{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2865306"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2865306","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"A method for identifying TSS from CAGE data using a Genomic Signal Processing approach","abstract":"Η επεξεργασία σήματος σε επίπεδο γονιδιώματος μπορεί να λύσει διάφορα βιολογικά προβλήματα με χαμηλό υπολογιστικό κόστος. Υπάρχουν πολλοί μαθηματικοί αλγόριθμοι οι οποίοι χρησιμοποιούνται κυρίως για την αναγνώριση των γονιδίων και τη σύγκριση μεταξύ ακολουθιών, χρησιμοποιώντας αρκετές αναπαραστάσεις του DNA που δεν εξελίχθηκαν λόγω έλλειψης αποτελεσματικότητας. Η γνώση της ακριβούς θέσης των θέσεων έναρξης μεταγραφής (TSS), εκεί δηλαδή όπου ξεκινά η μεταγραφή στο 5'- άκρο μιας αλληλουχίας γονιδίου σε ένα RNA μόριο, είναι απαραίτητη για την αναγνώριση των ρυθμιστικών περιοχών που το επηρεάζουν. Στη βιβλιογραφία έχουν αναφερθεί πολλές προσεγγίσεις σχετικά με τον εντοπισμό των θέσεων έναρξης της μεταγραφής. Αυτή η μελέτη παρουσιάζει μια νέα μέθοδο για την αναγνώριση των θέσεων έναρξης μεταγραφής (TSS) από τα δεδομένα CAGE (Cap Analysis of Gene Expression) και την εφαρμογή χαρακτηριστικών και τεχνικών δανεισμένων από την επεξεργασία σήματος, που αποσκοπούν επίσης στην αναγνώριση σημείων έναρξης της μεταγραφής. Παρουσιάζεται μία νέα μέθοδος για την αναπαράσταση των νουκλεοτιδίων ικανή να εξάγει και να παρουσιάσει την πληροφορία σε μορφή σήματος στο πεδίο του χρόνου. Τα σήματα μεταφέρθηκαν από το πεδίο του χρόνου στο πεδίο των συχνοτήτων, οπού μπορεί να γίνει φιλτράρισμα αυτών και να απομακρυνθεί ο θόρυβος με αποτελεσματικό τρόπο. Ύστερα τα σήματα επανήλθαν στο πεδίο του χρόνου. Χρησιμοποιήθηκαν αρκετά φίλτρα και οι παράμετροί τους βελτιστοποιήθηκαν για να μεγιστοποιήσουν την ακρίβεια και την απόδοση των αποτελεσμάτων. Στα πλαίσια αυτής της εργασίας έχει σχεδιαστεί και υλοποιηθεί ένα πλήρως παραμετροποιήσιμο υπολογιστικό εργαλείο με τη χρήση τεχνικών επεξεργασίας σήματος και μαθηματικών αλγορίθμων ικανών να ανιχνεύουν θέσεις έναρξης μεταγραφής με υψηλή ακρίβεια. Η μέθοδος αυτή δοκιμάστηκε σε πραγματικά ανθρώπινα κύτταρα (Η9) με δεδομένα από το αποθετήριο FANTOM5 και η ακρίβειά τους συγκρίθηκε με άλλους αλγορίθμους όπως επίσης και την πραγματικότητα (Ground Truth). Όλα τα αποτελέσματα παρουσιάζονται στη παρούσα μελέτη.","abstract_html":"Η επεξεργασία σήματος σε επίπεδο γονιδιώματος μπορεί να λύσει διάφορα βιολογικά προβλήματα με χαμηλό υπολογιστικό κόστος. Υπάρχουν πολλοί μαθηματικοί αλγόριθμοι οι οποίοι χρησιμοποιούνται κυρίως για την αναγνώριση των γονιδίων και τη σύγκριση μεταξύ ακολουθιών, χρησιμοποιώντας αρκετές αναπαραστάσεις του DNA που δεν εξελίχθηκαν λόγω έλλειψης αποτελεσματικότητας. Η γνώση της ακριβούς θέσης των θέσεων έναρξης μεταγραφής (TSS), εκεί δηλαδή όπου ξεκινά η μεταγραφή στο 5&#x27;- άκρο μιας αλληλουχίας γονιδίου σε ένα RNA μόριο, είναι απαραίτητη για την αναγνώριση των ρυθμιστικών περιοχών που το επηρεάζουν. Στη βιβλιογραφία έχουν αναφερθεί πολλές προσεγγίσεις σχετικά με τον εντοπισμό των θέσεων έναρξης της μεταγραφής. Αυτή η μελέτη παρουσιάζει μια νέα μέθοδο για την αναγνώριση των θέσεων έναρξης μεταγραφής (TSS) από τα δεδομένα CAGE (Cap Analysis of Gene Expression) και την εφαρμογή χαρακτηριστικών και τεχνικών δανεισμένων από την επεξεργασία σήματος, που αποσκοπούν επίσης στην αναγνώριση