{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2866614"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2866614","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Σχεδιασμός και υλοποίηση υπολογιστικής μεθόδου για την ταξινόμηση πεπτιδίων με βάση τη βιοδραστηριότητά τους","abstract":"Τα τελευταία χρόνια, η ανακάλυψη νέων θεραπειών κατά των λοιμώξεων έχει καταστεί επείγουσα εξαιτίας της ταχέως αυξανόμενης αντίστασης που εμφανίζεται έναντι στα συμβατικά αντιβιοτικά. Το γεγονός οτι τα περισσότερα δυνητικά αντιβιοτικά αποτυγχάνουν να σκοτώσουν παθογόνους οργανισμούς έχει αναπτύξει την ανάγκη σχεδιασμού νέων αντιμικροβιακών φορέων και η κλινική έρευνα πλέον επενδύει στην ταυτοποίηση νέων, μη συμβατικών θεραπειών κατά των μολύνσεων. Τα αντιμικροβιακά πεπτίδια (AMPs) έχουν κεντρίσει το ενδιαφέρον των ερευνητικών ομάδων ως νέα υποψήφια φάρμακα και χάρη στην ικανότητά τους να προστατεύουν το ξενιστή από ποικίλα παθογόνα βακτήρια είναι γνωστά και ως πεπτίδια άμυνας του ξενιστή. Πρόκειται για ολιγοπεπτίδια όπου ο αριθμός των αμινοξικών καταλοίπων τους κυμαίνεται συνήθως από πέντε ως εκατό και δρουν αποτελεσματικά έναντι ποικίλων στόχων, όπως είναι τα βακτήρια, οι ιοι, οι μύκητες και τα παράσιτα. Τα φυσικά αντιμικροβιακά πεπτίδια απαντώνται τόσο σε προκαρυωτικούς (π.χ. βακτήρια) όσο και σε ευκαρυωτικούς οργανισμούς (π.χ. πρωτόζωα, μύκητες, φυτά, έντομα και ζώα) και τα περισσότερα εμφανίζουν κατιονική και αμφιπαθητική ιδιότητα. Η αμφιπαθητικότητα τους τα καθιστά ιδανικά για το σχηματισμό διεπαφών και τους δίνει την ικανότητα διατάραξης της φυσικής ακεραιότητας της μικροβιακής μεμβράνης. Επιπλέον, οι ηλεκτροστατικές δυνάμεις μεταξύ της αρνητικά φορτισμένης βακτηριακής μεμβράνης και των κατιονικών αντιμικροβικακών πεπτιδίων, είναι ακόμα ένας καθοριστικός παράγοντας αυτής της αλληλεπίδρασης πεπτιδίου – μεμβράνης. Το ευρύ φάσμα των ιδιοτήτων που χαρακτηρίζουν τα αντιμικροβιακά πεπτίδια καθιστά τον in-silico σχεδιασμό νέων συνθετικών AMPs μια σοβαρή πρόκληση. Αρκετές δημόσιες βάσεις δεδομένων έχουν ηδη δημιουργηθεί με αποθηκευμένη πληροφορία για εκατοντάδες AMPs. Η ταυτοποίηση και ο χαρακτηρισμός των AMPs και των λειτουργικών τους τύπων έχει οδηγήσει σε πολλές μελέτες και ένας μεγάλος αριθμός μεθόδων έχει προταθεί για αυτόν τον σκοπό. Οι περισσότερες μέθοδοι έχουν εξάγει πληροφορία από την στοίχιση αλληλουχιών, ωστόσο, η αμινοξική σύνθεση δεν μπορεί να επεξηγήσει πάντα πλήρως τους μηχανισμούς αλληλεπίδρασης των AMPs. Πρόσφατα, η μηχανική εκμάθηση έχει συντελέσει στην ανάπτυξη διάφορων μεθόδων πρόβεψης, οι οποίες βασίζονται στα συνθετικά χαρακτηριστικά της αμινοξικής αλληλουχίας των AMPs. Σκοπός της παρούσας διπλωματικής εργασίας είναι η υλοποίηση μιας καινοτόμου υπολογιστικής μεθοδολογίας μηχανικής μάθησης που θα προσφέρει τη δυνατότητα χαρακτηρισμού των πεπτιδίων με βάση την αντιφλεγμονώδη ή/και την αντικαρκινική τους δράση. Το πρώτο βήμα ήταν η συλλογή πεπτιδίων από διάφορες κατηγορίες βιοδραστηριότητας, αντικαρκινική, αντιμικροβιακή, αντιβακτηριακή, αντιμυκητιακή, αντιϊική και εντομοκτόνα από τις υπάρχουσες βάσεις δεδομένων DRAMP και DAMPD, ως το θετικό δείγμα εκπαίδευσης. Παράλληλα, από τη Uniprot συλλέχθησαν πεπτίδια μήκους 10 ως 100 καταλοίπων με το κριτήριο να μην ανήκουν σε κάποια κατηγορία βιοδραστηριότητας, ως το αρνητικό δείγμα εκπαίδευσης. Η τεχνική της τυχαίας υπερδειγματοληψίας και υποδειγματοληψίας χρησιμοποιήθηκε για την αύξηση ή τη μείωση, αντίστοιχα, των δειγμάτων και το τελικό σύνολο πεπτιδίων διαμορφώθηκε σε 1491 πεπτίδια, 213 από κάθε μελετώμενη κατηγορία. Στη συνέχεια, υπολογίστηκε, για κάθε ένα πεπτίδιο, ένας αριθμός (44) από φυσικοχημικά και ακολουθιακά χαρακτηριστικά, τα οποία εχει αποδειχθεί να αποτελούν τα πιο αντιπροσωπευτικά στον χαρακτηρισμό των αντιμικροβιακών πεπτιδίων. Με αυτόν τον τρόπο δημιουργήθηκε το σύνολο δεδομένων