{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2838694"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2838694","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 ομικών δεδομένων με σκοπό τη μελέτη και την ερμηνεία διαφορετικών αναπαραστάσεων ολοκληρωμένων δικτύων (Ιntegrated Networks)","abstract":"Στους τομείς της Συστημικής Βιολογίας και της Βιοπληροφορικής, μία από τα μεγαλύτερες σύγχρονες προκλήσεις στην ανάπτυξη υπολογιστικών εξατομικευμένων προσεγγίσεων σύνθετων ασθενειών είναι ο τρόπος με τον οποίο μπορούν να εξαχθούν, να συνδυαστούν και να αναπαρασταθούν με τον βέλτιστο τρόπο σύνολα multi- omics και κλινικών δεδομένων από δείγματα ασθενών. Απώτερος σκοπός της παρούσας εργασίας ήταν η ανάδειξη της βελτιωμέ- νης απόδοσης που μπορεί να προσφέρουν σε ένα μοντέλο πρόγνωσης αναπα- ραστάσεις υψηλότερης πολυπλοκότητας όπως είναι η τοπολογία ενός ολο- κληρωμένου/ διασυνδεδεμένου δικτύου το οποίο συνδυάζει -omics δεδομένα πολλαπλών κυτταρικών επιπέδων σε σύγκριση με χαμηλότερης πολυπλοκό- τητας αναπαραστάσεις όπως είναι το διάνυσμα χαρακτηριστικών. Συγκεκριμένα, στην παρούσα εργασία πραγματοποιήθηκε εξόρυξη -omics δεδομένων από την τράπεζα δεδομένων Genomic Data Commons από 412 ασθενείς που πάσχουν από μυοδιηθητικό ουροθηλιακό καρκίνωμα της ουρο- δόχου κύστης. Τα δεδομένα που συγκεντρώθηκαν αφορούν επίπεδα έκφρασης γονιδίων και miRNA (microRNA) καθώς και εκτίμηση επιπέδων μεθυλίωσης περιοχών του γονιδιώματος από δείγματα τα οποία έχουν ληφθεί τόσο από τον πρωτογενή όγκο όσο και από φυσιολογικό ιστό του ιδίου οργάνου. Σε αυτό το πλαίσιο, καταφέραμε να κατασκευάσουμε ένα βελ- τιστοποιημένο αλγόριθμο εξόρυξης και επεξεργασίας της επιθυμητής βιολο- γικής πληροφορίας από 1250 αρχεία και 435 δείγματα, με απώτερο σκοπό τη πολλαπλή αναπαράσταση των δεδομένων με τη μορφή διανύσματος χαρα- κτηριστικών, δικτύου και τοπολογικού διανύσματος χαρακτηριστικών. Για την εκτίμηση της βελτίωσης της απόδοσης που μπορεί να προσφέρει κάθε ανα- παράσταση πραγματοποιήθηκαν διερευνητικές αναλύσεις και πειράματα in silico που πραγματεύονται προβλήματα ταξινόμησης. Επιλέγοντας τα πιο δια- φοροποιημένα χαρακτηριστικά πραγματοποιήθηκε κατασκευή του ολο- κληρωμένου δικτύου για το μυοδιηθητικό καρκίνωμα της ουροδόχου κύστης. Στη συνέχεια, σχεδιάσαμε και κατασκευάσαμε την εξατομικευμένη αναπαρά- σταση ενός ασθενούς αυτή τη φορά με τη μορφή δικτύου. Συμπερασματικά, η διανυσματική αναπαράσταση προσφέρει βέλτιστα αποτελέσματα στο πρό- βλημα ταξινόμησης κατηγορίας δειγμάτων, χρησιμοποιώντας τον αλγόριθμο του k- κοντινότερου γείτονα και των δέντρων απόφασης. Η τοπολογική ανα- παράσταση προσφέρει καλύτερη απόδοση στο μοντέλο ταξινόμησης των στα- δίων καρκίνου (tumor stage) σε σχέση με την διανυσματική, χρησιμοποιώντας τον αλγόριθμο του k- κοντινότερου γείτονα.","abstract_html":"Στους τομείς της Συστημικής Βιολογίας και της Βιοπληροφορικής, μία από τα μεγαλύτερες σύγχρονες προκλήσεις στην ανάπτυξη υπολογιστικών εξατομικευμένων προσεγγίσεων σύνθετων ασθενειών είναι ο τρόπος με τον οποίο μπορούν να εξαχθούν, να συνδυαστούν και να αναπαρασταθούν με τον βέλτιστο τρόπο σύνολα multi- omics και κλινικών δεδομένων από