{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2779389"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2779389","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Βιοπληροφορικές προσεγγίσεις περί της αποσαφήνισης της καρκινογένεσης με την διαμεσολάβηση των long non-coding RNAs","abstract":"Η σύγχρονη επανάσταση στη γονιδιωματική και η έκρηξη στην παραγωγή υψηλής ποιότητας δεδομένων που αυτή έχει προκαλέσει, έχουν ανοίξει νέες συναρπαστικές ερευνητικές θεραπευτικές οδούς που σχετίζονται με την ερευνά για τον καρκίνο και άλλες γενετικές ασθένειες. Ταυτόχρονα, ο μεγάλος όγκος δεδομένων που παράγεται, δημιουργεί νέες προκλήσεις όσον αφορά τη διαχείριση και κυρίως, την ορθολογική τους εξόρυξη. Πέρα από τις νέες προκλήσεις, η σύγχρονη αφθονία των βιολογικών δεδομένων μπορούν να βοηθήσουν στην αναγνώριση νέων εξατομικευμένων γονιδιακών υπογράφων και ομάδων ασθενών που μοιράζονται παρόμοια μοριακά χαρακτηριστικά. Η χρήση αυτών των υπογράφων επιτρέπει στους ερευνητές να λαμβάνουν ακριβέστερες αποφάσεις σχετικά με την πρόγνωση, την πρόβλεψη και τις εξατομικευμένες θεραπείες του καρκίνου. Η σωστή απεικόνιση των γονιδιωματικών δεδομένων που αποτελούνται από πολυδιάστατα χαρακτηριστικά είναι ένα βασικό εργαλείο για την γονιδιωματική ανάλυση του καρκίνου, καθώς επιτρέπουν στον χρήστη να διερευνήσει οπτικά τα δεδομένα, να δημιουργήσει υποθέσεις και να παράγει την πληροφορία που απαιτείται για την μεταγενέστερη μείωση των διαστάσεων. Στην συγκεκριμένη εργασία, παρουσιάζουμε την εφαρμογή μιας νέας προσέγγισης για την απεικόνιση δεδομένων μέσω του αλγόριθμου t-Distributed Stochastic Neighbor Embedding (t-SNE). Το t-SNE είναι ένας αλγόριθμος - τεχνική που χρησιμοποιείται για την μείωση των διαστάσεων, ομαδοποιεί και οπτικοποιεί πολυδιάστατα δεδομένα, δίνοντας σε κάθε σημείο μια ορισμένη θέση σε έναν δισδιάστατο ή τρισδιάστατο χάρτη μειώνοντας την τάση τους να συγκεντρώνονται στο κέντρο του. Εφαρμόσαμε τον αλγόριθμο σε έναν ολοκληρωμένο σύνολο δεδομένων γονιδιακής έκφρασης, χρησιμοποιώντας 3012 δείγματα από πέντε διαφορετικούς τύπους καρκίνου, που προέρχονται από τον Άτλα του Γονιδιώματος του Καρκίνου (TCGA). Πραγματοποιήσαμε διαφορά υπολογιστικά πειράματα για την τελειοποίηση του αλγόριθμου με διαφορετικά σύνολα δεδομένων (π.χ. γονίδια που κωδικοποιούν πρωτεΐνες, lncRNAs). Τελικά, διαπιστώσαμε ότι εφαρμογή του t-SNE στα lncRNAs βελτιώνει τη συνολική ομαδοποίηση μεταξύ των πέντε διαφορετικών τύπων καρκίνου που χρησιμοποιήθηκαν. Αυτό το αποτέλεσμα, υπογραμμίζει την πιθανή αξία αυτών των μορίων ως πιθανούς προγνωστικούς, διαγνωστικούς και θεραπευτικούς στόχους.","abstract_html":"Η σύγχρονη επανάσταση στη γονιδιωματική και η έκρηξη στην παραγωγή υψηλής ποιότητας δεδομένων που αυτή έχει προκαλέσει, έχουν ανοίξει νέες συναρπαστικές ερευνητικές θεραπευτικές οδούς που σχετίζονται με την ερευνά για τον καρκίνο και άλλες γενετικές ασθένειες. Ταυτόχρονα, ο μεγάλος όγκος δεδομένων που παράγεται, δημιουργεί νέες προκλήσεις όσον αφορά τη διαχείριση και κυρίως, την ορθολογική τους εξόρυξη. Πέρα από τις νέες προκλήσεις, η σύγχρονη αφθονία των βιολογικών δεδομένων μπορούν να βοηθήσουν στην αναγνώριση νέων εξατομικευμένων γονιδιακών υπογράφων και ομάδων ασθενών που μοιράζονται παρόμοια μοριακά χαρακτηριστικά. Η χρήση αυτών των υπογράφων επιτρέπει στους ερευνητές να λαμβάνουν ακριβέστερες αποφάσεις σχετικά με την πρόγνωση, την πρόβλεψη και τις εξατομικευμένες θεραπείες του καρκίνου. Η σωστή απεικόνιση των γονιδιωματικών δεδομένων που αποτελούνται από πολυδιάστατα χαρακτηριστικά είναι ένα βασικό εργαλείο για την γονιδιωματική ανάλυση του καρκίνου, καθώς επιτρέπουν στον χρήστη να διερευνήσει οπτικά τα δεδομένα, να