{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2886237"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2886237","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μελέτη αναπαραστάσεων βιολογικών ακολουθιών σε προβλήματα ταξινόμησης","abstract":"Η ταχεία πρόοδος των μεθόδων αλληλούχισης του γονιδιώματος και ο τερά- στιος όγκος εύκολα προσβάσιμων κλινικών δεδομένων επέτρεψαν στους ερευνητές να επιλύσουν θεμελιώδη βιολογικά προβλήματα αξιοποιώντας την εργαλειοθήκη της Μηχανικής Μάθησης. Η Υπολογιστική Βιολογία αξιοποιεί τις μεθόδους επε- ξεργασίας σήματος για την ανάλυση, ερμηνεία και εξαγωγή συμπερασμάτων από γονιδιωματικά δεδομένα (επεξεργασία γονιδιωματικών σημάτων). Αυτές οι μέθο- δοι απαιτούν τη μετατροπή των γονιδιωματικών ακολουθιών (ακολουθίες χαρακτή- ρων) σε μια αριθμητική αναπαράσταση με τη μορφή μονοδιάστατων ή πολυδιάστα- των πινάκων αριθμητικών τιμών. Ο μετασχηματισμός αυτός επιτρέπει την αναπα- ράσταση γονιδιωματικών ακολουθιών ως διανύσματα χαρακτηριστικών, επιτρέπο- ντας έτσι περαιτέρω ανάλυση με αλγόριθμοι κατηγοριοποίησης και ομαδοποίησης. Από ποικιλία ερευνητικών μελετών έχει αποδειχθεί ότι η χρήση αριθμητικών μετασχηματισμών DNA ακολουθιών αποσκοπεί κυρίως στις αναλύσεις ομοιότητας με υπολογισμό αποστάσεων μεταξύ των διανυσμάτων που προκύπτουν. Ωστόσο, φαίνεται ότι υπάρχουν λίγες μελέτες σχετικά με την απόδοσή τους κατά τη διά- κριση συντηρημένων στοιχείων κατά μήκος του γονιδιώματος. Ο κύριος στόχος αυ- τής της μεταπτυχιακής εργασίας είναι η υλοποίηση μερικών ευρέως χρησιμοποιού- μενων αριθμητικών αναπαραστάσεων και η αξιολόγηση της απόδοσής τους στην ταξινόμηση των DNA ακολουθιών που είναι γνωστές ως συντηρημένα μη κωδικά στοιχεία (CNEs). Τα CNEs αποτελούνται από μια κατηγορία μη κωδικών γονιδιω- ματικών ακολουθιών που εμφανίζουν υψηλό βαθμό συντήρησης μεταξύ των οργα- νισμών και τα οποία έχουν συσχετιστεί με αναπτυξιακά προβλήματα και καρκίνο. Η προσέγγιση που επιλέχθηκε στην παρούσα διπλωματική περιελάμβανε την αναπαράσταση των δεδομένων με διαφορετικά σύνολα διανυσμάτων χαρακτηρι- στικών, όπου κάθε σύνολο διανυσμάτων προερχόταν από διαφορετική αναπαρά- σταση. Οι ακολουθίες χρησιμοποιήθηκαν με την μορφή αυτή για την αξιολόγηση της απόδοσης διαφορετικών αλγόριθμων ταξινόμησης. Οι αναπαραστάσεις κατη- γοριοποιήθηκαν βάσει του πλήθους των αριθμητικών τιμών που αντιστοιχεί σε κάθε χαρακτήρα της ακολουθίας DNA. Για να προσδιοριστεί ένα μοτίβο της χρησιμό- τητας των διαφόρων αναπαραστάσεων, ακολουθήθηκε συγκεκριμένη διαδικασία: κάθε πείραμα ταξινόμησης αποτελούταν από ένα ζεύγος γονιδιωματικών ακολου- θιών διαφορετικών κλάσεων. Ο συνολικός αριθμός δυαδικών πειραμάτων ταξινό- μησης ανέρχονται σε 26, καλύπτοντας ποικιλία πειραματικών ρυθμίσεων. Η από- δοση των ταξινομητών βρέθηκε ότι επηρεάζεται από το μεταβλητό μήκος των γονι- διωματικών ακολουθιών, αποτέλεσμα το οποίο οδήγησε στην διερεύνηση εναλλα- κτικών λύσεων διατηρώντας παράλληλα την ακεραιότητα των επιλεγμένων αναπα- ραστάσεων. Προκειμένου να βελτιώσουμε την απόδοση των ταξινομητών, αξιολογήσαμε μετασχηματισμούς από κωδικοποιήσεις μεταβλητού εύρους σε κωδικοποιήσεις στα- θερού μήκους, οι οποίες είναι καταλληλότερες για μία ποικιλία προσεγγίσεων μηχανικής μάθησης. Τέτοιες μέθοδοι έχουν χρησιμοποιηθεί στη φυσική γλώσσα επε- ξεργασίας και επεξεργασίας σήματος (π.