δείγματα ασθενών. Απώτερος σκοπός της παρούσας εργασίας ήταν η ανάδειξη της βελτιωμέ- νης απόδοσης που μπορεί να προσφέρουν σε ένα μοντέλο πρόγνωσης αναπα- ραστάσεις υψηλότερης πολυπλοκότητας όπως είναι η τοπολογία ενός ολο- κληρωμένου/ διασυνδεδεμένου δικτύου το οποίο συνδυάζει -omics δεδομένα πολλαπλών κυτταρικών επιπέδων σε σύγκριση με χαμηλότερης πολυπλοκό- τητας αναπαραστάσεις όπως είναι το διάνυσμα χαρακτηριστικών. Συγκεκριμένα, στην παρούσα εργασία πραγματοποιήθηκε εξόρυξη -omics δεδομένων από την τράπεζα δεδομένων Genomic Data Commons από 412 ασθενείς που πάσχουν από μυοδιηθητικό ουροθηλιακό καρκίνωμα της ουρο- δόχου κύστης. Τα δεδομένα που συγκεντρώθηκαν αφορούν επίπεδα έκφρασης γονιδίων και miRNA (microRNA) καθώς και εκτίμηση επιπέδων μεθυλίωσης περιοχών του γονιδιώματος από δείγματα τα οποία έχουν ληφθεί τόσο από τον πρωτογενή όγκο όσο και από φυσιολογικό ιστό του ιδίου οργάνου. Σε αυτό το πλαίσιο, καταφέραμε να κατασκευάσουμε ένα βελ- τιστοποιημένο αλγόριθμο εξόρυξης και επεξεργασίας της επιθυμητής βιολο- γικής πληροφορίας από 1250 αρχεία και 435 δείγματα, με απώτερο σκοπό τη πολλαπλή αναπαράσταση των δεδομένων με τη μορφή διανύσματος χαρα- κτηριστικών, δικτύου και τοπολογικού διανύσματος χαρακτηριστικών. Για την εκτίμηση της βελτίωσης της απόδοσης που μπορεί να προσφέρει κάθε ανα- παράσταση πραγματοποιήθηκαν διερευνητικές αναλύσεις και πειράματα in silico που πραγματεύονται προβλήματα ταξινόμησης. Επιλέγοντας τα πιο δια- φοροποιημένα χαρακτηριστικά πραγματοποιήθηκε κατασκευή του ολο- κληρωμένου δικτύου για το μυοδιηθητικό καρκίνωμα της ουροδόχου κύστης. Στη συνέχεια, σχεδιάσαμε και κατασκευάσαμε την εξατομικευμένη αναπαρά- σταση ενός ασθενούς αυτή τη φορά με τη μορφή δικτύου. Συμπερασματικά, η διανυσματική αναπαράσταση προσφέρει βέλτιστα αποτελέσματα στο πρό- βλημα ταξινόμησης κατηγορίας δειγμάτων, χρησιμοποιώντας τον αλγόριθμο του k- κοντινότερου γείτονα και των δέντρων απόφασης. Η τοπολογική ανα- παράσταση προσφέρει καλύτερη απόδοση στο μοντέλο ταξινόμησης των στα- δίων καρκίνου (tumor stage) σε σχέση με την διανυσματική, χρησιμοποιώντας τον αλγόριθμο του k- κοντινότερου γείτονα.","abstract_has_math":false,"creators":["Βασιλοπούλου Χριστίνα","Vasilopoulou Christina"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2019,"date_issued":"2019","date_published":"2019","updated_at":"2026-11-19T05:33:24Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2838694"],"render_values":[{"text":"uoadl:2838694","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2838694","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2838694","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%3A2838694","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Βασιλοπούλου Χριστίνα","Vasilopoulou Christina"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2019"]},{"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:2838694","https://pergamos.lib.uoa.gr/uoa/dl/object/2838694"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στους τομείς της Συστημικής Βιολογίας και της Βιοπληροφορικής, μία από τα μεγαλύτερες σύγχρονες προκλήσεις στην ανάπτυξη υπολογιστικών εξατομικευμένων προσεγγίσεων