δημιουργήσει υποθέσεις και να παράγει την πληροφορία που απαιτείται για την μεταγενέστερη μείωση των διαστάσεων. Στην συγκεκριμένη εργασία, παρουσιάζουμε την εφαρμογή μιας νέας προσέγγισης για την απεικόνιση δεδομένων μέσω του αλγόριθμου t-Distributed Stochastic Neighbor Embedding (t-SNE). Το t-SNE είναι ένας αλγόριθμος - τεχνική που χρησιμοποιείται για την μείωση των διαστάσεων, ομαδοποιεί και οπτικοποιεί πολυδιάστατα δεδομένα, δίνοντας σε κάθε σημείο μια ορισμένη θέση σε έναν δισδιάστατο ή τρισδιάστατο χάρτη μειώνοντας την τάση τους να συγκεντρώνονται στο κέντρο του. Εφαρμόσαμε τον αλγόριθμο σε έναν ολοκληρωμένο σύνολο δεδομένων γονιδιακής έκφρασης, χρησιμοποιώντας 3012 δείγματα από πέντε διαφορετικούς τύπους καρκίνου, που προέρχονται από τον Άτλα του Γονιδιώματος του Καρκίνου (TCGA). Πραγματοποιήσαμε διαφορά υπολογιστικά πειράματα για την τελειοποίηση του αλγόριθμου με διαφορετικά σύνολα δεδομένων (π.χ. γονίδια που κωδικοποιούν πρωτεΐνες, lncRNAs). Τελικά, διαπιστώσαμε ότι εφαρμογή του t-SNE στα lncRNAs βελτιώνει τη συνολική ομαδοποίηση μεταξύ των πέντε διαφορετικών τύπων καρκίνου που χρησιμοποιήθηκαν. Αυτό το αποτέλεσμα, υπογραμμίζει την πιθανή αξία αυτών των μορίων ως πιθανούς προγνωστικούς, διαγνωστικούς και θεραπευτικούς στόχους.","abstract_has_math":false,"creators":["Μαρκοπούλου Καλλιόπη","Markopoulou Kalliopi"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2018,"date_issued":"2018","date_published":"2018","updated_at":"2026-11-19T05:31:57Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2779389"],"render_values":[{"text":"uoadl:2779389","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2779389","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2779389","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%3A2779389","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μαρκοπούλου Καλλιόπη","Markopoulou Kalliopi"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2018"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"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:2779389","https://pergamos.lib.uoa.gr/uoa/dl/object/2779389"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η σύγχρονη επανάσταση στη γονιδιωματική και η έκρηξη στην παραγωγή υψηλής ποιότητας δεδομένων που αυτή έχει προκαλέσει, έχουν ανοίξει νέες συναρπαστικές ερευνητικές θεραπευτικές οδούς που σχετίζονται με την ερευνά για τον καρκίνο και άλλες γενετικές ασθένειες. Ταυτόχρονα, ο μεγάλος όγκος δεδομένων που παράγεται, δημιουργεί νέες προκλήσεις όσον αφορά τη διαχείριση και κυρίως, την ορθολογική τους εξόρυξη. Πέρα από τις νέες προκλήσεις, η σύγχρονη αφθονία των βιολογικών δεδομένων μπορούν να βοηθήσουν στην αναγνώριση νέων εξατομικευμένων γονιδιακών υπογράφων και ομάδων ασθενών που μοιράζονται παρόμοια μοριακά χαρακτηριστικά. Η χρήση αυτών των υπογράφων επιτρέπει στους ερευνητές να λαμβάνουν ακριβέστερες αποφάσεις σχετικά με την πρόγνωση, την πρόβλεψη και τις εξατομικευμένες θεραπείες του καρκίνου. Η σωστή απεικόνιση των γονιδιωματικών δεδομένων που αποτελούνται από πολυδιάστατα χαρακτηριστικά είναι ένα βασικό εργαλείο για την γονιδιωματική ανάλυση του καρκίνου, καθώς επιτρέπουν στον χρήστη να διερευνήσει οπτικά τα δεδομένα, να δημιουργήσει υποθέσεις και να παράγει την πληροφορία που απαιτείται για την μεταγενέστερη μείωση των διαστάσεων. Στην συγκεκριμένη εργασία, παρουσιάζουμε την εφαρμογή μιας νέας προσέγγισης για την απεικόνιση δεδομένων μέσω του αλγόριθμου t-Distributed Stochastic Neighbor Embedding (t-SNE). Το t-SNE είναι ένας αλγόριθμος - τεχνική που χρησιμοποιείται για την μείωση των διαστάσεων, ομαδοποιεί και οπτικοποιεί πολυδιάστατα δεδομένα, δίνοντας σε κάθε σημείο μια ορισμένη θέση σε έναν δισδιάστατο ή τρισδιάστατο χάρτη μειώνοντας την τάση τους να συγκεντρώνονται στο κέντρο του. Εφαρμόσαμε τον αλγόριθμο σε έναν ολοκληρωμένο σύνολο δεδομένων γονιδιακής έκφρασης, χρησιμοποιώντας 3012 δείγματα από πέντε διαφορετικούς τύπους καρκίνου, που προέρχονται από τον Άτλα του Γονιδιώματος του Καρκίνου (TCGA). Πραγματοποιήσαμε διαφορά υπολογιστικά πειράματα για την τελειοποίηση του αλγόριθμου με διαφορετικά σύνολα δεδομένων (π.