{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2958920"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2958920","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"MLscAN A flexible tool for single-cell data analysis pipelines and model selection using unsupervised machine learning methods","abstract":"Οι τεχνολογίες single-cell RNA-seq (scRNA-seq) μας παρέχουν τη δυνατότητα να ανιχνεύσουμε τη γονιδιακή έκφραση μιας δεδομένης στιγμής με μεγάλη διακριτική ικανότητα, μέχρι και το κυτταρικό επίπεδο. Ένα από τα ερευνητικά πεδία όπου εξώθησε η συγκεκριμένη τεχνολογία είναι η αναπτυξιακή βιολογία και η μελέτη της ρύθμισης των αναπτυξιακών σταδίων. Αντίστοιχα αλματώδης είναι η βελτίωση στην μελέτη των ετερογενών καρκινικών τύπων. Συγκεκριμένα, η εξαγωγή των τροχιών μεταξύ των κυτταρικών τύπων οδηγεί στην αναπαράσταση ενός εποπτικού επιγενετικού τοπίου μιας βιολογικής διεργασίας, που οδηγείται από τα δεδομένα. Έχουν προταθεί πολλές μέθοδοι ΤΙ στη βιβλιογραφία, αλλά λίγες από αυτές παρέχουν μια μη εποπτευόμενη πιθανοτική και αμερόληπτη προσέγγιση μηχανικής μάθησης. Το MLscAN (Machine Learning for Single-Cell Analytics, Μηχανική μάθηση για ανάλυση Μονήρων Κυττάρων) είναι ένα πακέτο R που αναπτύχθηκε στο Πανεπιστήμιο Αθηνών για τη μη εποπτευόμενη ανάλυση μηχανικής μάθησης δεδομένων scRNA-seq που βασίζεται σε μοντέλα μείξης κατανομών Gauss. Το MLscAN αναγνωρίζει τις κυτταρικές καταστάσεις που αντιπροσωπεύονται σε ένα σύνολο δεδομένων scRNA-seq και τις πιθανές αλληλεπιδράσεις μεταξύ τους χωρίς να απαιτεί κάποια πρότερη γνώση. Ένα διακριτικό χαρακτηριστικό του είναι ότι χωρίζει επίσης τις μεταβάσεις από κατάσταση σε κατάσταση σε διαδοχικές φάσεις (μικρο-καταστάσεις), προσδιορίζει τα βασικά γονίδια που διέπουν τη κάθε μετάβαση και ανακατασκευάζει τα γενετικά ρυθμιστικά δίκτυα γονιδίων (GRNs) που διέπουν τους υποκείμενους βιολογικούς μηχανισμούς της μετάβασης. Η ανάλυση είναι πλήρως αυτοματοποιημένη και η μόνη απαιτούμενη είσοδος στο πακέτο είναι ο πίνακας προεπεξεργασμένης γονιδιακής έκφρασης. Ωστόσο, ένας προχωρημένος χρήστης μπορεί να παρέμβει σε κάθε βήμα της ανάλυσης προσθέτοντας οποιαδήποτε διαθέσιμη γνώση, ενσωματώνοντας τους δικούς του εναλλακτικούς αλγορίθμους, ή ρυθμίζοντας χειροκίνητα παραμέτρους του κάθε σταδίου. Το MLscAN δίνει έμφαση στην ευέλικτη εξερεύνηση του χώρου των πιθανών μοντέλων, προσδιορίζοντας τα απλούστερα μοντέλα που «ταιριάζουν καλύτερα» στα δεδομένα και παρέχοντας πληθώρα πληροφοριών μέσω προηγμένων οπτικοποιήσεων που παράγει αυτόματα σε κάθε βήμα της ανάλυσης. Οι κύριοι στόχοι αυτής της έρευνας ήταν η βελτίωση της ευελιξίας, της επεκτασιμότητας και της ευρωστίας του πακέτου MLscAN, με έμφαση στην εξερεύνηση μοντέλων. Εισήχθησαν νέες μέθοδοι και δυνατότητες, εμπλουτίστηκαν οι προϋπάρχουσες επιλογές και βαθμονομήθηκαν οι προεπιλεγμένες παράμετροι. Ένας δεύτερος στόχος ήταν η δημιουργία ενός αντιπροσωπευτικού