{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2924597"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2924597","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Data mining techniques and their applications in biological databases","abstract":"Σκοπός αυτής της διπλωματικής εργασίας είναι η κατασκευή και ανάπτυξη αλγορίθμων μηχανικής και βαθιάς μάθησης (που αποτελούν τον βασικό πυρήνα των τεχνικών εξόρυξης γνώσης) για την πρόγνωση και ταξινόμηση μεμβρανικών πρωτεϊνών και να αναφέρει την απόδοση τους. Αντί να σχεδιάσουμε μια ακόμη υπολογιστική μέθοδο μεταξύ των αρκετών ήδη υπάρχοντων εργαλείων πρόγνωσης μεμβρανικών πρωτεϊνών, εστιάζουμε περισσότερο στην αξιολόγηση και σύγκριση των σύγχρονων μοντέλων βαθιάς μάθησης με τα πιο παραδοσιακά, και στην επίδραση της διανυσματικής αναπαράστασης στην προγνωστική ακρίβεια. Αναζητούμε το βαθμό και τους τρόπους με τους οποίους η σχεδίαση ενός μοντέλου και η επιλογή των πρωτεϊνικών αναπαραστάσεων επηρεάζουν την ορθότητα των προγνώσεων. Το κάνουμε για να βοηθήσουμε τους ερευνητές και επιστήμονες βιοπληροφορικής να καταλάβουν τη λειτουργία των μοντέλων πρόγνωσης μεμβρανικών πρωτεϊνών. Χρησιμοποιώντας οκτώ ξεχωριστά μοντέλα ταξινόμησης και δύο εγγενώς διαφορετικές πρωτεϊνικές αναπαραστάσεις, δείχνουμε ότι σε πολλές περιπτώσεις οι παραδοσιακοί αλγόριθμοι συναγωνίζονται επάξια ακόμη και τους πιο εκλεπτυσμένους σύγχρονους. Δείχνουμε ακόμη ότι μια πιο περίπλοκη, βασισμένη στις φυσικοχημικές αμινοξικές ιδιότητες, πρωτεϊνική κωδικοποίηση δεν διασφαλίζει καλύτερα αποτελέσματα από την απλούστερη δυαδική διανυσματοποίηση. Η σημασία αυτής της μελέτης έγκειται στον εμπλουτισμό των γνώσεων μας γενικά περί του θεωρητικού υποβάθρου της πρόγνωσης πρωτεϊνικών τύπων, με έμφαση στον αλγοριθμικό σχεδιασμό και την πρωτεϊνική διανυσματοποίηση.","abstract_html":"Σκοπός αυτής της διπλωματικής εργασίας είναι η κατασκευή και ανάπτυξη αλγορίθμων μηχανικής και βαθιάς μάθησης (που αποτελούν τον βασικό πυρήνα των τεχνικών εξόρυξης γνώσης) για την πρόγνωση και ταξινόμηση μεμβρανικών πρωτεϊνών και να αναφέρει την απόδοση τους. Αντί να σχεδιάσουμε μια ακόμη υπολογιστική μέθοδο μεταξύ των αρκετών ήδη υπάρχοντων εργαλείων πρόγνωσης μεμβρανικών πρωτεϊνών, εστιάζουμε περισσότερο στην αξιολόγηση και σύγκριση των σύγχρονων μοντέλων βαθιάς μάθησης με τα πιο παραδοσιακά, και στην επίδραση της διανυσματικής αναπαράστασης στην προγνωστική ακρίβεια. Αναζητούμε το βαθμό και τους τρόπους με τους οποίους η σχεδίαση ενός μοντέλου και η επιλογή των πρωτεϊνικών αναπαραστάσεων επηρεάζουν την ορθότητα των προγνώσεων. Το κάνουμε για να βοηθήσουμε τους ερευνητές και επιστήμονες βιοπληροφορικής να καταλάβουν τη λειτουργία των μοντέλων πρόγνωσης μεμβρανικών πρωτεϊνών. Χρησιμοποιώντας οκτώ ξεχωριστά μοντέλα ταξινόμησης και δύο εγγενώς διαφορετικές πρωτεϊνικές αναπαραστάσεις, δείχνουμε ότι σε πολλές περιπτώσεις οι παραδοσιακοί αλγόριθμοι συναγωνίζονται επάξια ακόμη και τους πιο εκλεπτυσμένους σύγχρονους. Δείχνουμε ακόμη ότι μια πιο περίπλοκη, βασισμένη στις φυσικοχημικές αμινοξικές ιδιότητες, πρωτεϊνική κωδικοποίηση δεν διασφαλίζει καλύτερα αποτελέσματα από την απλούστερη δυαδική διανυσματοποίηση. Η σημασία αυτής της μελέτης έγκειται στον εμπλουτισμό των γνώσεων μας γενικά περί του θεωρητικού υποβάθρου της πρόγνωσης πρωτεϊνικών τύπων, με έμφαση στον αλγοριθμικό σχεδιασμό και την πρωτεϊνική διανυσματοποίηση.","abstract_has_math":false,"creators":["Ταμβάκης Πέτρος-Ευάγγελος","Tamvakis