εκπαίδευσης του μοντέλου πρόβλεψης. Το δεύτερο βήμα ήταν η εκτέλεση της EnsembleGASVR μεθοδολογίας ταξινόμησης, μιας υπολογιστικής μεθόδου που προτάθηκε στο παρελθόν για την πρόβλεψη ουδέτερων και παθογενών πολυμορφισμών κατηγοριοποιώντας τους Σημειακούς Μονονουκλεοτιδικούς Πολυμορφισμούς (SNPs) σε ουδέτερους και σε αυτούς που σχετίζονται με κάποια ασθένεια. Η εν λόγω μεθοδολογία συνδυάζει έναν ταξινομητή Support Vector Regression (SVR) και έναν Γενετικό Αλγόριθμο (GA). Επιπροθέτως, η μέθοδος αυτή έχει βελτιωθεί κατόπιν αντικατάστασης του γενετικού αλγόριθμου με έναν εξελικτικό multi-objective αλγόριθμο, σε μια προσπάθεια επίτευξης αυξημένης απόδοσης. Η μεθοδολογία αυτή έχει το πλεονέκτημα ότι χειρίζεται με πολύ αποδοτικό τρόπο τις ελλιπείς τιμές ενώ επίσης τα μοντέλα που εξάγονται από αυτήν παρέχουν και ένα βαθμό εμπιστοσύνης για κάθε πρόβλεψη τους. Επιπλέον κατασκευάστηκε και ένα δοκιμαστικό σύνολο δεδομένων, που εφαρμόστηκε ως είσοδος στο μοντέλο για την αξιολόγηση της απόδοσής του με βάση το αν προέβλεψε σωστά ή όχι την κατηγορία στην οποία ανήκει κάθε πεπτίδιο. Η εκτέλεση του αλγόριθμου επαναλήφθηκε πέντε φορές και ο μέσος όρος της ακρίβειας πρόβλεψης υπολογίστηκε 66.77 ενώ η διακύμανση υπολογίστηκε 31.07. Απώτερος σκοπός είναι η βελτίωση της απόδοσης και τελικά η εφαρμογή των εκπαιδευμένων μοντέλων σε ένα αυξημένο σύνολο από αχαρακτήριστα πεπτίδια που περιλαμβάνονται σε φυτικούς οργανισμούς έτσι ώστε να προταθούν καινούρια πεπτίδια και φυτά που μπορούν να χρησιμοποιηθούν για την καταπολέμηση των φλεγμονών αλλά και την πρόληψη κατά του καρκίνου.","abstract_html":"Τα τελευταία χρόνια, η ανακάλυψη νέων θεραπειών κατά των λοιμώξεων έχει καταστεί επείγουσα εξαιτίας της ταχέως αυξανόμενης αντίστασης που εμφανίζεται έναντι στα συμβατικά αντιβιοτικά. Το γεγονός οτι τα περισσότερα δυνητικά αντιβιοτικά αποτυγχάνουν να σκοτώσουν παθογόνους οργανισμούς έχει αναπτύξει την ανάγκη σχεδιασμού νέων αντιμικροβιακών φορέων και η κλινική έρευνα πλέον επενδύει στην ταυτοποίηση νέων, μη συμβατικών θεραπειών κατά των μολύνσεων. Τα αντιμικροβιακά πεπτίδια (AMPs) έχουν κεντρίσει το ενδιαφέρον των ερευνητικών ομάδων ως νέα υποψήφια φάρμακα και χάρη στην ικανότητά τους να προστατεύουν το ξενιστή από ποικίλα παθογόνα βακτήρια είναι γνωστά και ως πεπτίδια άμυνας του ξενιστή. Πρόκειται για ολιγοπεπτίδια όπου ο αριθμός των αμινοξικών καταλοίπων τους κυμαίνεται συνήθως από πέντε ως εκατό και δρουν αποτελεσματικά έναντι ποικίλων στόχων, όπως είναι τα βακτήρια, οι ιοι, οι μύκητες και τα παράσιτα. Τα φυσικά αντιμικροβιακά πεπτίδια απαντώνται τόσο σε προκαρυωτικούς (π.χ. βακτήρια) όσο και σε ευκαρυωτικούς οργανισμούς (π.χ. πρωτόζωα, μύκητες, φυτά, έντομα και ζώα) και τα περισσότερα εμφανίζουν κατιονική και αμφιπαθητική ιδιότητα. Η αμφιπαθητικότητα τους τα καθιστά ιδανικά για το σχηματισμό διεπαφών και τους δίνει την ικανότητα διατάραξης της φυσικής ακεραιότητας της μικροβιακής μεμβράνης. Επιπλέον, οι ηλεκτροστατικές δυνάμεις μεταξύ της αρνητικά φορτισμένης βακτηριακής μεμβράνης και των κατιονικών αντιμικροβικακών πεπτιδίων, είναι ακόμα ένας καθοριστικός παράγοντας αυτής της αλληλεπίδρασης πεπτιδίου – μεμβράνης. Το ευρύ φάσμα των ιδιοτήτων που χαρακτηρίζουν τα αντιμικροβιακά πεπτίδια καθιστά τον in-silico σχεδιασμό νέων συνθετικών AMPs μια σοβαρή πρόκληση. Αρκετές δημόσιες βάσεις δεδομένων έχουν ηδη δημιουργηθεί με αποθηκευμένη πληροφορία για εκατοντάδες AMPs. Η ταυτοποίηση και ο χαρακτηρισμός των AMPs και των λειτουργικών τους τύπων έχει οδηγήσει σε πολλές μελέτες και ένας μεγάλος αριθμός μεθόδων έχει προταθεί για αυτόν τον σκοπό. Οι περισσότερες μέθοδοι έχουν εξάγει πληροφορία από την στοίχιση αλληλουχιών, ωστόσο, η αμινοξική σύνθεση δεν μπορεί να επεξηγήσει πάντα πλήρως τους μηχανισμούς αλληλεπίδρασης των AMPs. Πρόσφατα, η μηχανική εκμάθηση έχει συντελέσει στην ανάπτυξη