σεναρίου χρήσης για να επιδειχθεί με βάση ενα γνωστό σύνολο δεδομένων μεγάλου μεγέθους η χρησιμότητα των προσθηκών και βελτιώσεων που εισήχθησαν. Ο τελικός στόχος ήταν η αξιολόγηση του MLscAN σε σχέση με τις πλεον πρόσφατες μεθόδους αναγνώρισης τροχιών (TI) στη διαθνή βιβλιογραφία, όπου το MLscAN αποδείχθηκε ότι προσφέρει μια πολύ ανταγωνιστική εναλλακτική προσέγγιση.","abstract_html":"Οι τεχνολογίες single-cell RNA-seq (scRNA-seq) μας παρέχουν τη δυνατότητα να ανιχνεύσουμε τη γονιδιακή έκφραση μιας δεδομένης στιγμής με μεγάλη διακριτική ικανότητα, μέχρι και το κυτταρικό επίπεδο. Ένα από τα ερευνητικά πεδία όπου εξώθησε η συγκεκριμένη τεχνολογία είναι η αναπτυξιακή βιολογία και η μελέτη της ρύθμισης των αναπτυξιακών σταδίων. Αντίστοιχα αλματώδης είναι η βελτίωση στην μελέτη των ετερογενών καρκινικών τύπων. Συγκεκριμένα, η εξαγωγή των τροχιών μεταξύ των κυτταρικών τύπων οδηγεί στην αναπαράσταση ενός εποπτικού επιγενετικού τοπίου μιας βιολογικής διεργασίας, που οδηγείται από τα δεδομένα. Έχουν προταθεί πολλές μέθοδοι ΤΙ στη βιβλιογραφία, αλλά λίγες από αυτές παρέχουν μια μη εποπτευόμενη πιθανοτική και αμερόληπτη προσέγγιση μηχανικής μάθησης. Το MLscAN (Machine Learning for Single-Cell Analytics, Μηχανική μάθηση για ανάλυση Μονήρων Κυττάρων) είναι ένα πακέτο R που αναπτύχθηκε στο Πανεπιστήμιο Αθηνών για τη μη εποπτευόμενη ανάλυση μηχανικής μάθησης δεδομένων scRNA-seq που βασίζεται σε μοντέλα μείξης κατανομών Gauss. Το MLscAN αναγνωρίζει τις κυτταρικές καταστάσεις που αντιπροσωπεύονται σε ένα σύνολο δεδομένων scRNA-seq και τις πιθανές αλληλεπιδράσεις μεταξύ τους χωρίς να απαιτεί κάποια πρότερη γνώση. Ένα διακριτικό χαρακτηριστικό του είναι ότι χωρίζει επίσης τις μεταβάσεις από κατάσταση σε κατάσταση σε διαδοχικές φάσεις (μικρο-καταστάσεις), προσδιορίζει τα βασικά γονίδια που διέπουν τη κάθε μετάβαση και ανακατασκευάζει τα γενετικά ρυθμιστικά δίκτυα γονιδίων (GRNs) που διέπουν τους υποκείμενους βιολογικούς μηχανισμούς της μετάβασης. Η ανάλυση είναι πλήρως αυτοματοποιημένη και η μόνη απαιτούμενη είσοδος στο πακέτο είναι ο πίνακας προεπεξεργασμένης γονιδιακής έκφρασης. Ωστόσο, ένας προχωρημένος χρήστης μπορεί να παρέμβει σε κάθε βήμα της ανάλυσης προσθέτοντας οποιαδήποτε διαθέσιμη γνώση, ενσωματώνοντας τους δικούς του εναλλακτικούς αλγορίθμους, ή ρυθμίζοντας χειροκίνητα παραμέτρους του κάθε σταδίου. Το MLscAN δίνει έμφαση στην ευέλικτη εξερεύνηση του χώρου των πιθανών μοντέλων, προσδιορίζοντας τα απλούστερα μοντέλα που «ταιριάζουν καλύτερα» στα δεδομένα και παρέχοντας πληθώρα πληροφοριών μέσω προηγμένων οπτικοποιήσεων που παράγει αυτόματα σε κάθε βήμα της ανάλυσης. Οι κύριοι στόχοι αυτής της έρευνας ήταν η βελτίωση της ευελιξίας, της επεκτασιμότητας και της ευρωστίας του πακέτου MLscAN, με έμφαση στην εξερεύνηση μοντέλων. Εισήχθησαν νέες μέθοδοι και δυνατότητες, εμπλουτίστηκαν οι προϋπάρχουσες επιλογές και βαθμονομήθηκαν οι προεπιλεγμένες παράμετροι. Ένας