακτηριστικά και τοπολογικές ιδιότητες. Σε αυτή την εργασία γίνεται προσπάθεια να ερευνηθούν συστηματικά οι στατιστικές ιδιότητες των βιολογικών δικτύων με στόχο να χαρακτηριστούν και να καθοριστούν τα ποικίλα δίκτυα από μία περιληπτική εκτίμηση των παραμέτρων τους. Πραγματοποιήθηκε μια συστηματική έρευνα από την βιβλιογραφία για να εντοπιστούν δημοσιευμένα δεδομένα για όλους τους τύπους βιολογικών δικτύων και ως επέκταση κάποιων μη βιολογικών όπως κοινωνικών δικτύων και δικτύων web. Τα δεδομένα κατηγοριοποιήθηκαν και για κάθε ένα ξεχωριστά υπολογίστηκαν οι τοπολογικές παράμετροι που τα χαρακτηρίζουν και ακολούθησε στατιστική ανάλυση όλων των δικτύων. Τα στατιστικά χαρακτηριστικά που υπολογίστηκαν και μπορούν να περιγράψουν ένα δίκτυο σύμφωνα με την ανάλυση είναι ο αριθμός των συνεκτικών συνιστωσών, η διάμετρος, ο αριθμός των πολλαπλών ακμών για ζεύγη κόμβων, ο αριθμός απομονωμένων κόμβων, η ακτίνα, ο αριθμός των ελεύθερων βρόγχων, το μήκος μονοπατιού, ο συντελεστής ομαδοποίησης, η πυκνότητα του δικτύου, η ενδιάμεση κεντρικότητα, πλησιέστερη κεντρικότητα, η κεντρικότητα τάσης, ο βαθμός κεντρικότητας, η τοπική συνεκτικότητα. Τα αποτελέσματα αναλύθηκαν χρησιμοποιώντας στατιστικές τεχνικές και πολυμεταβλητές μεθόδους ανάλυσης για να αποκαλύψουν τις σημαντικές παραμέτρους που είναι χαρακτηριστικές για κάθε κατηγορία δικτύων.","abstract_html":"Η θεωρία των γράφων και κατά επέκταση των δικτύων παίζει σπουδαίο ρόλο σε πολλούς κλάδους της επιστήμης όπως, την Πληροφορική, την Κοινωνιολογία, την Μηχανολογία, την Φυσική και την Μοριακή Βιολογία. Συγκεκριμένα στον τομέα της Βιολογίας οι εφαρμογές της ανάλυσης των δικτύων βοηθούν στην αναγνώριση φαρμάκων που στοχεύουν σε πρωτεΐνες, στην ανίχνευση πρωτεϊνικών συμπλόκων, στον καθορισμό της λειτουργίας μιας πρωτεΐνης ή ενός γονιδίου, στον σχεδιασμό θεραπείας κάποιας ασθένειας ή στην διάγνωσης της. Οι κύριες κατηγορίες των βιολογικών δικτύων που η Συστημική Βιολογία περιλαμβάνει είναι, τα δίκτυα πρωτεϊνικών αλληλεπιδράσεων, τα βιοχημικά-μεταβολικά δίκτυα, τα δίκτυα μεταγωγής σήματος, τα μεταγραφικά-ρυθμιστικά δίκτυα, τα δίκτυα ασθενειών καθώς επίσης και τα δίκτυα διατροφικών αλυσίδων. Κάθε δίκτυο προσφέρει ειδικά χαρακτηριστικά και τοπολογικές ιδιότητες. Σε αυτή την εργασία γίνεται προσπάθεια να ερευνηθούν συστηματικά οι στατιστικές ιδιότητες των βιολογικών δικτύων με στόχο να χαρακτηριστούν και να καθοριστούν τα ποικίλα δίκτυα από μία περιληπτική εκτίμηση των παραμέτρων τους. Πραγματοποιήθηκε μια συστηματική έρευνα από την βιβλιογραφία για να εντοπιστούν δημοσιευμένα δεδομένα για όλους τους τύπους βιολογικών δικτύων και ως επέκταση κάποιων μη βιολογικών όπως κοινωνικών δικτύων και δικτύων web. Τα δεδομένα κατηγοριοποιήθηκαν και για κάθε ένα ξεχωριστά υπολογίστηκαν οι τοπολογικές παράμετροι που τα χαρακτηρίζουν και ακολούθησε στατιστική ανάλυση όλων των δικτύων. Τα στατιστικά χαρακτηριστικά που υπολογίστηκαν και μπορούν να περιγράψουν ένα δίκτυο σύμφωνα με την ανάλυση είναι ο αριθμός των συνεκτικών συνιστωσών, η διάμετρος, ο αριθμός των πολλαπλών ακμών για ζεύγη κόμβων, ο αριθμός απομονωμένων κόμβων, η ακτίνα, ο αριθμός των ελεύθερων βρόγχων, το μήκος μονοπατιού, ο συντελεστής ομαδοποίησης, η πυκνότητα του δικτύου, η ενδιάμεση κεντρικότητα, πλησιέστερη κεντρικότητα, η κεντρικότητα τάσης, ο βαθμός κεντρικότητας, η τοπική συνεκτικότητα. Τα αποτελέσματα αναλύθηκαν χρησιμοποιώντας στατιστικές τεχνικές και πολυμεταβλητές μεθόδους ανάλυσης για να