σημείων έναρξης της μεταγραφής. Παρουσιάζεται μία νέα μέθοδος για την αναπαράσταση των νουκλεοτιδίων ικανή να εξάγει και να παρουσιάσει την πληροφορία σε μορφή σήματος στο πεδίο του χρόνου. Τα σήματα μεταφέρθηκαν από το πεδίο του χρόνου στο πεδίο των συχνοτήτων, οπού μπορεί να γίνει φιλτράρισμα αυτών και να απομακρυνθεί ο θόρυβος με αποτελεσματικό τρόπο. Ύστερα τα σήματα επανήλθαν στο πεδίο του χρόνου. Χρησιμοποιήθηκαν αρκετά φίλτρα και οι παράμετροί τους βελτιστοποιήθηκαν για να μεγιστοποιήσουν την ακρίβεια και την απόδοση των αποτελεσμάτων. Στα πλαίσια αυτής της εργασίας έχει σχεδιαστεί και υλοποιηθεί ένα πλήρως παραμετροποιήσιμο υπολογιστικό εργαλείο με τη χρήση τεχνικών επεξεργασίας σήματος και μαθηματικών αλγορίθμων ικανών να ανιχνεύουν θέσεις έναρξης μεταγραφής με υψηλή ακρίβεια. Η μέθοδος αυτή δοκιμάστηκε σε πραγματικά ανθρώπινα κύτταρα (Η9) με δεδομένα από το αποθετήριο FANTOM5 και η ακρίβειά τους συγκρίθηκε με άλλους αλγορίθμους όπως επίσης και την πραγματικότητα (Ground Truth). Όλα τα αποτελέσματα παρουσιάζονται στη παρούσα μελέτη.","abstract_has_math":false,"creators":["Γρηγοριάδης Δημήτρης","Grigoriadis Dimitris"],"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":"2026-11-19T05:34:26Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","English","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2865306"],"render_values":[{"text":"uoadl:2865306","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2865306","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2865306","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%3A2865306","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γρηγοριάδης Δημήτρης","Grigoriadis Dimitris"]}]},{"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":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","English","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2865306","https://pergamos.lib.uoa.gr/uoa/dl/object/2865306"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η επεξεργασία σήματος σε επίπεδο γονιδιώματος μπορεί να λύσει διάφορα βιολογικά προβλήματα με χαμηλό υπολογιστικό κόστος. Υπάρχουν πολλοί μαθηματικοί αλγόριθμοι οι οποίοι χρησιμοποιούνται κυρίως για την αναγνώριση των γονιδίων και τη σύγκριση μεταξύ ακολουθιών, χρησιμοποιώντας αρκετές αναπαραστάσεις του DNA που δεν εξελίχθηκαν λόγω έλλειψης αποτελεσματικότητας. Η γνώση της ακριβούς θέσης των θέσεων έναρξης μεταγραφής (TSS), εκεί δηλαδή όπου ξεκινά η μεταγραφή στο 5'- άκρο μιας αλληλουχίας γονιδίου σε ένα RNA μόριο, είναι απαραίτητη για την αναγνώριση των ρυθμιστικών περιοχών που το επηρεάζουν. Στη βιβλιογραφία έχουν αναφερθεί πολλές προσεγγίσεις σχετικά με τον εντοπισμό των θέσεων έναρξης της μεταγραφής. Αυτή η μελέτη παρουσιάζει μια νέα μέθοδο για την αναγνώριση των θέσεων έναρξης μεταγραφής (TSS) από τα δεδομένα CAGE (Cap Analysis of Gene Expression) και την εφαρμογή χαρακτηριστικών και τεχνικών δανεισμένων από την επεξεργασία σήματος, που αποσκοπούν επίσης στην αναγνώριση σημείων έναρξης της μεταγραφής. Παρουσιάζεται μία νέα μέθοδος για την αναπαράσταση των νουκλεοτιδίων ικανή να εξάγει και να παρουσιάσει την πληροφορία σε μορφή σήματος στο πεδίο του χρόνου. Τα σήματα μεταφέρθηκαν από το πεδίο του χρόνου στο πεδίο των συχνοτήτων, οπού μπορεί να γίνει φιλτράρισμα αυτών και να απομακρυνθεί ο θόρυβος με αποτελεσματικό τρόπο. Ύστερα τα