χ. χώροι ομοιότητας σε μοντέλα γράφων ν-γραμμάτων, μετασχηματισμοί με βάση τη συχνότητα), αλλά μπορεί να χρειαστεί η προσαρμογή τους στο βιοϊατρικό περιβάλλον του έργου.","abstract_html":"Η ταχεία πρόοδος των μεθόδων αλληλούχισης του γονιδιώματος και ο τερά- στιος όγκος εύκολα προσβάσιμων κλινικών δεδομένων επέτρεψαν στους ερευνητές να επιλύσουν θεμελιώδη βιολογικά προβλήματα αξιοποιώντας την εργαλειοθήκη της Μηχανικής Μάθησης. Η Υπολογιστική Βιολογία αξιοποιεί τις μεθόδους επε- ξεργασίας σήματος για την ανάλυση, ερμηνεία και εξαγωγή συμπερασμάτων από γονιδιωματικά δεδομένα (επεξεργασία γονιδιωματικών σημάτων). Αυτές οι μέθο- δοι απαιτούν τη μετατροπή των γονιδιωματικών ακολουθιών (ακολουθίες χαρακτή- ρων) σε μια αριθμητική αναπαράσταση με τη μορφή μονοδιάστατων ή πολυδιάστα- των πινάκων αριθμητικών τιμών. Ο μετασχηματισμός αυτός επιτρέπει την αναπα- ράσταση γονιδιωματικών ακολουθιών ως διανύσματα χαρακτηριστικών, επιτρέπο- ντας έτσι περαιτέρω ανάλυση με αλγόριθμοι κατηγοριοποίησης και ομαδοποίησης. Από ποικιλία ερευνητικών μελετών έχει αποδειχθεί ότι η χρήση αριθμητικών μετασχηματισμών DNA ακολουθιών αποσκοπεί κυρίως στις αναλύσεις ομοιότητας με υπολογισμό αποστάσεων μεταξύ των διανυσμάτων που προκύπτουν. Ωστόσο, φαίνεται ότι υπάρχουν λίγες μελέτες σχετικά με την απόδοσή τους κατά τη διά- κριση συντηρημένων στοιχείων κατά μήκος του γονιδιώματος. Ο κύριος στόχος αυ- τής της μεταπτυχιακής εργασίας είναι η υλοποίηση μερικών ευρέως χρησιμοποιού- μενων αριθμητικών αναπαραστάσεων και η αξιολόγηση της απόδοσής τους στην ταξινόμηση των DNA ακολουθιών που είναι γνωστές ως συντηρημένα μη κωδικά στοιχεία (CNEs). Τα CNEs αποτελούνται από μια κατηγορία μη κωδικών γονιδιω- ματικών ακολουθιών που εμφανίζουν υψηλό βαθμό συντήρησης μεταξύ των οργα- νισμών και τα οποία έχουν συσχετιστεί με αναπτυξιακά προβλήματα και καρκίνο. Η προσέγγιση που επιλέχθηκε στην παρούσα διπλωματική περιελάμβανε την αναπαράσταση των δεδομένων με διαφορετικά σύνολα διανυσμάτων χαρακτηρι- στικών, όπου κάθε σύνολο διανυσμάτων προερχόταν από διαφορετική αναπαρά- σταση. Οι ακολουθίες χρησιμοποιήθηκαν με την μορφή αυτή για την αξιολόγηση της απόδοσης διαφορετικών αλγόριθμων ταξινόμησης. Οι αναπαραστάσεις κατη- γοριοποιήθηκαν βάσει του πλήθους των αριθμητικών τιμών που αντιστοιχεί σε κάθε χαρακτήρα της ακολουθίας DNA. Για να προσδιοριστεί ένα μοτίβο της χρησιμό- τητας των διαφόρων αναπαραστάσεων, ακολουθήθηκε συγκεκριμένη διαδικασία: κάθε πείραμα ταξινόμησης αποτελούταν από ένα ζεύγος γονιδιωματικών ακολου- θιών διαφορετικών κλάσεων. Ο συνολικός αριθμός δυαδικών πειραμάτων ταξινό- μησης ανέρχονται σε 26, καλύπτοντας ποικιλία πειραματικών ρυθμίσεων. Η από- δοση των ταξινομητών βρέθηκε ότι επηρεάζεται από το μεταβλητό μήκος των γονι- διωματικών ακολουθιών, αποτέλεσμα το οποίο οδήγησε στην διερεύνηση εναλλα- κτικών λύσεων διατηρώντας παράλληλα την ακεραιότητα των επιλεγμένων αναπα- ραστάσεων. Προκειμένου να βελτιώσουμε την απόδοση των ταξινομητών, αξιολογήσαμε μετασχηματισμούς από κωδικοποιήσεις μεταβλητού εύρους σε κωδικοποιήσεις στα- θερού μήκους, οι οποίες είναι καταλληλότερες για μία ποικιλία προσεγγίσεων μηχανικής μάθησης. Τέτοιες μέθοδοι έχουν χρησιμοποιηθεί στη φυσική γλώσσα επε- ξεργασίας και επεξεργασίας σήματος (π.