αποκαλύψουν τις σημαντικές παραμέτρους που είναι χαρακτηριστικές για κάθε κατηγορία δικτύων.","abstract_has_math":false,"creators":["Χαρίτου Θεοδοσία"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2013,"date_issued":"2013","date_published":"2013","updated_at":"2026-11-19T05:25:20Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1318259"],"render_values":[{"text":"uoadl:1318259","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1318259","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1318259","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%3A1318259","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Χαρίτου Θεοδοσία"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2013"]},{"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:1318259","https://pergamos.lib.uoa.gr/uoa/dl/object/1318259"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η θεωρία των γράφων και κατά επέκταση των δικτύων παίζει σπουδαίο ρόλο σε πολλούς κλάδους της επιστήμης όπως, την Πληροφορική, την Κοινωνιολογία, την Μηχανολογία, την Φυσική και την Μοριακή Βιολογία. Συγκεκριμένα στον τομέα της Βιολογίας οι εφαρμογές της ανάλυσης των δικτύων βοηθούν στην αναγνώριση φαρμάκων που στοχεύουν σε πρωτεΐνες, στην ανίχνευση πρωτεϊνικών συμπλόκων, στον καθορισμό της λειτουργίας μιας πρωτεΐνης ή ενός γονιδίου, στον σχεδιασμό θεραπείας κάποιας ασθένειας ή στην διάγνωσης της. Οι κύριες κατηγορίες των βιολογικών δικτύων που η Συστημική Βιολογία περιλαμβάνει είναι, τα δίκτυα πρωτεϊνικών αλληλεπιδράσεων, τα βιοχημικά-μεταβολικά δίκτυα, τα δίκτυα μεταγωγής σήματος, τα μεταγραφικά-ρυθμιστικά δίκτυα, τα δίκτυα ασθενειών καθώς επίσης και τα δίκτυα διατροφικών αλυσίδων. Κάθε δίκτυο προσφέρει ειδικά χαρακτηριστικά και τοπολογικές ιδιότητες. Σε αυτή την εργασία γίνεται προσπάθεια να ερευνηθούν συστηματικά οι στατιστικές ιδιότητες των βιολογικών δικτύων με στόχο να χαρακτηριστούν και να καθοριστούν τα ποικίλα δίκτυα από μία περιληπτική εκτίμηση των παραμέτρων τους. Πραγματοποιήθηκε μια συστηματική έρευνα από την βιβλιογραφία για να εντοπιστούν δημοσιευμένα δεδομένα για όλους τους τύπους βιολογικών δικτύων και ως επέκταση κάποιων μη βιολογικών όπως κοινωνικών δικτύων και δικτύων web. Τα δεδομένα κατηγοριοποιήθηκαν και για κάθε ένα ξεχωριστά υπολογίστηκαν οι τοπολογικές παράμετροι που τα χαρακτηρίζουν και ακολούθησε στατιστική ανάλυση όλων των δικτύων. Τα στατιστικά χαρακτηριστικά που υπολογίστηκαν και μπορούν να περιγράψουν ένα δίκτυο σύμφωνα με την ανάλυση είναι ο αριθμός των συνεκτικών συνιστωσών, η διάμετρος, ο αριθμός των πολλαπλών ακμών για ζεύγη κόμβων, ο αριθμός απομονωμένων κόμβων, η ακτίνα, ο αριθμός των ελεύθερων βρόγχων, το μήκος μονοπατιού, ο συντελεστής ομαδοποίησης, η πυκνότητα του δικτύου, η ενδιάμεση κεντρικότητα, πλησιέστερη κεντρικότητα, η κεντρικότητα τάσης, ο βαθμός κεντρικότητας, η τοπική συνεκτικότητα. Τα αποτελέσματα αναλύθηκαν χρησιμοποιώντας στατιστικές τεχνικές και πολυμεταβλητές μεθόδους ανάλυσης για να αποκαλύψουν τις σημαντικές παραμέτρους που είναι χαρακτηριστικές για κάθε κατηγορία δικτύων.","The theory of complex networks plays an important role in a wide variety of scientific disciplines, from computer science, sociology, engineering and physics, to molecular and population biology. In biology, potential applications of network analysis include for example drug target identification, detecting protein complexes, determining a protein’s or gene’s function, designing