διάφορων μεθόδων πρόβεψης, οι οποίες βασίζονται στα συνθετικά χαρακτηριστικά της αμινοξικής αλληλουχίας των AMPs. Σκοπός της παρούσας διπλωματικής εργασίας είναι η υλοποίηση μιας καινοτόμου υπολογιστικής μεθοδολογίας μηχανικής μάθησης που θα προσφέρει τη δυνατότητα χαρακτηρισμού των πεπτιδίων με βάση την αντιφλεγμονώδη ή/και την αντικαρκινική τους δράση. Το πρώτο βήμα ήταν η συλλογή πεπτιδίων από διάφορες κατηγορίες βιοδραστηριότητας, αντικαρκινική, αντιμικροβιακή, αντιβακτηριακή, αντιμυκητιακή, αντιϊική και εντομοκτόνα από τις υπάρχουσες βάσεις δεδομένων DRAMP και DAMPD, ως το θετικό δείγμα εκπαίδευσης. Παράλληλα, από τη Uniprot συλλέχθησαν πεπτίδια μήκους 10 ως 100 καταλοίπων με το κριτήριο να μην ανήκουν σε κάποια κατηγορία βιοδραστηριότητας, ως το αρνητικό δείγμα εκπαίδευσης. Η τεχνική της τυχαίας υπερδειγματοληψίας και υποδειγματοληψίας χρησιμοποιήθηκε για την αύξηση ή τη μείωση, αντίστοιχα, των δειγμάτων και το τελικό σύνολο πεπτιδίων διαμορφώθηκε σε 1491 πεπτίδια, 213 από κάθε μελετώμενη κατηγορία. Στη συνέχεια, υπολογίστηκε, για κάθε ένα πεπτίδιο, ένας αριθμός (44) από φυσικοχημικά και ακολουθιακά χαρακτηριστικά, τα οποία εχει αποδειχθεί να αποτελούν τα πιο αντιπροσωπευτικά στον χαρακτηρισμό των αντιμικροβιακών πεπτιδίων. Με αυτόν τον τρόπο δημιουργήθηκε το σύνολο δεδομένων εκπαίδευσης του μοντέλου πρόβλεψης. Το δεύτερο βήμα ήταν η εκτέλεση της EnsembleGASVR μεθοδολογίας ταξινόμησης, μιας υπολογιστικής μεθόδου που προτάθηκε στο παρελθόν για την πρόβλεψη ουδέτερων και παθογενών πολυμορφισμών κατηγοριοποιώντας τους Σημειακούς Μονονουκλεοτιδικούς Πολυμορφισμούς (SNPs) σε ουδέτερους και σε αυτούς που σχετίζονται με κάποια ασθένεια. Η εν λόγω μεθοδολογία συνδυάζει έναν ταξινομητή Support Vector Regression (SVR) και έναν Γενετικό Αλγόριθμο (GA). Επιπροθέτως, η μέθοδος αυτή έχει βελτιωθεί κατόπιν αντικατάστασης του γενετικού αλγόριθμου με έναν εξελικτικό multi-objective αλγόριθμο, σε μια προσπάθεια επίτευξης αυξημένης απόδοσης. Η μεθοδολογία αυτή έχει το πλεονέκτημα ότι χειρίζεται με πολύ αποδοτικό τρόπο τις ελλιπείς τιμές ενώ επίσης τα μοντέλα που εξάγονται από αυτήν παρέχουν και ένα βαθμό εμπιστοσύνης για κάθε πρόβλεψη τους. Επιπλέον κατασκευάστηκε και ένα δοκιμαστικό σύνολο δεδομένων, που εφαρμόστηκε ως είσοδος στο μοντέλο για την αξιολόγηση της απόδοσής του με βάση το αν προέβλεψε σωστά ή όχι την κατηγορία στην οποία ανήκει κάθε πεπτίδιο. Η εκτέλεση του αλγόριθμου επαναλήφθηκε πέντε φορές και ο μέσος όρος της ακρίβειας πρόβλεψης υπολογίστηκε 66.77 ενώ η διακύμανση υπολογίστηκε 31.07. Απώτερος σκοπός είναι η βελτίωση της απόδοσης και τελικά η εφαρμογή των εκπαιδευμένων μοντέλων σε ένα αυξημένο σύνολο από αχαρακτήριστα πεπτίδια που περιλαμβάνονται σε φυτικούς οργανισμούς έτσι ώστε να προταθούν καινούρια πεπτίδια και φυτά που μπορούν να χρησιμοποιηθούν για την καταπολέμηση των φλεγμονών αλλά και την πρόληψη κατά του καρκίνου.","abstract_has_math":false,"creators":["Κολοτούρου Ευσταθία","Kolotourou Efstathia"],"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":"2026-11-19T05:34:51Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2866614"],"render_values":[{"text":"uoadl:2866614","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2866614","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2866614","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%3A2866614","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κολοτούρου Ευσταθία","Kolotourou Efstathia"]}]},{"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:2866614","https://pergamos.lib.uoa.gr/uoa/dl/object/2866614"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα τελευταία χρόνια, η ανακάλυψη νέων θεραπειών κατά των λοιμώξεων έχει καταστεί επείγουσα εξαιτίας της ταχέως αυξανόμενης αντίστασης που εμφανίζεται έναντι στα συμβατικά αντιβιοτικά. Το γεγονός οτι τα περισσότερα