Peter-Evaggelos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2020,"date_issued":"2020","date_published":"2020","updated_at":"2026-11-19T05:40:08Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2924597"],"render_values":[{"text":"uoadl:2924597","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2924597","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2924597","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%3A2924597","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ταμβάκης Πέτρος-Ευάγγελος","Tamvakis Peter-Evaggelos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2020"]},{"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":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2924597","https://pergamos.lib.uoa.gr/uoa/dl/object/2924597"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Σκοπός αυτής της διπλωματικής εργασίας είναι η κατασκευή και ανάπτυξη αλγορίθμων μηχανικής και βαθιάς μάθησης (που αποτελούν τον βασικό πυρήνα των τεχνικών εξόρυξης γνώσης) για την πρόγνωση και ταξινόμηση μεμβρανικών πρωτεϊνών και να αναφέρει την απόδοση τους. Αντί να σχεδιάσουμε μια ακόμη υπολογιστική μέθοδο μεταξύ των αρκετών ήδη υπάρχοντων εργαλείων πρόγνωσης μεμβρανικών πρωτεϊνών, εστιάζουμε περισσότερο στην αξιολόγηση και σύγκριση των σύγχρονων μοντέλων βαθιάς μάθησης με τα πιο παραδοσιακά, και στην επίδραση της διανυσματικής αναπαράστασης στην προγνωστική ακρίβεια. Αναζητούμε το βαθμό και τους τρόπους με τους οποίους η σχεδίαση ενός μοντέλου και η επιλογή των πρωτεϊνικών αναπαραστάσεων επηρεάζουν την ορθότητα των προγνώσεων. Το κάνουμε για να βοηθήσουμε τους ερευνητές και επιστήμονες βιοπληροφορικής να καταλάβουν τη λειτουργία των μοντέλων πρόγνωσης μεμβρανικών πρωτεϊνών. Χρησιμοποιώντας οκτώ ξεχωριστά μοντέλα ταξινόμησης και δύο εγγενώς διαφορετικές πρωτεϊνικές αναπαραστάσεις, δείχνουμε ότι σε πολλές περιπτώσεις οι παραδοσιακοί αλγόριθμοι συναγωνίζονται επάξια ακόμη και τους πιο εκλεπτυσμένους σύγχρονους. Δείχνουμε ακόμη ότι μια πιο περίπλοκη, βασισμένη στις φυσικοχημικές αμινοξικές ιδιότητες, πρωτεϊνική κωδικοποίηση δεν διασφαλίζει καλύτερα αποτελέσματα από την απλούστερη δυαδική διανυσματοποίηση. Η σημασία αυτής της μελέτης έγκειται στον εμπλουτισμό των γνώσεων μας γενικά περί του θεωρητικού υποβάθρου της πρόγνωσης πρωτεϊνικών τύπων, με έμφαση στον αλγοριθμικό σχεδιασμό και την πρωτεϊνική διανυσματοποίηση.","The aim of this thesis is to deploy and develop machine and deep learning algorithms (the essential core of data mining techniques) and to account for their performance on membrane protein classification. Rather than designing a new computational method among the several other existing tools for predicting membrane protein types, we focus more on evaluating and comparing newly deep learning models with more traditional ones and on the effect of vector representation on prediction accuracy. We ask to what extent and in which ways model design and the choice of protein vectorization contribute to correct prediction. We do so to better enable researchers and bioinformaticists to understand the mechanics of membrane protein prediction modeling. Using eight distinct classification models and two inherently different protein encoding representations, we show that in many cases traditional algorithms are on par with the new, more sophisticated ones. We also show that a more complex representation based on physico-chemical aminoacidic attributes does not ensure better results than simple encoding. The significance of this study is that it informs our theoretical understanding of protein type prediction in general by introducing a focus on algorithmic design and protein vectorization."]