χ. χώροι ομοιότητας σε μοντέλα γράφων ν-γραμμάτων, μετασχηματισμοί με βάση τη συχνότητα), αλλά μπορεί να χρειαστεί η προσαρμογή τους στο βιοϊατρικό περιβάλλον του έργου.","abstract_has_math":false,"creators":["Αθανασούλη Μαρίνα-Αγάπη","Athanasouli Marina-Agapi"],"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":"2026-11-19T05:36:31Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2886237"],"render_values":[{"text":"uoadl:2886237","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2886237","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2886237","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%3A2886237","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Αθανασούλη Μαρίνα-Αγάπη","Athanasouli Marina-Agapi"]}]},{"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:2886237","https://pergamos.lib.uoa.gr/uoa/dl/object/2886237"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η ταχεία πρόοδος των μεθόδων αλληλούχισης του γονιδιώματος και ο τερά- στιος όγκος εύκολα προσβάσιμων κλινικών δεδομένων επέτρεψαν στους ερευνητές να επιλύσουν θεμελιώδη βιολογικά προβλήματα αξιοποιώντας την εργαλειοθήκη της Μηχανικής Μάθησης. Η Υπολογιστική Βιολογία αξιοποιεί τις μεθόδους επε- ξεργασίας σήματος για την ανάλυση, ερμηνεία και εξαγωγή συμπερασμάτων από γονιδιωματικά δεδομένα (επεξεργασία γονιδιωματικών σημάτων). Αυτές οι μέθο- δοι απαιτούν τη μετατροπή των γονιδιωματικών ακολουθιών (ακολουθίες χαρακτή- ρων) σε μια αριθμητική αναπαράσταση με τη μορφή μονοδιάστατων ή πολυδιάστα- των πινάκων αριθμητικών τιμών. Ο μετασχηματισμός αυτός επιτρέπει την αναπα- ράσταση γονιδιωματικών ακολουθιών ως διανύσματα χαρακτηριστικών, επιτρέπο- ντας έτσι περαιτέρω ανάλυση με αλγόριθμοι κατηγοριοποίησης και ομαδοποίησης. Από ποικιλία ερευνητικών μελετών έχει αποδειχθεί ότι η χρήση αριθμητικών μετασχηματισμών DNA ακολουθιών αποσκοπεί κυρίως στις αναλύσεις ομοιότητας με υπολογισμό αποστάσεων μεταξύ των διανυσμάτων που προκύπτουν. Ωστόσο, φαίνεται ότι υπάρχουν λίγες μελέτες σχετικά με την απόδοσή τους κατά τη διά- κριση συντηρημένων στοιχείων κατά μήκος του γονιδιώματος. Ο κύριος στόχος αυ- τής της μεταπτυχιακής εργασίας είναι η υλοποίηση μερικών ευρέως χρησιμοποιού- μενων αριθμητικών αναπαραστάσεων και η αξιολόγηση της απόδοσής τους στην ταξινόμηση των DNA ακολουθιών που είναι γνωστές ως συντηρημένα μη κωδικά στοιχεία (CNEs). Τα CNEs αποτελούνται από μια κατηγορία μη κωδικών γονιδιω- ματικών ακολουθιών που εμφανίζουν υψηλό βαθμό συντήρησης μεταξύ των οργα- νισμών και τα οποία έχουν συσχετιστεί με αναπτυξιακά προβλήματα και καρκίνο. Η προσέγγιση που επιλέχθηκε στην παρούσα διπλωματική περιελάμβανε την αναπαράσταση των δεδομένων με διαφορετικά σύνολα διανυσμάτων χαρακτηρι- στικών, όπου κάθε σύνολο διανυσμάτων προερχόταν από διαφορετική αναπαρά- σταση. Οι ακολουθίες χρησιμοποιήθηκαν με την μορφή αυτή για την αξιολόγηση της απόδοσης διαφορετικών αλγόριθμων ταξινόμησης. Οι αναπαραστάσεις κατη- γοριοποιήθηκαν βάσει του πλήθους των αριθμητικών τιμών που αντιστοιχεί σε κάθε χαρακτήρα της ακολουθίας DNA. Για να προσδιοριστεί ένα μοτίβο της χρησιμό- τητας των διαφόρων αναπαραστάσεων, ακολουθήθηκε συγκεκριμένη διαδικασία: κάθε πείραμα ταξινόμησης αποτελούταν από ένα ζεύγος γονιδιωματικών ακολου- θιών διαφορετικών κλάσεων. Ο συνολικός αριθμός δυαδικών πειραμάτων ταξινό- μησης ανέρχονται σε 26, καλύπτοντας ποικιλία πειραματικών ρυθμίσεων. Η από- δοση των ταξινομητών βρέθηκε ότι επηρεάζεται από το μεταβλητό μήκος των γονι- διωματικών ακολουθιών, αποτέλεσμα το οποίο οδήγησε στην διερεύνηση εναλλα- κτικών λύσεων διατηρώντας παράλληλα την ακεραιότητα των επιλεγμένων αναπα- ραστάσεων. Προκειμένου να βελτιώσουμε την απόδοση των ταξινομητών, αξιολογήσαμε μετασχηματισμούς από κωδικοποιήσεις μεταβλητού εύρους σε κωδικοποιήσεις στα- θερού μήκους, οι οποίες είναι καταλληλότερες για μία ποικιλία προσεγγίσεων μηχανικής μάθησης. Τέτοιες μέθοδοι έχουν χρησιμοποιηθεί στη φυσική γλώσσα επε- ξεργασίας και επεξεργασίας σήματος (π.