δυνητικά αντιβιοτικά αποτυγχάνουν να σκοτώσουν παθογόνους οργανισμούς έχει αναπτύξει την ανάγκη σχεδιασμού νέων αντιμικροβιακών φορέων και η κλινική έρευνα πλέον επενδύει στην ταυτοποίηση νέων, μη συμβατικών θεραπειών κατά των μολύνσεων. Τα αντιμικροβιακά πεπτίδια (AMPs) έχουν κεντρίσει το ενδιαφέρον των ερευνητικών ομάδων ως νέα υποψήφια φάρμακα και χάρη στην ικανότητά τους να προστατεύουν το ξενιστή από ποικίλα παθογόνα βακτήρια είναι γνωστά και ως πεπτίδια άμυνας του ξενιστή. Πρόκειται για ολιγοπεπτίδια όπου ο αριθμός των αμινοξικών καταλοίπων τους κυμαίνεται συνήθως από πέντε ως εκατό και δρουν αποτελεσματικά έναντι ποικίλων στόχων, όπως είναι τα βακτήρια, οι ιοι, οι μύκητες και τα παράσιτα. Τα φυσικά αντιμικροβιακά πεπτίδια απαντώνται τόσο σε προκαρυωτικούς (π.χ. βακτήρια) όσο και σε ευκαρυωτικούς οργανισμούς (π.χ. πρωτόζωα, μύκητες, φυτά, έντομα και ζώα) και τα περισσότερα εμφανίζουν κατιονική και αμφιπαθητική ιδιότητα. Η αμφιπαθητικότητα τους τα καθιστά ιδανικά για το σχηματισμό διεπαφών και τους δίνει την ικανότητα διατάραξης της φυσικής ακεραιότητας της μικροβιακής μεμβράνης. Επιπλέον, οι ηλεκτροστατικές δυνάμεις μεταξύ της αρνητικά φορτισμένης βακτηριακής μεμβράνης και των κατιονικών αντιμικροβικακών πεπτιδίων, είναι ακόμα ένας καθοριστικός παράγοντας αυτής της αλληλεπίδρασης πεπτιδίου – μεμβράνης. Το ευρύ φάσμα των ιδιοτήτων που χαρακτηρίζουν τα αντιμικροβιακά πεπτίδια καθιστά τον in-silico σχεδιασμό νέων συνθετικών AMPs μια σοβαρή πρόκληση. Αρκετές δημόσιες βάσεις δεδομένων έχουν ηδη δημιουργηθεί με αποθηκευμένη πληροφορία για εκατοντάδες AMPs. Η ταυτοποίηση και ο χαρακτηρισμός των AMPs και των λειτουργικών τους τύπων έχει οδηγήσει σε πολλές μελέτες και ένας μεγάλος αριθμός μεθόδων έχει προταθεί για αυτόν τον σκοπό. Οι περισσότερες μέθοδοι έχουν εξάγει πληροφορία από την στοίχιση αλληλουχιών, ωστόσο, η αμινοξική σύνθεση δεν μπορεί να επεξηγήσει πάντα πλήρως τους μηχανισμούς αλληλεπίδρασης των AMPs. Πρόσφατα, η μηχανική εκμάθηση έχει συντελέσει στην ανάπτυξη διάφορων μεθόδων πρόβεψης, οι οποίες βασίζονται στα συνθετικά χαρακτηριστικά της αμινοξικής αλληλουχίας των AMPs. Σκοπός της παρούσας διπλωματικής εργασίας είναι η υλοποίηση μιας καινοτόμου υπολογιστικής μεθοδολογίας μηχανικής μάθησης που θα προσφέρει τη δυνατότητα χαρακτηρισμού των πεπτιδίων με βάση την αντιφλεγμονώδη ή/και την αντικαρκινική τους δράση. Το πρώτο βήμα ήταν η συλλογή πεπτιδίων από διάφορες κατηγορίες βιοδραστηριότητας, αντικαρκινική, αντιμικροβιακή, αντιβακτηριακή, αντιμυκητιακή, αντιϊική και εντομοκτόνα από τις υπάρχουσες βάσεις δεδομένων DRAMP και DAMPD, ως το θετικό δείγμα εκπαίδευσης. Παράλληλα, από τη Uniprot συλλέχθησαν πεπτίδια μήκους 10 ως 100 καταλοίπων με το κριτήριο να μην ανήκουν σε κάποια κατηγορία βιοδραστηριότητας, ως το αρνητικό δείγμα εκπαίδευσης. Η τεχνική της τυχαίας υπερδειγματοληψίας και υποδειγματοληψίας χρησιμοποιήθηκε για την αύξηση ή τη μείωση, αντίστοιχα, των δειγμάτων και το τελικό σύνολο πεπτιδίων διαμορφώθηκε σε 1491 πεπτίδια, 213 από κάθε μελετώμενη κατηγορία. Στη συνέχεια, υπολογίστηκε, για κάθε ένα πεπτίδιο, ένας αριθμός (44) από φυσικοχημικά και ακολουθιακά χαρακτηριστικά, τα οποία εχει αποδειχθεί να αποτελούν τα πιο αντιπροσωπευτικά στον χαρακτηρισμό των αντιμικροβιακών πεπτιδίων. Με αυτόν τον τρόπο δημιουργήθηκε το σύνολο δεδομένων εκπαίδευσης του μοντέλου πρόβλεψης. Το δεύτερο βήμα ήταν η εκτέλεση της EnsembleGASVR μεθοδολογίας ταξινόμησης, μιας υπολογιστικής μεθόδου που προτάθηκε στο παρελθόν για την πρόβλεψη ουδέτερων και παθογενών πολυμορφισμών κατηγοριοποιώντας τους Σημειακούς Μονονουκλεοτιδικούς Πολυμορφισμούς (SNPs) σε ουδέτερους και σε αυτούς που σχετίζονται με κάποια ασθένεια. Η εν λόγω μεθοδολογία συνδυάζει έναν ταξινομητή Support Vector Regression (SVR) και έναν Γενετικό Αλγόριθμο (GA). Επιπροθέτως, η μέθοδος αυτή έχει