effective strategies for treating various diseases or providing early diagnosis of disorders. Protein-protein interaction networks, biochemical networks, transcriptional regulation networks, signal transduction, food web networks or metabolic networks are the highlighted network categories in systems biology often sharing similar characteristics and properties. In these work, we tried to perform a systematic investigation of the statistical properties of real biological networks with the aim at characterizing and discriminating the various networks by their summary estimates. We performed a systematic literature search in order to identify published datasets that report biological networks of various types. The data were collected and the networks were categorised in various classes. For each network we performed an analysis using the NetworkAnalyzer which is a Java plugin for Cytoscape, a software platform for the analysis and visualization of molecular interaction networks. Summary statistics that are sought to characterize a network such as the Clustering coefficient, the Network density, the Betweenness Centrality, the Closeness Centrality, the Stress Centrality, the Node Degree and the Neigborhood Connectivity were computed for each network along with its simpler parameters (number of nodes, number of edges etc). The resulting dataset was analysed using techniques from multivariate statistics (Principal Components Analysis – PCA). Cluster analysis and discriminant analysis was also used in order to identify whether the summary statistics suffice to predict the type of the network. The multivariate methods that were applied revealed important parameters that are characteristic for each specific type of biological network and they revealed that the type of the network can be reliably identified using as input only the summary statistics derived from a graph-theoretic analysis of the network."]},{"key":"dc:title","label":"Title","values":["Μεγάλης κλίμακας υπολογιστική ανάλυση βιολογικών δικτύων"]}]}],"canonical_facts":{"dc:creator":["Χαρίτου Θεοδοσία"],"dc:date":["2013"],"dc:description":["Η θεωρία των γράφων και κατά επέκταση των δικτύων παίζει σπουδαίο ρόλο σε πολλούς κλάδους της επιστήμης όπως, την Πληροφορική, την Κοινωνιολογία, την Μηχανολογία, την Φυσική και την Μοριακή Βιολογία. Συγκεκριμένα στον τομέα της Βιολογίας οι εφαρμογές της ανάλυσης των δικτύων βοηθούν στην αναγνώριση φαρμάκων που στοχεύουν σε πρωτεΐνες, στην ανίχνευση πρωτεϊνικών συμπλόκων, στον καθορισμό της λειτουργίας μιας πρωτεΐνης ή ενός γονιδίου, στον σχεδιασμό θεραπείας κάποιας ασθένειας ή στην διάγνωσης της. Οι κύριες κατηγορίες των βιολογικών δικτύων που η Συστημική Βιολογία περιλαμβάνει είναι, τα δίκτυα πρωτεϊνικών αλληλεπιδράσεων, τα βιοχημικά-μεταβολικά δίκτυα, τα δίκτυα μεταγωγής σήματος, τα μεταγραφικά-ρυθμιστικά δίκτυα, τα δίκτυα ασθενειών καθώς επίσης και τα δίκτυα διατροφικών αλυσίδων. Κάθε δίκτυο προσφέρει ειδικά χαρακτηριστικά και τοπολογικές ιδιότητες. Σε αυτή την εργασία γίνεται προσπάθεια να ερευνηθούν συστηματικά οι στατιστικές ιδιότητες των βιολογικών δικτύων με στόχο να χαρακτηριστούν και να καθοριστούν τα ποικίλα δίκτυα από μία περιληπτική εκτίμηση των παραμέτρων τους. Πραγματοποιήθηκε μια συστηματική έρευνα από την βιβλιογραφία για να εντοπιστούν δημοσιευμένα δεδομένα για όλους τους τύπους βιολογικών δικτύων και ως επέκταση κάποιων μη βιολογικών όπως κοινωνικών δικτύων και