χ. χώροι ομοιότητας σε μοντέλα γράφων ν-γραμμάτων, μετασχηματισμοί με βάση τη συχνότητα), αλλά μπορεί να χρειαστεί η προσαρμογή τους στο βιοϊατρικό περιβάλλον του έργου.","The rapid progress in genome sequencing and the vast amount of easily accessible clinical data have enabled researchers to approach fundamental biological problems within the framework of machine learning. Computational Biology reclaims signal processing methods in order to analyze, interpret and draw conclusions from genomic data (Genomic Signal Processing). Those methods require the transformation of the genomic information (string of characters) to a numerical representation in the form of a single- or multidimensional array of numeric values. Among other uses, the transformation allows for genomic sequences to be represented as feature vectors, thus enabling further analysis by classification and clustering algorithms. Research data has shown that numerical transformations of DNA sequences are used mostly to perform similarity analyses by computing distances among the obtained vectors. However, there seems to be little evidence concerning their performance in distinguishing conserved elements along the genome. The main objective of this master thesis is the reimplementation of the most widely used numerical representations and the evaluation of their performance in the classification of DNA sequences known as Conserved Non-coding Elements (CNEs). CNEs consist a class of non-protein coding sequences exhibiting an extraordinary degree of conservation among organisms whose disruption has been linked to developmental problems and cancer. The approach chosen involved the representation of the dataset with different sets of feature vectors, where each set would originate from a different representation pipeline. The represented sequences would then be utilized to evaluate the performance of different classifiers. The representations were categorized based on the amount of numerical values assigned to each character of the DNA sequence. To identify consistent pattern on the usefulness of different representations, we worked on a number of tasks: each task dataset consisted of a pair of classes of genome sequences. The total number of 2-class classification tasks amounts to 26, covering a variety of settings. The classifiers’ performance was found to be affected by the variation in the length of the different DNA sequences, a result that led to the exploration of alternative solutions while maintaining the integrity of the chosen representations. In order to improve the classifiers’ performance, we evaluated transformations from variable-width encodings to fixed-width encodings, which are more appropriate for a variety of machine learning approaches. Such methods have been used in natural language processing and signal processing (e.g. likelihood of a sequence with respect to a set of Hidden Markov Models; similarity spaces to n-gram graph models; frequency-based transformations) but may need to be adapted to the biomedical setting of the work."]