βελτιωθεί κατόπιν αντικατάστασης του γενετικού αλγόριθμου με έναν εξελικτικό multi-objective αλγόριθμο, σε μια προσπάθεια επίτευξης αυξημένης απόδοσης. Η μεθοδολογία αυτή έχει το πλεονέκτημα ότι χειρίζεται με πολύ αποδοτικό τρόπο τις ελλιπείς τιμές ενώ επίσης τα μοντέλα που εξάγονται από αυτήν παρέχουν και ένα βαθμό εμπιστοσύνης για κάθε πρόβλεψη τους. Επιπλέον κατασκευάστηκε και ένα δοκιμαστικό σύνολο δεδομένων, που εφαρμόστηκε ως είσοδος στο μοντέλο για την αξιολόγηση της απόδοσής του με βάση το αν προέβλεψε σωστά ή όχι την κατηγορία στην οποία ανήκει κάθε πεπτίδιο. Η εκτέλεση του αλγόριθμου επαναλήφθηκε πέντε φορές και ο μέσος όρος της ακρίβειας πρόβλεψης υπολογίστηκε 66.77 ενώ η διακύμανση υπολογίστηκε 31.07. Απώτερος σκοπός είναι η βελτίωση της απόδοσης και τελικά η εφαρμογή των εκπαιδευμένων μοντέλων σε ένα αυξημένο σύνολο από αχαρακτήριστα πεπτίδια που περιλαμβάνονται σε φυτικούς οργανισμούς έτσι ώστε να προταθούν καινούρια πεπτίδια και φυτά που μπορούν να χρησιμοποιηθούν για την καταπολέμηση των φλεγμονών αλλά και την πρόληψη κατά του καρκίνου.","In recent years, the discovery of new infection therapeutics has become an urgent due to the rapidly increasing infection resistance toward conventional antibiotics. The fact that most potential antibiotics fail to kill pathogens has grown the need to design new antimicrobial agents and the clinical research is now invested into identification of new, non-conventional anti-infective therapies. Antimicrobial peptides (AMPs) have captured the research attention as novel drug candidates and they are also known as host defense peptides because they can protect the host from various pathogenic bacteria. They are oligopeptides with a varying number of amino acids, five to one hundred, and they are effective towards a wide variety of targets, such as bacteria, viruses, fungi and parasites. Natural AMPs can be found in both prokaryotes (e.g., bacteria) and eukaryotes (e.g., protozoan, fungi, plants, insects, and animals) most of which are cationic and amphipathic. This amphipathicity gives them the ability to disrupt the physical integrity of the microbial membrane. Moreover, the electrostatic forces between the negatively charged bacterial surface and the cationic AMPs is another determinant for this interaction between peptides and microbial membrane. The design of novel synthetic AMPs, in-silico, has turned to be a serious challenge because of the broad spectrum of properties that characterize AMPs. Public databases have been already developed and store useful information for hundreds of natural AMPs. Identifying and characterizing AMPs and their functional types has led to many studies and a number of methods have been proposed. Most of them have extracted information from sequence alignment, however, the amino acid composition cannot fully explain the interaction mechanisms of AMPs. Recently, various predictors using machine learning have been developed, based on the compositional characteristics of AMPs amino acid sequences. In this study, a novel computational methodology has been implemented which will offer the ability to characterize the peptides depending on their anti-inflammatory and/or anticancer bioactivity. The first step was the collection of antimicrobial, anticancer, antibacterial, antifungal, antiviral and insecticidal AMPs from DRAMP and DAMPD databases, as the positive sample. Peptides that do not appear to present any bioactivity were collected from Uniprot, as the negative sample. The technique of boosting and random oversampling increased the number of the samples and the final peptide amount was 1491; 213 from each studied category. A number of physicochemical and sequential features (44), which have been proved to be the most indicative for characterizing the antimicrobial peptides, was