σήματα επανήλθαν στο πεδίο του χρόνου. Χρησιμοποιήθηκαν αρκετά φίλτρα και οι παράμετροί τους βελτιστοποιήθηκαν για να μεγιστοποιήσουν την ακρίβεια και την απόδοση των αποτελεσμάτων. Στα πλαίσια αυτής της εργασίας έχει σχεδιαστεί και υλοποιηθεί ένα πλήρως παραμετροποιήσιμο υπολογιστικό εργαλείο με τη χρήση τεχνικών επεξεργασίας σήματος και μαθηματικών αλγορίθμων ικανών να ανιχνεύουν θέσεις έναρξης μεταγραφής με υψηλή ακρίβεια. Η μέθοδος αυτή δοκιμάστηκε σε πραγματικά ανθρώπινα κύτταρα (Η9) με δεδομένα από το αποθετήριο FANTOM5 και η ακρίβειά τους συγκρίθηκε με άλλους αλγορίθμους όπως επίσης και την πραγματικότητα (Ground Truth). Όλα τα αποτελέσματα παρουσιάζονται στη παρούσα μελέτη.","Genomic signal processing (GSP) can solve various biological problems in low computational cost. There are many mathematical algorithms mostly used for gene identification and comparison between sequences, making use of several DNA representations that did not evolve due to lack of efficiency. The knowledge of the exact position of the transcription start sites (TSS), which is the location where transcription starts at the 5'-end of a gene sequence in an RNA molecule, is critical for the identification of the regulatory regions that flank it. Many approaches have been mentioned in the literature about locating the TSS positions. This study presents a novel method for identifying transcription start sites (TSS) from CAGE (Cap Analysis of Gene Expression) data and applying features and techniques borrowed form GSP that also aim to identify TSSs. A fairly new representation method for nucleotides has been introduces able to extract and represent the information in a time series signal vector. Signals were transferred from time to frequency domain, which allows for filtering artifacts in an efficient robust way, and vice versa. Several filters have been used and their parameters were optimized to maximize the accuracy and performance in results. In the context of this work a fully modular computational tool has been designed and implemented using GSP techniques and mathematical algorithms able to detect TSSs with high accuracy. The method was tested in real human cells (H9 line) with data downloaded from FANTOM5 repository and the accuracy has been compared with other algorithms and the ground truth. All the results are presented in this study."]},{"key":"dc:title","label":"Title","values":["A method for identifying TSS from CAGE data using a Genomic Signal Processing approach"]}]}],"canonical_facts":{"dc:creator":["Γρηγοριάδης Δημήτρης","Grigoriadis Dimitris"],"dc:date":["2019"],"dc:description":["Η επεξεργασία σήματος σε επίπεδο γονιδιώματος μπορεί να λύσει διάφορα βιολογικά προβλήματα με χαμηλό υπολογιστικό κόστος. Υπάρχουν πολλοί μαθηματικοί αλγόριθμοι οι οποίοι χρησιμοποιούνται κυρίως για την αναγνώριση των γονιδίων και τη σύγκριση μεταξύ ακολουθιών, χρησιμοποιώντας αρκετές αναπαραστάσεις του DNA που δεν εξελίχθηκαν λόγω έλλειψης αποτελεσματικότητας. Η γνώση της ακριβούς θέσης των θέσεων έναρξης μεταγραφής (TSS), εκεί δηλαδή όπου ξεκινά η μεταγραφή στο 5'- άκρο μιας αλληλουχίας γονιδίου σε ένα RNA μόριο, είναι απαραίτητη για την αναγνώριση των ρυθμιστικών περιοχών που το επηρεάζουν. Στη βιβλιογραφία έχουν αναφερθεί πολλές προσεγγίσεις σχετικά με τον εντοπισμό των θέσεων έναρξης της μεταγραφής. Αυτή