σύνθετων ασθενειών είναι ο τρόπος με τον οποίο μπορούν να εξαχθούν, να συνδυαστούν και να αναπαρασταθούν με τον βέλτιστο τρόπο σύνολα multi- omics και κλινικών δεδομένων από δείγματα ασθενών. Απώτερος σκοπός της παρούσας εργασίας ήταν η ανάδειξη της βελτιωμέ- νης απόδοσης που μπορεί να προσφέρουν σε ένα μοντέλο πρόγνωσης αναπα- ραστάσεις υψηλότερης πολυπλοκότητας όπως είναι η τοπολογία ενός ολο- κληρωμένου/ διασυνδεδεμένου δικτύου το οποίο συνδυάζει -omics δεδομένα πολλαπλών κυτταρικών επιπέδων σε σύγκριση με χαμηλότερης πολυπλοκό- τητας αναπαραστάσεις όπως είναι το διάνυσμα χαρακτηριστικών. Συγκεκριμένα, στην παρούσα εργασία πραγματοποιήθηκε εξόρυξη -omics δεδομένων από την τράπεζα δεδομένων Genomic Data Commons από 412 ασθενείς που πάσχουν από μυοδιηθητικό ουροθηλιακό καρκίνωμα της ουρο- δόχου κύστης. Τα δεδομένα που συγκεντρώθηκαν αφορούν επίπεδα έκφρασης γονιδίων και miRNA (microRNA) καθώς και εκτίμηση επιπέδων μεθυλίωσης περιοχών του γονιδιώματος από δείγματα τα οποία έχουν ληφθεί τόσο από τον πρωτογενή όγκο όσο και από φυσιολογικό ιστό του ιδίου οργάνου. Σε αυτό το πλαίσιο, καταφέραμε να κατασκευάσουμε ένα βελ- τιστοποιημένο αλγόριθμο εξόρυξης και επεξεργασίας της επιθυμητής βιολο- γικής πληροφορίας από 1250 αρχεία και 435 δείγματα, με απώτερο σκοπό τη πολλαπλή αναπαράσταση των δεδομένων με τη μορφή διανύσματος χαρα- κτηριστικών, δικτύου και τοπολογικού διανύσματος χαρακτηριστικών. Για την εκτίμηση της βελτίωσης της απόδοσης που μπορεί να προσφέρει κάθε ανα- παράσταση πραγματοποιήθηκαν διερευνητικές αναλύσεις και πειράματα in silico που πραγματεύονται προβλήματα ταξινόμησης. Επιλέγοντας τα πιο δια- φοροποιημένα χαρακτηριστικά πραγματοποιήθηκε κατασκευή του ολο- κληρωμένου δικτύου για το μυοδιηθητικό καρκίνωμα της ουροδόχου κύστης. Στη συνέχεια, σχεδιάσαμε και κατασκευάσαμε την εξατομικευμένη αναπαρά- σταση ενός ασθενούς αυτή τη φορά με τη μορφή δικτύου. Συμπερασματικά, η διανυσματική αναπαράσταση προσφέρει βέλτιστα αποτελέσματα στο πρό- βλημα ταξινόμησης κατηγορίας δειγμάτων, χρησιμοποιώντας τον αλγόριθμο του k- κοντινότερου γείτονα και των δέντρων απόφασης. Η τοπολογική ανα- παράσταση προσφέρει καλύτερη απόδοση στο μοντέλο ταξινόμησης των στα- δίων καρκίνου (tumor stage) σε σχέση με την διανυσματική, χρησιμοποιώντας τον αλγόριθμο του k- κοντινότερου γείτονα.","One of the greatest modern challenges in the fields of Systemic Biology and Bioinformatics is the development of personalized computational approaches in complex diseases that are able to extract, combine and represent multi-omics and clinical data from samples of patients, in an optimal way. The ultimate goal of this work was to highlight the potentially improved performance of a prediction model that employ higher complexity representations such as the topology vector of a multi-omics integrated network, compared to lower complexity representations such as a feature vector. Specifically, in the present study, we performed data mining from the Genomic Data Commons database of 412 patients that suffer from muscle-invasive bladder urothelial carcinoma. The final dataset comprises of gene and miRNA (microRNA) expression