calculated for each peptide and constituted the final training dataset. The second step was the execution of EnsembleGASVR classification methodology; a computational framework that was proposed in the past for predicting neutral and pathogenic polymorphism variations by classifying missense SNPs (Single Nucleotide Polymorphism) to neutral and disease associated. This methodology facilitates a two-step algorithm, which combines a Support Vector Regression (SVR) classifier with a Genetic Algorithm. Additionally, the method was further improved after replacing the Genetic Algorithm, in its second step, with an evolutionary multi-objective framework, in an attempt to achieve higher performance. The advantage of this method is the effective handling of missing values and the produced models provide a confidence score on every prediction. The training dataset was used to train the aforementioned algorithm. Finally, the quality of the method was evaluated after applying the trained models on a test dataset which predicted the category of the bioactivity that a peptide could belong to. The algorithm was executed five times and the mean of accuracy was calculated to 66.77, while the variance was calculated to 31.07. The ultimate purpose of this algorithm is to apply the best trained models on a superset of uncharacterized peptides, which are met in plant organisms, in order to propose new peptides and plants that can be used in the cancer prevention and the fight against inflammation."]},{"key":"dc:title","label":"Title","values":["Σχεδιασμός και υλοποίηση υπολογιστικής μεθόδου για την ταξινόμηση πεπτιδίων με βάση τη βιοδραστηριότητά τους"]}]}],"canonical_facts":{"dc:creator":["Κολοτούρου Ευσταθία","Kolotourou Efstathia"],"dc:date":["2019"],"dc:description":["Τα τελευταία χρόνια, η ανακάλυψη νέων θεραπειών κατά των λοιμώξεων έχει καταστεί επείγουσα εξαιτίας της ταχέως αυξανόμενης αντίστασης που εμφανίζεται έναντι στα συμβατικά αντιβιοτικά. Το γεγονός οτι τα περισσότερα δυνητικά αντιβιοτικά αποτυγχάνουν να σκοτώσουν παθογόνους οργανισμούς έχει αναπτύξει την ανάγκη σχεδιασμού νέων αντιμικροβιακών φορέων και η κλινική έρευνα πλέον επενδύει στην ταυτοποίηση νέων, μη συμβατικών θεραπειών κατά των μολύνσεων. Τα αντιμικροβιακά πεπτίδια (AMPs) έχουν κεντρίσει το ενδιαφέρον των ερευνητικών ομάδων ως νέα υποψήφια φάρμακα και χάρη στην ικανότητά τους να προστατεύουν το ξενιστή από ποικίλα παθογόνα βακτήρια είναι γνωστά και ως πεπτίδια άμυνας του ξενιστή. Πρόκειται για ολιγοπεπτίδια όπου ο αριθμός των αμινοξικών καταλοίπων τους κυμαίνεται συνήθως από πέντε ως εκατό και δρουν αποτελεσματικά έναντι ποικίλων στόχων, όπως είναι τα βακτήρια, οι ιοι, οι μύκητες και τα παράσιτα. Τα φυσικά αντιμικροβιακά πεπτίδια απαντώνται τόσο σε προκαρυωτικούς (π.χ. βακτήρια) όσο και σε ευκαρυωτικούς οργανισμούς (π.χ. πρωτόζωα, μύκητες, φυτά, έντομα και ζώα) και τα περισσότερα εμφανίζουν κατιονική και αμφιπαθητική ιδιότητα. Η αμφιπαθητικότητα τους τα καθιστά ιδανικά για το σχηματισμό διεπαφών και τους δίνει την ικανότητα διατάραξης της φυσικής ακεραιότητας της μικροβιακής μεμβράνης. Επιπλέον, οι ηλεκτροστατικές δυνάμεις μεταξύ της αρνητικά φορτισμένης βακτηριακής μεμβράνης και των κατιονικών αντιμικροβικακών πεπτιδίων, είναι ακόμα ένας καθοριστικός παράγοντας αυτής της αλληλεπίδρασης πεπτιδίου – μεμβράνης. Το ευρύ φάσμα των ιδιοτήτων που χαρακτηρίζουν τα αντιμικροβιακά πεπτίδια καθιστά τον in-silico σχεδιασμό νέων συνθετικών AMPs μια σοβαρή πρόκληση. Αρκετές δημόσιες βάσεις δεδομένων έχουν ηδη δημιουργηθεί με αποθηκευμένη πληροφορία για εκατοντάδες AMPs. Η ταυτοποίηση και ο χαρακτηρισμός των AMPs και των λειτουργικών τους τύπων έχει οδηγήσει σε πολλές μελέτες και ένας μεγάλος αριθμός μεθόδων έχει προταθεί για αυτόν τον σκοπό. Οι περισσότερες μέθοδοι έχουν εξάγει πληροφορία από την