η μελέτη παρουσιάζει μια νέα μέθοδο για την αναγνώριση των θέσεων έναρξης μεταγραφής (TSS) από τα δεδομένα CAGE (Cap Analysis of Gene Expression) και την εφαρμογή χαρακτηριστικών και τεχνικών δανεισμένων από την επεξεργασία σήματος, που αποσκοπούν επίσης στην αναγνώριση σημείων έναρξης της μεταγραφής. Παρουσιάζεται μία νέα μέθοδος για την αναπαράσταση των νουκλεοτιδίων ικανή να εξάγει και να παρουσιάσει την πληροφορία σε μορφή σήματος στο πεδίο του χρόνου. Τα σήματα μεταφέρθηκαν από το πεδίο του χρόνου στο πεδίο των συχνοτήτων, οπού μπορεί να γίνει φιλτράρισμα αυτών και να απομακρυνθεί ο θόρυβος με αποτελεσματικό τρόπο. Ύστερα τα σήματα επανήλθαν στο πεδίο του χρόνου. Χρησιμοποιήθηκαν αρκετά φίλτρα και οι παράμετροί τους βελτιστοποιήθηκαν για να μεγιστοποιήσουν την ακρίβεια και την απόδοση των αποτελεσμάτων. Στα πλαίσια αυτής της εργασίας έχει σχεδιαστεί και υλοποιηθεί ένα πλήρως παραμετροποιήσιμο υπολογιστικό εργαλείο με τη χρήση τεχνικών επεξεργασίας σήματος και μαθηματικών αλγορίθμων ικανών να ανιχνεύουν θέσεις έναρξης μεταγραφής με υψηλή ακρίβεια. Η μέθοδος αυτή δοκιμάστηκε σε πραγματικά ανθρώπινα κύτταρα (Η9) με δεδομένα από το αποθετήριο FANTOM5 και η ακρίβειά τους συγκρίθηκε με άλλους αλγορίθμους όπως επίσης και την πραγματικότητα (Ground Truth). Όλα τα αποτελέσματα παρουσιάζονται στη παρούσα μελέτη.","Genomic signal processing (GSP) can solve various biological problems in low computational cost. There are many mathematical algorithms mostly used for gene identification and comparison between sequences, making use of several DNA representations that did not evolve due to lack of efficiency. The knowledge of the exact position of the transcription start sites (TSS), which is the location where transcription starts at the 5'-end of a gene sequence in an RNA molecule, is critical for the identification of the regulatory regions that flank it. Many approaches have been mentioned in the literature about locating the TSS positions. This study presents a novel method for identifying transcription start sites (TSS) from CAGE (Cap Analysis of Gene Expression) data and applying features and techniques borrowed form GSP that also aim to identify TSSs. A fairly new representation method for nucleotides has been introduces able to extract and represent the information in a time series signal vector. Signals were transferred from time to frequency domain, which allows for filtering artifacts in an efficient robust way, and vice versa. Several filters have been used and their parameters were optimized to maximize the accuracy and performance in results. In the context of this work a fully modular computational tool has been designed and implemented using GSP techniques and mathematical algorithms able to detect TSSs with high accuracy. The method was tested in real human cells (H9 line) with data downloaded from FANTOM5 repository and the accuracy has been compared with other algorithms and the ground truth. All the results are presented in this study."],"dc:identifier":["uoadl:2865306","https://pergamos.lib.uoa.gr/uoa/dl/object/2865306"],"dc:language":["Ελληνικά","English","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["A method for identifying TSS from CAGE data using a Genomic Signal Processing approach"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:34:26Z"}