χ. γονίδια που κωδικοποιούν πρωτεΐνες, lncRNAs). Τελικά, διαπιστώσαμε ότι εφαρμογή του t-SNE στα lncRNAs βελτιώνει τη συνολική ομαδοποίηση μεταξύ των πέντε διαφορετικών τύπων καρκίνου που χρησιμοποιήθηκαν. Αυτό το αποτέλεσμα, υπογραμμίζει την πιθανή αξία αυτών των μορίων ως πιθανούς προγνωστικούς, διαγνωστικούς και θεραπευτικούς στόχους.","The emerging revolution in genomics and the explosion in high-quality data generation have opened an exciting new research and therapeutic avenues for cancer research. At the same time, the massive data volumes produced pose new challenges regarding data management and, most importantly, rational data mining. The newly-generated vast data streams can help identify novel, personalized gene signatures, and groups of patients that share similar molecular characteristics. The use of these signatures allows researchers to make more informed decisions on prognostic, predictive, and personalized treatments of cancer. The proper visualization of ultrahigh-dimensional genomic data is an essential tool for cancer genomic analysis, as it allows advanced data exploration, the generation of hypotheses, and provides input regarding informative system variables for subsequent dimensionality reduction. In the present work, we present the application of a new approach for visualizing data with the t-Distributed Stochastic Neighbor Embedding (t-SNE) algorithm. t-SNE, a technique used for dimensionality reduction, clusters and visualizes high-dimensional data by giving each data point a location in a two or three-dimensional map by reducing the tendency to crowd points together in the center of the map. We applied t-SNE in an integrated gene expression dataset from 3102 samples across five cancer types, derived from The Cancer Genome Atlas (TCGA) consortium. We performed several computational experiments to fine-tune t-SNE with different gene sets (protein-coding genes, lincRNAs). We find that applying t-SNE to lincRNAs improves the overall clustering among the five tested cancer datasets, highlighting the potential value of these molecules as potential prognostic, diagnostic and therapeutic targets."]},{"key":"dc:title","label":"Title","values":["Βιοπληροφορικές προσεγγίσεις περί της αποσαφήνισης της καρκινογένεσης με την διαμεσολάβηση των long non-coding RNAs"]}]}],"canonical_facts":{"dc:creator":["Μαρκοπούλου Καλλιόπη","Markopoulou Kalliopi"],"dc:date":["2018"],"dc:description":["Η σύγχρονη επανάσταση στη γονιδιωματική και η έκρηξη στην παραγωγή υψηλής ποιότητας δεδομένων που αυτή έχει προκαλέσει, έχουν ανοίξει νέες συναρπαστικές ερευνητικές θεραπευτικές οδούς που σχετίζονται με την ερευνά για τον καρκίνο και άλλες γενετικές ασθένειες. Ταυτόχρονα, ο μεγάλος όγκος δεδομένων που παράγεται, δημιουργεί νέες προκλήσεις όσον αφορά τη διαχείριση και κυρίως, την ορθολογική τους εξόρυξη. Πέρα από τις νέες προκλήσεις, η σύγχρονη αφθονία των βιολογικών δεδομένων μπορούν να βοηθήσουν στην αναγνώριση νέων εξατομικευμένων γονιδιακών υπογράφων και ομάδων ασθενών που μοιράζονται παρόμοια μοριακά χαρακτηριστικά. Η χρήση αυτών των υπογράφων επιτρέπει στους ερευνητές να λαμβάνουν ακριβέστερες αποφάσεις σχετικά με την πρόγνωση, την πρόβλεψη και τις