{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2945017"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2945017","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Υπολογιστικές μέθοδοι για τη βελτίωση γονιδιακών θεραπειών για τις μυϊκές Δυστροφίες","abstract":"Η μυϊκή δυστροφία Duchenne (DMD) αποτελεί μια Χ-Φυλοσύνδετη υπολειπόμενη ασθένεια η οποία εκδηλώνεται με βαριάς μορφής συμπτώματα που επηρεάζουν τους σκελετικούς μύες και το μυοκάρδιο. Οφείλεται στην έλλειψη της δυστροφίνης η οποία κωδικοποιείται από το γονίδιο DMD. Μια ελπιδοφόρα γραμμή θεραπείας η οποία ονομάζεται υπερπήδηση εξωνίου, έχει ως στόχο την αποκατάσταση του ορθού μεταγραφικού πλαισίου ανάγνωσης, το οποίο απουσιάζει στη DMD, ώστε ο ασθενής να μεταβεί από φαινότυπο DMD στον ηπιότερο φαινότυπο μυϊκής δυστροφίας Becker (BMD) στην οποία εκφράζεται μια μικρότερη και μερικώς λειτουργική δυστροφίνη. Στην υπερπήδηση εξωνίου, χρησιμοποιούνται αντινοηματικά ολιγονουκλεοτίδια τα οποία συνδέονται σε συγκεκριμένες αλληλουχίες του πρωίμου mRNA. Ωστόσο, η επιλογή των πιο κατάλληλων ολιγονουκλεοτίδιων είναι μια σημαντική πρόκληση, καθώς είναι πρακτικά ανέφικτο να δοκιμαστεί εργαστηριακά το σύνολο των εναλλακτικών. Οι μέθοδοι μηχανικής μάθησης μπορούν να είναι αρωγοί στην αναγνώριση παραμέτρων οι οποίες είναι σημαντικές ώστε ένα αντινοηματικό ολιγονουκλεοτίδιο να προωθήσει την υπερπήδηση εξωνίου, όπως επίσης και στην πρόβλεψη της υπερπήδησης που προκαλεί αυτό. Στην παρούσα διπλωματική εργασία αναπτύχθηκαν μοντέλα πρόβλεψης της αποτελεσματικότητας της υπερπήδησης που προκαλεί ένα τέτοιο ολιγονουκλεοτίδιο για ένα γενικό φάσμα εξωνίων-στόχων στα οποία επιτυγχάνεται ακρίβεια έως 92%. Επίσης, υλοποιούνται αντίστοιχα μοντέλα για ολιγονουκλεοτίδια που στοχεύουν στην υπερπήδηση συγκεκριμένων εξωνίων τα περισσότερα εκ των οποίων επιτυγχάνουν βέλτιστη ταξινόμηση, και συγκρίνονται εναλλακτικοί αλγόριθμοι επιλογής παραμέτρων και εκπαίδευσης μοντέλων. Τέλος, εξετάζεται η ανάπτυξη μοντέλων για εξώνια για τα οποία δεν υπάρχουν επαρκή δεδομένα εκπαίδευσης, αξιοποιώντας την τεχνική της μεταφοράς μάθησης (Transfer Learning).","abstract_html":"Η μυϊκή δυστροφία Duchenne (DMD) αποτελεί μια Χ-Φυλοσύνδετη υπολειπόμενη ασθένεια η οποία εκδηλώνεται με βαριάς μορφής συμπτώματα που επηρεάζουν τους σκελετικούς μύες και το μυοκάρδιο. Οφείλεται στην έλλειψη της δυστροφίνης η οποία κωδικοποιείται από το γονίδιο DMD. Μια ελπιδοφόρα γραμμή θεραπείας η οποία ονομάζεται υπερπήδηση εξωνίου, έχει ως στόχο την αποκατάσταση του ορθού μεταγραφικού πλαισίου ανάγνωσης, το οποίο απουσιάζει στη DMD, ώστε ο ασθενής να μεταβεί από φαινότυπο DMD στον ηπιότερο φαινότυπο μυϊκής δυστροφίας Becker (BMD) στην οποία εκφράζεται μια μικρότερη και μερικώς λειτουργική δυστροφίνη. Στην υπερπήδηση εξωνίου, χρησιμοποιούνται αντινοηματικά ολιγονουκλεοτίδια τα οποία συνδέονται σε συγκεκριμένες αλληλουχίες του πρωίμου mRNA. Ωστόσο, η επιλογή των πιο κατάλληλων ολιγονουκλεοτίδιων είναι μια σημαντική