δεύτερος στόχος ήταν η δημιουργία ενός αντιπροσωπευτικού σεναρίου χρήσης για να επιδειχθεί με βάση ενα γνωστό σύνολο δεδομένων μεγάλου μεγέθους η χρησιμότητα των προσθηκών και βελτιώσεων που εισήχθησαν. Ο τελικός στόχος ήταν η αξιολόγηση του MLscAN σε σχέση με τις πλεον πρόσφατες μεθόδους αναγνώρισης τροχιών (TI) στη διαθνή βιβλιογραφία, όπου το MLscAN αποδείχθηκε ότι προσφέρει μια πολύ ανταγωνιστική εναλλακτική προσέγγιση.","abstract_has_math":false,"creators":["Χατζηγεωργίου Αρσένιος","Chatzigeorgiou Arsenios"],"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":"2026-11-19T05:43:34Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2958920"],"render_values":[{"text":"uoadl:2958920","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2958920","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2958920","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%3A2958920","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Χατζηγεωργίου Αρσένιος","Chatzigeorgiou Arsenios"]}]},{"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":["Τεχνολογία – Πληροφορική","Technology - Computer 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:2958920","https://pergamos.lib.uoa.gr/uoa/dl/object/2958920"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Οι τεχνολογίες single-cell RNA-seq (scRNA-seq) μας παρέχουν τη δυνατότητα να ανιχνεύσουμε τη γονιδιακή έκφραση μιας δεδομένης στιγμής με μεγάλη διακριτική ικανότητα, μέχρι και το κυτταρικό επίπεδο. Ένα από τα ερευνητικά πεδία όπου εξώθησε η συγκεκριμένη τεχνολογία είναι η αναπτυξιακή βιολογία και η μελέτη της ρύθμισης των αναπτυξιακών σταδίων. Αντίστοιχα αλματώδης είναι η βελτίωση στην μελέτη των ετερογενών καρκινικών τύπων. Συγκεκριμένα, η εξαγωγή των τροχιών μεταξύ των κυτταρικών τύπων οδηγεί στην αναπαράσταση ενός εποπτικού επιγενετικού τοπίου μιας βιολογικής διεργασίας, που οδηγείται από τα δεδομένα. Έχουν προταθεί πολλές μέθοδοι ΤΙ στη βιβλιογραφία, αλλά λίγες από αυτές παρέχουν μια μη εποπτευόμενη πιθανοτική και αμερόληπτη προσέγγιση μηχανικής μάθησης. Το MLscAN (Machine Learning for Single-Cell Analytics, Μηχανική μάθηση για ανάλυση Μονήρων Κυττάρων) είναι ένα πακέτο R που αναπτύχθηκε στο Πανεπιστήμιο Αθηνών για τη μη εποπτευόμενη ανάλυση μηχανικής μάθησης δεδομένων scRNA-seq που βασίζεται σε μοντέλα μείξης κατανομών Gauss. Το MLscAN αναγνωρίζει τις κυτταρικές καταστάσεις που αντιπροσωπεύονται σε ένα σύνολο δεδομένων scRNA-seq και τις πιθανές αλληλεπιδράσεις μεταξύ τους χωρίς να απαιτεί κάποια πρότερη γνώση. Ένα διακριτικό χαρακτηριστικό του είναι ότι χωρίζει επίσης τις μεταβάσεις από κατάσταση σε κατάσταση σε διαδοχικές φάσεις (μικρο-καταστάσεις), προσδιορίζει τα βασικά γονίδια που διέπουν τη κάθε μετάβαση και ανακατασκευάζει τα γενετικά ρυθμιστικά δίκτυα γονιδίων (GRNs) που διέπουν τους υποκείμενους βιολογικούς μηχανισμούς της μετάβασης. Η ανάλυση είναι πλήρως αυτοματοποιημένη