στοίχιση αλληλουχιών, ωστόσο, η αμινοξική σύνθεση δεν μπορεί να επεξηγήσει πάντα πλήρως τους μηχανισμούς αλληλεπίδρασης των AMPs. Πρόσφατα, η μηχανική εκμάθηση έχει συντελέσει στην ανάπτυξη διάφορων μεθόδων πρόβεψης, οι οποίες βασίζονται στα συνθετικά χαρακτηριστικά της αμινοξικής αλληλουχίας των AMPs. Σκοπός της παρούσας διπλωματικής εργασίας είναι η υλοποίηση μιας καινοτόμου υπολογιστικής μεθοδολογίας μηχανικής μάθησης που θα προσφέρει τη δυνατότητα χαρακτηρισμού των πεπτιδίων με βάση την αντιφλεγμονώδη ή/και την αντικαρκινική τους δράση. Το πρώτο βήμα ήταν η συλλογή πεπτιδίων από διάφορες κατηγορίες βιοδραστηριότητας, αντικαρκινική, αντιμικροβιακή, αντιβακτηριακή, αντιμυκητιακή, αντιϊική και εντομοκτόνα από τις υπάρχουσες βάσεις δεδομένων DRAMP και DAMPD, ως το θετικό δείγμα εκπαίδευσης. Παράλληλα, από τη Uniprot συλλέχθησαν πεπτίδια μήκους 10 ως 100 καταλοίπων με το κριτήριο να μην ανήκουν σε κάποια κατηγορία βιοδραστηριότητας, ως το αρνητικό δείγμα εκπαίδευσης. Η τεχνική της τυχαίας υπερδειγματοληψίας και υποδειγματοληψίας χρησιμοποιήθηκε για την αύξηση ή τη μείωση, αντίστοιχα, των δειγμάτων και το τελικό σύνολο πεπτιδίων διαμορφώθηκε σε 1491 πεπτίδια, 213 από κάθε μελετώμενη κατηγορία. Στη συνέχεια, υπολογίστηκε, για κάθε ένα πεπτίδιο, ένας αριθμός (44) από φυσικοχημικά και ακολουθιακά χαρακτηριστικά, τα οποία εχει αποδειχθεί να αποτελούν τα πιο αντιπροσωπευτικά στον χαρακτηρισμό των αντιμικροβιακών πεπτιδίων. Με αυτόν τον τρόπο δημιουργήθηκε το σύνολο δεδομένων εκπαίδευσης του μοντέλου πρόβλεψης. Το δεύτερο βήμα ήταν η εκτέλεση της EnsembleGASVR μεθοδολογίας ταξινόμησης, μιας υπολογιστικής μεθόδου που προτάθηκε στο παρελθόν για την πρόβλεψη ουδέτερων και παθογενών πολυμορφισμών κατηγοριοποιώντας τους Σημειακούς Μονονουκλεοτιδικούς Πολυμορφισμούς (SNPs) σε ουδέτερους και σε αυτούς που σχετίζονται με κάποια ασθένεια. Η εν λόγω μεθοδολογία συνδυάζει έναν ταξινομητή Support Vector Regression (SVR) και έναν Γενετικό Αλγόριθμο (GA). Επιπροθέτως, η μέθοδος αυτή έχει βελτιωθεί κατόπιν αντικατάστασης του γενετικού αλγόριθμου με έναν εξελικτικό multi-objective αλγόριθμο, σε μια προσπάθεια επίτευξης αυξημένης απόδοσης. Η μεθοδολογία αυτή έχει το πλεονέκτημα ότι χειρίζεται με πολύ αποδοτικό τρόπο τις ελλιπείς τιμές ενώ επίσης τα μοντέλα που εξάγονται από αυτήν παρέχουν και ένα βαθμό εμπιστοσύνης για κάθε πρόβλεψη τους. Επιπλέον κατασκευάστηκε και ένα δοκιμαστικό σύνολο δεδομένων, που εφαρμόστηκε ως είσοδος στο μοντέλο για την αξιολόγηση της απόδοσής του με βάση το αν προέβλεψε σωστά ή όχι την κατηγορία στην οποία ανήκει κάθε πεπτίδιο. Η εκτέλεση του αλγόριθμου επαναλήφθηκε πέντε φορές και ο μέσος όρος της ακρίβειας πρόβλεψης υπολογίστηκε 66.77 ενώ η διακύμανση υπολογίστηκε 31.07. Απώτερος σκοπός είναι η βελτίωση της απόδοσης και τελικά η εφαρμογή των εκπαιδευμένων μοντέλων σε ένα αυξημένο σύνολο από αχαρακτήριστα πεπτίδια που περιλαμβάνονται σε φυτικούς οργανισμούς έτσι ώστε να προταθούν καινούρια πεπτίδια και φυτά που μπορούν να χρησιμοποιηθούν για την καταπολέμηση των φλεγμονών αλλά και την πρόληψη κατά του καρκίνου.","In recent years, the discovery of new infection therapeutics has become an urgent due to the rapidly increasing infection resistance toward conventional antibiotics. The fact that most potential antibiotics fail to kill pathogens has grown the need to design new antimicrobial agents and the clinical research is now invested into identification of new, non-conventional anti-infective therapies. Antimicrobial peptides (AMPs) have captured the research attention as novel drug candidates and they are also known as host defense peptides because they can protect the host from various pathogenic bacteria. They are oligopeptides with a varying number of amino acids, five to one hundred, and they are effective towards a wide variety of targets, such