data as well as DNA methylation data, extracted from both primary tumor and normal tissue samples. In this context, we succeeded in constructing an optimized algorithm for mining and processing the desired biological information from a total of 1250 files and 435 samples, as well as constructing multiple representations of the data in the form of a feature vector, network and topology vector. In addition, the reconstruction of the integrated network for the bladder urothelial carcinoma was carried out, selecting only the most differentiated features of all patients. We then designed and built a personalized network representation of each patient. Exploratory analyses and in silico experiments dealing with classification problems have been performed in order to investigate the performance of each representation. In conclusion, the feature vector representation provides optimal results for the sample class classification problem, using both the k-nearest neighbor and the decision tree algorithms. Topological representation provides better performance than the feature vector in the tumor stage classification task using the k-nearest neighbor algorithm."]},{"key":"dc:title","label":"Title","values":["Αξιοποίηση ομικών δεδομένων με σκοπό τη μελέτη και την ερμηνεία διαφορετικών αναπαραστάσεων ολοκληρωμένων δικτύων (Ιntegrated Networks)"]}]}],"canonical_facts":{"dc:creator":["Βασιλοπούλου Χριστίνα","Vasilopoulou Christina"],"dc:date":["2019"],"dc:description":["Στους τομείς της Συστημικής Βιολογίας και της Βιοπληροφορικής, μία από τα μεγαλύτερες σύγχρονες προκλήσεις στην ανάπτυξη υπολογιστικών εξατομικευμένων προσεγγίσεων σύνθετων ασθενειών είναι ο τρόπος με τον οποίο μπορούν να εξαχθούν, να συνδυαστούν και να αναπαρασταθούν με τον βέλτιστο τρόπο σύνολα multi- omics και κλινικών δεδομένων από δείγματα ασθενών. Απώτερος σκοπός της παρούσας εργασίας ήταν η ανάδειξη της βελτιωμέ- νης απόδοσης που μπορεί να προσφέρουν σε ένα μοντέλο πρόγνωσης αναπα- ραστάσεις υψηλότερης πολυπλοκότητας όπως είναι η τοπολογία ενός ολο- κληρωμένου/ διασυνδεδεμένου δικτύου το οποίο συνδυάζει -omics δεδομένα πολλαπλών κυτταρικών επιπέδων σε σύγκριση με χαμηλότερης πολυπλοκό- τητας αναπαραστάσεις όπως είναι το διάνυσμα χαρακτηριστικών. Συγκεκριμένα, στην παρούσα εργασία πραγματοποιήθηκε εξόρυξη -omics δεδομένων από την τράπεζα δεδομένων Genomic Data Commons από 412 ασθενείς που πάσχουν από μυοδιηθητικό ουροθηλιακό καρκίνωμα της ουρο- δόχου κύστης. Τα δεδομένα που συγκεντρώθηκαν αφορούν επίπεδα έκφρασης γονιδίων και miRNA (microRNA) καθώς και εκτίμηση επιπέδων μεθυλίωσης περιοχών του γονιδιώματος από δείγματα τα οποία έχουν ληφθεί τόσο από τον πρωτογενή όγκο όσο και από φυσιολογικό ιστό του ιδίου οργάνου. Σε αυτό το πλαίσιο, καταφέραμε να κατασκευάσουμε ένα βελ- τιστοποιημένο αλγόριθμο εξόρυξης και επεξεργασίας της επιθυμητής βιολο- γικής πληροφορίας από 1250 αρχεία και 435 δείγματα, με απώτερο σκοπό τη πολλαπλή αναπαράσταση των δεδομένων με τη μορφή διανύσματος χαρα- κτηριστικών, δικτύου και τοπολογικού διανύσματος χαρακτηριστικών. Για την εκτίμηση της βελτίωσης της απόδοσης που μπορεί να προσφέρει κάθε ανα- παράσταση