δικτύων web. Τα δεδομένα κατηγοριοποιήθηκαν και για κάθε ένα ξεχωριστά υπολογίστηκαν οι τοπολογικές παράμετροι που τα χαρακτηρίζουν και ακολούθησε στατιστική ανάλυση όλων των δικτύων. Τα στατιστικά χαρακτηριστικά που υπολογίστηκαν και μπορούν να περιγράψουν ένα δίκτυο σύμφωνα με την ανάλυση είναι ο αριθμός των συνεκτικών συνιστωσών, η διάμετρος, ο αριθμός των πολλαπλών ακμών για ζεύγη κόμβων, ο αριθμός απομονωμένων κόμβων, η ακτίνα, ο αριθμός των ελεύθερων βρόγχων, το μήκος μονοπατιού, ο συντελεστής ομαδοποίησης, η πυκνότητα του δικτύου, η ενδιάμεση κεντρικότητα, πλησιέστερη κεντρικότητα, η κεντρικότητα τάσης, ο βαθμός κεντρικότητας, η τοπική συνεκτικότητα. Τα αποτελέσματα αναλύθηκαν χρησιμοποιώντας στατιστικές τεχνικές και πολυμεταβλητές μεθόδους ανάλυσης για να αποκαλύψουν τις σημαντικές παραμέτρους που είναι χαρακτηριστικές για κάθε κατηγορία δικτύων.","The theory of complex networks plays an important role in a wide variety of scientific disciplines, from computer science, sociology, engineering and physics, to molecular and population biology. In biology, potential applications of network analysis include for example drug target identification, detecting protein complexes, determining a protein’s or gene’s function, designing effective strategies for treating various diseases or providing early diagnosis of disorders. Protein-protein interaction networks, biochemical networks, transcriptional regulation networks, signal transduction, food web networks or metabolic networks are the highlighted network categories in systems biology often sharing similar characteristics and properties. In these work, we tried to perform a systematic investigation of the statistical properties of real biological networks with the aim at characterizing and discriminating the various networks by their summary estimates. We performed a systematic literature search in order to identify published datasets that report biological networks of various types. The data were collected and the networks were categorised in various classes. For each network we performed an analysis using the NetworkAnalyzer which is a Java plugin for Cytoscape, a software platform for the analysis and visualization of molecular interaction networks. Summary statistics that are sought to characterize a network such as the Clustering coefficient, the Network density, the Betweenness Centrality, the Closeness Centrality, the Stress Centrality, the Node Degree and the Neigborhood Connectivity were computed for each network along with its simpler parameters (number of nodes, number of edges etc). The resulting dataset was analysed using techniques from multivariate statistics (Principal Components Analysis – PCA). Cluster analysis and discriminant analysis was also used in order to identify whether the summary statistics suffice to predict the type of the network. The multivariate methods that were applied revealed important parameters that are characteristic for each specific type of biological network and they revealed that the type of the network can be reliably identified using as input only the summary statistics derived from a graph-theoretic analysis of the network."],"dc:identifier":["uoadl:1318259","https://pergamos.lib.uoa.gr/uoa/dl/object/1318259"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Μεγάλης κλίμακας υπολογιστική ανάλυση βιολογικών δικτύων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:25:20Z"}