και η μόνη απαιτούμενη είσοδος στο πακέτο είναι ο πίνακας προεπεξεργασμένης γονιδιακής έκφρασης. Ωστόσο, ένας προχωρημένος χρήστης μπορεί να παρέμβει σε κάθε βήμα της ανάλυσης προσθέτοντας οποιαδήποτε διαθέσιμη γνώση, ενσωματώνοντας τους δικούς του εναλλακτικούς αλγορίθμους, ή ρυθμίζοντας χειροκίνητα παραμέτρους του κάθε σταδίου. Το MLscAN δίνει έμφαση στην ευέλικτη εξερεύνηση του χώρου των πιθανών μοντέλων, προσδιορίζοντας τα απλούστερα μοντέλα που «ταιριάζουν καλύτερα» στα δεδομένα και παρέχοντας πληθώρα πληροφοριών μέσω προηγμένων οπτικοποιήσεων που παράγει αυτόματα σε κάθε βήμα της ανάλυσης. Οι κύριοι στόχοι αυτής της έρευνας ήταν η βελτίωση της ευελιξίας, της επεκτασιμότητας και της ευρωστίας του πακέτου MLscAN, με έμφαση στην εξερεύνηση μοντέλων. Εισήχθησαν νέες μέθοδοι και δυνατότητες, εμπλουτίστηκαν οι προϋπάρχουσες επιλογές και βαθμονομήθηκαν οι προεπιλεγμένες παράμετροι. Ένας δεύτερος στόχος ήταν η δημιουργία ενός αντιπροσωπευτικού σεναρίου χρήσης για να επιδειχθεί με βάση ενα γνωστό σύνολο δεδομένων μεγάλου μεγέθους η χρησιμότητα των προσθηκών και βελτιώσεων που εισήχθησαν. Ο τελικός στόχος ήταν η αξιολόγηση του MLscAN σε σχέση με τις πλεον πρόσφατες μεθόδους αναγνώρισης τροχιών (TI) στη διαθνή βιβλιογραφία, όπου το MLscAN αποδείχθηκε ότι προσφέρει μια πολύ ανταγωνιστική εναλλακτική προσέγγιση.","Single-cell RNA-seq (scRNA-seq) technologies provide us with the ability to extract snapshots of gene expression at very high resolution, i.e., at the cellular level. One of the fields that is revolutionized by scRNA-seq is developmental biology, i.e., studying the developmental stages and their gene regulation. The same is true for cancer biology where the stages may represent the evolution of a tumor. Specifically, the introduction of Trajectory Inference (TI), i.e., the study of the transition of cells from one state to the other, allows us to reconstruct the “epigenetic landscape” of a biological process as suggested by a complex scRNA-seq dataset. A lot of TI methods have been proposed, but few of them provide an unsupervised unbiased probabilistic machine learning approach. MLscAN (Machine Learning for Single-Cell ANalytics) is an asset of methods and an R-package for unsupervised machine learning single-cell data analysis based on Gaussian Mixture Models developed at the University of Athens. MLscAN identifies the cell-states represented in a scRNA-seq dataset and infers possible pairwise interactions between them without requiring any prior knowledge. A distinguishing characteristic of the pipeline is that it also partitions state-to-state transitions into consecutive phases (micro-states), identifies the key genes governing the transition from state to state, and reconstructs Gene Regulatory Networks (GRNs) for the underlying mechanisms. The analysis is fully automated, and the only required input is the pre-processed gene