πρόκληση, καθώς είναι πρακτικά ανέφικτο να δοκιμαστεί εργαστηριακά το σύνολο των εναλλακτικών. Οι μέθοδοι μηχανικής μάθησης μπορούν να είναι αρωγοί στην αναγνώριση παραμέτρων οι οποίες είναι σημαντικές ώστε ένα αντινοηματικό ολιγονουκλεοτίδιο να προωθήσει την υπερπήδηση εξωνίου, όπως επίσης και στην πρόβλεψη της υπερπήδησης που προκαλεί αυτό. Στην παρούσα διπλωματική εργασία αναπτύχθηκαν μοντέλα πρόβλεψης της αποτελεσματικότητας της υπερπήδησης που προκαλεί ένα τέτοιο ολιγονουκλεοτίδιο για ένα γενικό φάσμα εξωνίων-στόχων στα οποία επιτυγχάνεται ακρίβεια έως 92%. Επίσης, υλοποιούνται αντίστοιχα μοντέλα για ολιγονουκλεοτίδια που στοχεύουν στην υπερπήδηση συγκεκριμένων εξωνίων τα περισσότερα εκ των οποίων επιτυγχάνουν βέλτιστη ταξινόμηση, και συγκρίνονται εναλλακτικοί αλγόριθμοι επιλογής παραμέτρων και εκπαίδευσης μοντέλων. Τέλος, εξετάζεται η ανάπτυξη μοντέλων για εξώνια για τα οποία δεν υπάρχουν επαρκή δεδομένα εκπαίδευσης, αξιοποιώντας την τεχνική της μεταφοράς μάθησης (Transfer Learning).","abstract_has_math":false,"creators":["Βραχνός Δημήτρης-Μιλτιάδης","Vrachnos Dimitris-Miltiadis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2021,"date_issued":"2021","date_published":"2021","updated_at":"2026-11-19T05:42:42Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2945017"],"render_values":[{"text":"uoadl:2945017","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2945017","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2945017","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%3A2945017","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Βραχνός Δημήτρης-Μιλτιάδης","Vrachnos Dimitris-Miltiadis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2021"]},{"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:2945017","https://pergamos.lib.uoa.gr/uoa/dl/object/2945017"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η μυϊκή δυστροφία Duchenne (DMD) αποτελεί μια Χ-Φυλοσύνδετη υπολειπόμενη ασθένεια η οποία εκδηλώνεται με βαριάς μορφής συμπτώματα που επηρεάζουν τους σκελετικούς μύες και το μυοκάρδιο. Οφείλεται στην έλλειψη της δυστροφίνης η οποία κωδικοποιείται από το γονίδιο DMD. Μια ελπιδοφόρα γραμμή θεραπείας η οποία ονομάζεται υπερπήδηση εξωνίου, έχει ως στόχο την αποκατάσταση του ορθού μεταγραφικού πλαισίου ανάγνωσης, το οποίο απουσιάζει στη DMD, ώστε ο ασθενής να μεταβεί από φαινότυπο DMD στον ηπιότερο φαινότυπο μυϊκής δυστροφίας Becker (BMD) στην οποία εκφράζεται μια μικρότερη και μερικώς λειτουργική δυστροφίνη. Στην υπερπήδηση εξωνίου, χρησιμοποιούνται αντινοηματικά ολιγονουκλεοτίδια τα οποία συνδέονται σε συγκεκριμένες αλληλουχίες του πρωίμου mRNA. Ωστόσο, η επιλογή των πιο κατάλληλων ολιγονουκλεοτίδιων είναι μια σημαντική πρόκληση, καθώς είναι πρακτικά ανέφικτο να δοκιμαστεί εργαστηριακά το σύνολο των εναλλακτικών. Οι μέθοδοι μηχανικής μάθησης μπορούν να είναι αρωγοί στην αναγνώριση παραμέτρων οι οποίες είναι σημαντικές ώστε ένα αντινοηματικό ολιγονουκλεοτίδιο να προωθήσει