πραγματοποιήθηκαν διερευνητικές αναλύσεις και πειράματα in silico που πραγματεύονται προβλήματα ταξινόμησης. Επιλέγοντας τα πιο δια- φοροποιημένα χαρακτηριστικά πραγματοποιήθηκε κατασκευή του ολο- κληρωμένου δικτύου για το μυοδιηθητικό καρκίνωμα της ουροδόχου κύστης. Στη συνέχεια, σχεδιάσαμε και κατασκευάσαμε την εξατομικευμένη αναπαρά- σταση ενός ασθενούς αυτή τη φορά με τη μορφή δικτύου. Συμπερασματικά, η διανυσματική αναπαράσταση προσφέρει βέλτιστα αποτελέσματα στο πρό- βλημα ταξινόμησης κατηγορίας δειγμάτων, χρησιμοποιώντας τον αλγόριθμο του k- κοντινότερου γείτονα και των δέντρων απόφασης. Η τοπολογική ανα- παράσταση προσφέρει καλύτερη απόδοση στο μοντέλο ταξινόμησης των στα- δίων καρκίνου (tumor stage) σε σχέση με την διανυσματική, χρησιμοποιώντας τον αλγόριθμο του k- κοντινότερου γείτονα.","One of the greatest modern challenges in the fields of Systemic Biology and Bioinformatics is the development of personalized computational approaches in complex diseases that are able to extract, combine and represent multi-omics and clinical data from samples of patients, in an optimal way. The ultimate goal of this work was to highlight the potentially improved performance of a prediction model that employ higher complexity representations such as the topology vector of a multi-omics integrated network, compared to lower complexity representations such as a feature vector. Specifically, in the present study, we performed data mining from the Genomic Data Commons database of 412 patients that suffer from muscle-invasive bladder urothelial carcinoma. The final dataset comprises of gene and miRNA (microRNA) expression data as well as DNA methylation data, extracted from both primary tumor and normal tissue samples. In this context, we succeeded in constructing an optimized algorithm for mining and processing the desired biological information from a total of 1250 files and 435 samples, as well as constructing multiple representations of the data in the form of a feature vector, network and topology vector. In addition, the reconstruction of the integrated network for the bladder urothelial carcinoma was carried out, selecting only the most differentiated features of all patients. We then designed and built a personalized network representation of each patient. Exploratory analyses and in silico experiments dealing with classification problems have been performed in order to investigate the performance of each representation. In conclusion, the feature vector representation provides optimal results for the sample class classification problem, using both the k-nearest neighbor and the decision tree algorithms. Topological representation provides better performance than the feature vector in the tumor stage classification task using the k-nearest neighbor algorithm."],"dc:identifier":["uoadl:2838694","https://pergamos.lib.uoa.gr/uoa/dl/object/2838694"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Αξιοποίηση ομικών δεδομένων με σκοπό τη μελέτη και την ερμηνεία διαφορετικών αναπαραστάσεων ολοκληρωμένων δικτύων (Ιntegrated Networks)"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:33:24Z"}