εξατομικευμένες θεραπείες του καρκίνου. Η σωστή απεικόνιση των γονιδιωματικών δεδομένων που αποτελούνται από πολυδιάστατα χαρακτηριστικά είναι ένα βασικό εργαλείο για την γονιδιωματική ανάλυση του καρκίνου, καθώς επιτρέπουν στον χρήστη να διερευνήσει οπτικά τα δεδομένα, να δημιουργήσει υποθέσεις και να παράγει την πληροφορία που απαιτείται για την μεταγενέστερη μείωση των διαστάσεων. Στην συγκεκριμένη εργασία, παρουσιάζουμε την εφαρμογή μιας νέας προσέγγισης για την απεικόνιση δεδομένων μέσω του αλγόριθμου t-Distributed Stochastic Neighbor Embedding (t-SNE). Το t-SNE είναι ένας αλγόριθμος - τεχνική που χρησιμοποιείται για την μείωση των διαστάσεων, ομαδοποιεί και οπτικοποιεί πολυδιάστατα δεδομένα, δίνοντας σε κάθε σημείο μια ορισμένη θέση σε έναν δισδιάστατο ή τρισδιάστατο χάρτη μειώνοντας την τάση τους να συγκεντρώνονται στο κέντρο του. Εφαρμόσαμε τον αλγόριθμο σε έναν ολοκληρωμένο σύνολο δεδομένων γονιδιακής έκφρασης, χρησιμοποιώντας 3012 δείγματα από πέντε διαφορετικούς τύπους καρκίνου, που προέρχονται από τον Άτλα του Γονιδιώματος του Καρκίνου (TCGA). Πραγματοποιήσαμε διαφορά υπολογιστικά πειράματα για την τελειοποίηση του αλγόριθμου με διαφορετικά σύνολα δεδομένων (π.χ. γονίδια που κωδικοποιούν πρωτεΐνες, lncRNAs). Τελικά, διαπιστώσαμε ότι εφαρμογή του t-SNE στα lncRNAs βελτιώνει τη συνολική ομαδοποίηση μεταξύ των πέντε διαφορετικών τύπων καρκίνου που χρησιμοποιήθηκαν. Αυτό το αποτέλεσμα, υπογραμμίζει την πιθανή αξία αυτών των μορίων ως πιθανούς προγνωστικούς, διαγνωστικούς και θεραπευτικούς στόχους.","The emerging revolution in genomics and the explosion in high-quality data generation have opened an exciting new research and therapeutic avenues for cancer research. At the same time, the massive data volumes produced pose new challenges regarding data management and, most importantly, rational data mining. The newly-generated vast data streams can help identify novel, personalized gene signatures, and groups of patients that share similar molecular characteristics. The use of these signatures allows researchers to make more informed decisions on prognostic, predictive, and personalized treatments of cancer. The proper visualization of ultrahigh-dimensional genomic data is an essential tool for cancer genomic analysis, as it allows advanced data exploration, the generation of hypotheses, and provides input regarding informative system variables for subsequent dimensionality reduction. In the present work, we present the application of a new approach for visualizing data with the t-Distributed Stochastic Neighbor Embedding (t-SNE) algorithm. t-SNE, a technique used for dimensionality reduction, clusters and visualizes high-dimensional data by giving each data point a location in a two or three-dimensional map by reducing the tendency to crowd points together in the center of the map. We applied t-SNE in an integrated gene expression dataset from 3102 samples across five cancer types, derived from The Cancer Genome Atlas (TCGA) consortium. We performed several computational experiments to fine-tune t-SNE with different gene sets (protein-coding genes, lincRNAs). We find that applying t-SNE to lincRNAs improves the overall clustering among the five tested cancer datasets, highlighting the potential value of these molecules as potential prognostic, diagnostic and therapeutic targets."],"dc:identifier":["uoadl:2779389","https://pergamos.lib.uoa.gr/uoa/dl/object/2779389"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Βιοπληροφορικές προσεγγίσεις περί της αποσαφήνισης της καρκινογένεσης με την διαμεσολάβηση των long non-coding RNAs"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:31:57Z"}