την υπερπήδηση εξωνίου, όπως επίσης και στην πρόβλεψη της υπερπήδησης που προκαλεί αυτό. Στην παρούσα διπλωματική εργασία αναπτύχθηκαν μοντέλα πρόβλεψης της αποτελεσματικότητας της υπερπήδησης που προκαλεί ένα τέτοιο ολιγονουκλεοτίδιο για ένα γενικό φάσμα εξωνίων-στόχων στα οποία επιτυγχάνεται ακρίβεια έως 92%. Επίσης, υλοποιούνται αντίστοιχα μοντέλα για ολιγονουκλεοτίδια που στοχεύουν στην υπερπήδηση συγκεκριμένων εξωνίων τα περισσότερα εκ των οποίων επιτυγχάνουν βέλτιστη ταξινόμηση, και συγκρίνονται εναλλακτικοί αλγόριθμοι επιλογής παραμέτρων και εκπαίδευσης μοντέλων. Τέλος, εξετάζεται η ανάπτυξη μοντέλων για εξώνια για τα οποία δεν υπάρχουν επαρκή δεδομένα εκπαίδευσης, αξιοποιώντας την τεχνική της μεταφοράς μάθησης (Transfer Learning).","Duchenne Muscular Dystrophy (DMD) is an X-linked recessive disease which is manifested through severe symptoms that affects skeletal muscles and the myocardium. DMD is a result of mutations in the DMD gene that encodes the dystrophin protein. A promising line of treatment, exon skipping, aims to restore the translation reading frame (that is disrupted in DMD) in order for the patient to make a transition from a DMD phenotype to the milder Becker Muscular Dystrophy (BMD) phenotype, in which is a shorter and partially functional dystrophin is translated. Exon skipping utilizes antisense oligonucleotides (AOs) that bind to the target sequence in the nascent pre-mRNA. Selection of efficient AOs is a considerable challenge because it is impossible for every AO to be lab tested for efficacy. Machine Learning methods can aid in defining significant AO parameters for better exon skipping, as well as predicting exon skipping induced by the AO. In this thesis, models that predict exon skipping efficacy were developed for a variety of exon-targets, in which an accuracy of 92% was achieved. In addition, exon-specific models are developed, most of which achieve accuracy of 100%. Also, a comparative analysis of feature selection and model training algorithms is issued. Finally, model development for exons with few training data is enhanced by utilizing Transfer Learning methods."]},{"key":"dc:title","label":"Title","values":["Υπολογιστικές μέθοδοι για τη βελτίωση γονιδιακών θεραπειών για τις μυϊκές Δυστροφίες"]}]}],"canonical_facts":{"dc:creator":["Βραχνός Δημήτρης-Μιλτιάδης","Vrachnos Dimitris-Miltiadis"],"dc:date":["2021"],"dc:description":["Η μυϊκή δυστροφία Duchenne (DMD) αποτελεί μια Χ-Φυλοσύνδετη υπολειπόμενη ασθένεια η οποία εκδηλώνεται με βαριάς μορφής συμπτώματα που επηρεάζουν τους σκελετικούς μύες και το μυοκάρδιο. Οφείλεται στην έλλειψη της δυστροφίνης η οποία κωδικοποιείται από το γονίδιο DMD. Μια ελπιδοφόρα γραμμή θεραπείας η οποία ονομάζεται υπερπήδηση εξωνίου, έχει ως στόχο την αποκατάσταση του ορθού μεταγραφικού πλαισίου ανάγνωσης, το οποίο απουσιάζει στη DMD, ώστε ο ασθενής να μεταβεί από φαινότυπο DMD στον ηπιότερο φαινότυπο μυϊκής δυστροφίας Becker (BMD) στην οποία