as bacteria, viruses, fungi and parasites. Natural AMPs can be found in both prokaryotes (e.g., bacteria) and eukaryotes (e.g., protozoan, fungi, plants, insects, and animals) most of which are cationic and amphipathic. This amphipathicity gives them the ability to disrupt the physical integrity of the microbial membrane. Moreover, the electrostatic forces between the negatively charged bacterial surface and the cationic AMPs is another determinant for this interaction between peptides and microbial membrane. The design of novel synthetic AMPs, in-silico, has turned to be a serious challenge because of the broad spectrum of properties that characterize AMPs. Public databases have been already developed and store useful information for hundreds of natural AMPs. Identifying and characterizing AMPs and their functional types has led to many studies and a number of methods have been proposed. Most of them have extracted information from sequence alignment, however, the amino acid composition cannot fully explain the interaction mechanisms of AMPs. Recently, various predictors using machine learning have been developed, based on the compositional characteristics of AMPs amino acid sequences. In this study, a novel computational methodology has been implemented which will offer the ability to characterize the peptides depending on their anti-inflammatory and/or anticancer bioactivity. The first step was the collection of antimicrobial, anticancer, antibacterial, antifungal, antiviral and insecticidal AMPs from DRAMP and DAMPD databases, as the positive sample. Peptides that do not appear to present any bioactivity were collected from Uniprot, as the negative sample. The technique of boosting and random oversampling increased the number of the samples and the final peptide amount was 1491; 213 from each studied category. A number of physicochemical and sequential features (44), which have been proved to be the most indicative for characterizing the antimicrobial peptides, was calculated for each peptide and constituted the final training dataset. The second step was the execution of EnsembleGASVR classification methodology; a computational framework that was proposed in the past for predicting neutral and pathogenic polymorphism variations by classifying missense SNPs (Single Nucleotide Polymorphism) to neutral and disease associated. This methodology facilitates a two-step algorithm, which combines a Support Vector Regression (SVR) classifier with a Genetic Algorithm. Additionally, the method was further improved after replacing the Genetic Algorithm, in its second step, with an evolutionary multi-objective framework, in an attempt to achieve higher performance. The advantage of this method is the effective handling of missing values and the produced models provide a confidence score on every prediction. The training dataset was used to train the aforementioned algorithm. Finally, the quality of the method was evaluated after applying the trained models on a test dataset which predicted the category of the bioactivity that a peptide could belong to. The algorithm was executed five times and the mean of accuracy was calculated to 66.77, while the variance was calculated to 31.07. The ultimate purpose of this algorithm is to apply the best trained models on a superset of uncharacterized peptides, which are met in plant organisms, in order to propose new peptides and plants that can be used in the cancer prevention and the fight against inflammation."],"dc:identifier":["uoadl:2866614","https://pergamos.lib.uoa.gr/uoa/dl/object/2866614"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Σχεδιασμός και υλοποίηση υπολογιστικής μεθόδου για την ταξινόμηση πεπτιδίων με βάση τη βιοδραστηριότητά τους"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:34:51Z"}