},{"key":"dc:title","label":"Title","values":["Data mining techniques and their applications in biological databases"]}]}],"canonical_facts":{"dc:creator":["Ταμβάκης Πέτρος-Ευάγγελος","Tamvakis Peter-Evaggelos"],"dc:date":["2020"],"dc:description":["Σκοπός αυτής της διπλωματικής εργασίας είναι η κατασκευή και ανάπτυξη αλγορίθμων μηχανικής και βαθιάς μάθησης (που αποτελούν τον βασικό πυρήνα των τεχνικών εξόρυξης γνώσης) για την πρόγνωση και ταξινόμηση μεμβρανικών πρωτεϊνών και να αναφέρει την απόδοση τους. Αντί να σχεδιάσουμε μια ακόμη υπολογιστική μέθοδο μεταξύ των αρκετών ήδη υπάρχοντων εργαλείων πρόγνωσης μεμβρανικών πρωτεϊνών, εστιάζουμε περισσότερο στην αξιολόγηση και σύγκριση των σύγχρονων μοντέλων βαθιάς μάθησης με τα πιο παραδοσιακά, και στην επίδραση της διανυσματικής αναπαράστασης στην προγνωστική ακρίβεια. Αναζητούμε το βαθμό και τους τρόπους με τους οποίους η σχεδίαση ενός μοντέλου και η επιλογή των πρωτεϊνικών αναπαραστάσεων επηρεάζουν την ορθότητα των προγνώσεων. Το κάνουμε για να βοηθήσουμε τους ερευνητές και επιστήμονες βιοπληροφορικής να καταλάβουν τη λειτουργία των μοντέλων πρόγνωσης μεμβρανικών πρωτεϊνών. Χρησιμοποιώντας οκτώ ξεχωριστά μοντέλα ταξινόμησης και δύο εγγενώς διαφορετικές πρωτεϊνικές αναπαραστάσεις, δείχνουμε ότι σε πολλές περιπτώσεις οι παραδοσιακοί αλγόριθμοι συναγωνίζονται επάξια ακόμη και τους πιο εκλεπτυσμένους σύγχρονους. Δείχνουμε ακόμη ότι μια πιο περίπλοκη, βασισμένη στις φυσικοχημικές αμινοξικές ιδιότητες, πρωτεϊνική κωδικοποίηση δεν διασφαλίζει καλύτερα αποτελέσματα από την απλούστερη δυαδική διανυσματοποίηση. Η σημασία αυτής της μελέτης έγκειται στον εμπλουτισμό των γνώσεων μας γενικά περί του θεωρητικού υποβάθρου της πρόγνωσης πρωτεϊνικών τύπων, με έμφαση στον αλγοριθμικό σχεδιασμό και την πρωτεϊνική διανυσματοποίηση.","The aim of this thesis is to deploy and develop machine and deep learning algorithms (the essential core of data mining techniques) and to account for their performance on membrane protein classification. Rather than designing a new computational method among the several other existing tools for predicting membrane protein types, we focus more on evaluating and comparing newly deep learning models with more traditional ones and on the effect of vector representation on prediction accuracy. We ask to what extent and in which ways model design and the choice of protein vectorization contribute to correct prediction. We do so to better enable researchers and bioinformaticists to understand the mechanics of membrane protein prediction modeling. Using eight distinct classification models and two inherently different protein encoding representations, we show that in many cases traditional algorithms are on par with the new, more sophisticated ones. We also show that a more complex representation based on physico-chemical aminoacidic attributes does not ensure better results than simple encoding. The significance of this study is that it informs our theoretical understanding of protein type prediction in general by introducing a focus on algorithmic design and protein vectorization."],"dc:identifier":["uoadl:2924597","https://pergamos.lib.uoa.gr/uoa/dl/object/2924597"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Data mining techniques and their applications in biological databases"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:40:08Z"}