εκφράζεται μια μικρότερη και μερικώς λειτουργική δυστροφίνη. Στην υπερπήδηση εξωνίου, χρησιμοποιούνται αντινοηματικά ολιγονουκλεοτίδια τα οποία συνδέονται σε συγκεκριμένες αλληλουχίες του πρωίμου mRNA. Ωστόσο, η επιλογή των πιο κατάλληλων ολιγονουκλεοτίδιων είναι μια σημαντική πρόκληση, καθώς είναι πρακτικά ανέφικτο να δοκιμαστεί εργαστηριακά το σύνολο των εναλλακτικών. Οι μέθοδοι μηχανικής μάθησης μπορούν να είναι αρωγοί στην αναγνώριση παραμέτρων οι οποίες είναι σημαντικές ώστε ένα αντινοηματικό ολιγονουκλεοτίδιο να προωθήσει την υπερπήδηση εξωνίου, όπως επίσης και στην πρόβλεψη της υπερπήδησης που προκαλεί αυτό. Στην παρούσα διπλωματική εργασία αναπτύχθηκαν μοντέλα πρόβλεψης της αποτελεσματικότητας της υπερπήδησης που προκαλεί ένα τέτοιο ολιγονουκλεοτίδιο για ένα γενικό φάσμα εξωνίων-στόχων στα οποία επιτυγχάνεται ακρίβεια έως 92%. Επίσης, υλοποιούνται αντίστοιχα μοντέλα για ολιγονουκλεοτίδια που στοχεύουν στην υπερπήδηση συγκεκριμένων εξωνίων τα περισσότερα εκ των οποίων επιτυγχάνουν βέλτιστη ταξινόμηση, και συγκρίνονται εναλλακτικοί αλγόριθμοι επιλογής παραμέτρων και εκπαίδευσης μοντέλων. Τέλος, εξετάζεται η ανάπτυξη μοντέλων για εξώνια για τα οποία δεν υπάρχουν επαρκή δεδομένα εκπαίδευσης, αξιοποιώντας την τεχνική της μεταφοράς μάθησης (Transfer Learning).","Duchenne Muscular Dystrophy (DMD) is an X-linked recessive disease which is manifested through severe symptoms that affects skeletal muscles and the myocardium. DMD is a result of mutations in the DMD gene that encodes the dystrophin protein. A promising line of treatment, exon skipping, aims to restore the translation reading frame (that is disrupted in DMD) in order for the patient to make a transition from a DMD phenotype to the milder Becker Muscular Dystrophy (BMD) phenotype, in which is a shorter and partially functional dystrophin is translated. Exon skipping utilizes antisense oligonucleotides (AOs) that bind to the target sequence in the nascent pre-mRNA. Selection of efficient AOs is a considerable challenge because it is impossible for every AO to be lab tested for efficacy. Machine Learning methods can aid in defining significant AO parameters for better exon skipping, as well as predicting exon skipping induced by the AO. In this thesis, models that predict exon skipping efficacy were developed for a variety of exon-targets, in which an accuracy of 92% was achieved. In addition, exon-specific models are developed, most of which achieve accuracy of 100%. Also, a comparative analysis of feature selection and model training algorithms is issued. Finally, model development for exons with few training data is enhanced by utilizing Transfer Learning methods."],"dc:identifier":["uoadl:2945017","https://pergamos.lib.uoa.gr/uoa/dl/object/2945017"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Υπολογιστικές μέθοδοι για τη βελτίωση γονιδιακών θεραπειών για τις μυϊκές Δυστροφίες"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:42:42Z"}