},{"key":"dc:title","label":"Title","values":["Μελέτη αναπαραστάσεων βιολογικών ακολουθιών σε προβλήματα ταξινόμησης"]}]}],"canonical_facts":{"dc:creator":["Αθανασούλη Μαρίνα-Αγάπη","Athanasouli Marina-Agapi"],"dc:date":["2019"],"dc:description":["Η ταχεία πρόοδος των μεθόδων αλληλούχισης του γονιδιώματος και ο τερά- στιος όγκος εύκολα προσβάσιμων κλινικών δεδομένων επέτρεψαν στους ερευνητές να επιλύσουν θεμελιώδη βιολογικά προβλήματα αξιοποιώντας την εργαλειοθήκη της Μηχανικής Μάθησης. Η Υπολογιστική Βιολογία αξιοποιεί τις μεθόδους επε- ξεργασίας σήματος για την ανάλυση, ερμηνεία και εξαγωγή συμπερασμάτων από γονιδιωματικά δεδομένα (επεξεργασία γονιδιωματικών σημάτων). Αυτές οι μέθο- δοι απαιτούν τη μετατροπή των γονιδιωματικών ακολουθιών (ακολουθίες χαρακτή- ρων) σε μια αριθμητική αναπαράσταση με τη μορφή μονοδιάστατων ή πολυδιάστα- των πινάκων αριθμητικών τιμών. Ο μετασχηματισμός αυτός επιτρέπει την αναπα- ράσταση γονιδιωματικών ακολουθιών ως διανύσματα χαρακτηριστικών, επιτρέπο- ντας έτσι περαιτέρω ανάλυση με αλγόριθμοι κατηγοριοποίησης και ομαδοποίησης. Από ποικιλία ερευνητικών μελετών έχει αποδειχθεί ότι η χρήση αριθμητικών μετασχηματισμών DNA ακολουθιών αποσκοπεί κυρίως στις αναλύσεις ομοιότητας με υπολογισμό αποστάσεων μεταξύ των διανυσμάτων που προκύπτουν. Ωστόσο, φαίνεται ότι υπάρχουν λίγες μελέτες σχετικά με την απόδοσή τους κατά τη διά- κριση συντηρημένων στοιχείων κατά μήκος του γονιδιώματος. Ο κύριος στόχος αυ- τής της μεταπτυχιακής εργασίας είναι η υλοποίηση μερικών ευρέως χρησιμοποιού- μενων αριθμητικών αναπαραστάσεων και η αξιολόγηση της απόδοσής τους στην ταξινόμηση των DNA ακολουθιών που είναι γνωστές ως συντηρημένα μη κωδικά στοιχεία (CNEs). Τα CNEs αποτελούνται από μια κατηγορία μη κωδικών γονιδιω- ματικών ακολουθιών που εμφανίζουν υψηλό βαθμό συντήρησης μεταξύ των οργα- νισμών και τα οποία έχουν συσχετιστεί με αναπτυξιακά προβλήματα και καρκίνο. Η προσέγγιση που επιλέχθηκε στην παρούσα διπλωματική περιελάμβανε την αναπαράσταση των δεδομένων με διαφορετικά σύνολα διανυσμάτων χαρακτηρι- στικών, όπου κάθε σύνολο διανυσμάτων προερχόταν από διαφορετική αναπαρά- σταση. Οι ακολουθίες χρησιμοποιήθηκαν με την μορφή αυτή για την αξιολόγηση της απόδοσης διαφορετικών αλγόριθμων ταξινόμησης. Οι αναπαραστάσεις κατη- γοριοποιήθηκαν βάσει του πλήθους των αριθμητικών τιμών που αντιστοιχεί σε κάθε χαρακτήρα της ακολουθίας DNA. Για να προσδιοριστεί ένα μοτίβο της χρησιμό- τητας των διαφόρων αναπαραστάσεων, ακολουθήθηκε συγκεκριμένη διαδικασία: κάθε πείραμα ταξινόμησης αποτελούταν από ένα ζεύγος γονιδιωματικών ακολου- θιών διαφορετικών κλάσεων. Ο συνολικός αριθμός δυαδικών πειραμάτων ταξινό- μησης ανέρχονται σε 26, καλύπτοντας ποικιλία πειραματικών ρυθμίσεων. Η από- δοση των ταξινομητών βρέθηκε ότι επηρεάζεται από το μεταβλητό μήκος των γονι- διωματικών ακολουθιών, αποτέλεσμα το οποίο οδήγησε στην διερεύνηση εναλλα- κτικών λύσεων διατηρώντας παράλληλα την ακεραιότητα των επιλεγμένων αναπα- ραστάσεων. Προκειμένου να βελτιώσουμε την απόδοση των ταξινομητών, αξιολογήσαμε μετασχηματισμούς από κωδικοποιήσεις μεταβλητού εύρους σε κωδικοποιήσεις στα- θερού μήκους, οι οποίες είναι καταλληλότερες για μία ποικιλία προσεγγίσεων μηχανικής μάθησης. Τέτοιες μέθοδοι έχουν χρησιμοποιηθεί στη φυσική γλώσσα επε- ξεργασίας και επεξεργασίας σήματος (π.χ. χώροι ομοιότητας σε μοντέλα γράφων ν-γραμμάτων, μετασχηματισμοί με βάση τη συχνότητα), αλλά μπορεί να χρειαστεί η προσαρμογή τους στο βιοϊατρικό περιβάλλον του έργου.","The rapid progress in genome sequencing and the vast amount of easily accessible clinical data have enabled researchers to approach fundamental biological problems within the framework of machine learning. Computational Biology reclaims signal processing methods in order to analyze, interpret and draw conclusions from genomic data (Genomic Signal Processing). Those methods require the transformation of the genomic information (string of characters) to a numerical representation in the form of a single- or multidimensional array of numeric values. Among other uses, the transformation allows for genomic sequences to be represented as feature vectors, thus enabling further analysis by classification and clustering algorithms. Research data has shown that numerical transformations of DNA sequences are used mostly to perform similarity analyses by computing distances among the obtained vectors. However, there seems to be little evidence concerning their performance in distinguishing conserved elements along the genome. The main objective of this master thesis is the reimplementation of the most widely used numerical representations and the evaluation of their performance in the classification of DNA sequences known as Conserved Non-coding Elements (CNEs). CNEs consist a class of non-protein coding sequences exhibiting an extraordinary degree of conservation among organisms whose disruption has been linked to developmental problems and cancer. The approach chosen involved the representation of the dataset with different sets of feature vectors, where each set would originate from a different representation pipeline. The represented sequences would then be utilized to evaluate the performance of different classifiers. The representations were categorized based on the amount of numerical values assigned to each character of the DNA sequence. To identify consistent pattern on the usefulness of different representations, we worked on a number of tasks: each task dataset consisted of a pair of classes of genome sequences. The total number of 2-class classification tasks amounts to 26, covering a variety of settings. The classifiers’ performance was found to be affected by the variation in the length of the different DNA sequences, a result that led to the exploration of alternative solutions while maintaining the integrity of the chosen representations. In order to improve the classifiers’ performance, we evaluated transformations from variable-width encodings to fixed-width encodings, which are more appropriate for a variety of machine learning approaches. Such methods have been used in natural language processing and signal processing (e.g. likelihood of a sequence with respect to a set of Hidden Markov Models; similarity spaces to n-gram graph models; frequency-based transformations) but may need to be adapted to the biomedical setting of the work."],"dc:identifier":["uoadl:2886237","https://pergamos.lib.uoa.gr/uoa/dl/object/2886237"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Μελέτη αναπαραστάσεων βιολογικών ακολουθιών σε προβλήματα ταξινόμησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:36:31Z"}