expression matrix. Yet, an advanced user may intervene at every step of the pipeline adding any available prior knowledge, incorporating their own alternative algorithms, or manually fine-tuning pipeline parameters. MLscAN emphasizes flexible model space exploration, identifying models that “best” fits the data in a parsimonious manner and providing powerful insights via effortlessly produced advanced visualizations at every stage of the analysis. The main objectives of this research were the improvement of the package’s flexibility, scalability, and robustness, with a focus on model exploration. New methods and capabilities were introduced, pre-existing options were enriched, and default parameters were calibrated. The second goal was the generation of a representative use case using a well-known large dataset to demonstrate the utility of the implemented additions and improvements. The final objective was the evaluation of MLscAN relative to state-of-the-art trajectory inference (TI) methods following benchmark analysis pipelines, where MLscAN proved to be a very competitive TI method."]},{"key":"dc:title","label":"Title","values":["MLscAN A flexible tool for single-cell data analysis pipelines and model selection using unsupervised machine learning methods"]}]}],"canonical_facts":{"dc:creator":["Χατζηγεωργίου Αρσένιος","Chatzigeorgiou Arsenios"],"dc:date":["2021"],"dc:description":["Οι τεχνολογίες single-cell RNA-seq (scRNA-seq) μας παρέχουν τη δυνατότητα να ανιχνεύσουμε τη γονιδιακή έκφραση μιας δεδομένης στιγμής με μεγάλη διακριτική ικανότητα, μέχρι και το κυτταρικό επίπεδο. Ένα από τα ερευνητικά πεδία όπου εξώθησε η συγκεκριμένη τεχνολογία είναι η αναπτυξιακή βιολογία και η μελέτη της ρύθμισης των αναπτυξιακών σταδίων. Αντίστοιχα αλματώδης είναι η βελτίωση στην μελέτη των ετερογενών καρκινικών τύπων. Συγκεκριμένα, η εξαγωγή των τροχιών μεταξύ των κυτταρικών τύπων οδηγεί στην αναπαράσταση ενός εποπτικού επιγενετικού τοπίου μιας βιολογικής διεργασίας, που οδηγείται από τα δεδομένα. Έχουν προταθεί πολλές μέθοδοι ΤΙ στη βιβλιογραφία, αλλά λίγες από αυτές παρέχουν μια μη εποπτευόμενη πιθανοτική και αμερόληπτη προσέγγιση μηχανικής μάθησης. Το MLscAN (Machine Learning for Single-Cell Analytics, Μηχανική μάθηση για ανάλυση Μονήρων Κυττάρων) είναι ένα πακέτο R που αναπτύχθηκε στο Πανεπιστήμιο Αθηνών για τη μη εποπτευόμενη ανάλυση μηχανικής μάθησης δεδομένων scRNA-seq που βασίζεται σε μοντέλα μείξης κατανομών Gauss. Το MLscAN αναγνωρίζει τις κυτταρικές καταστάσεις που αντιπροσωπεύονται σε ένα σύνολο δεδομένων scRNA-seq και τις πιθανές αλληλεπιδράσεις μεταξύ τους χωρίς να απαιτεί κάποια πρότερη γνώση. Ένα διακριτικό χαρακτηριστικό του είναι ότι χωρίζει επίσης τις μεταβάσεις από κατάσταση σε κατάσταση σε διαδοχικές φάσεις (μικρο-καταστάσεις), προσδιορίζει τα βασικά γονίδια που διέπουν τη κάθε μετάβαση και ανακατασκευάζει τα γενετικά ρυθμιστικά δίκτυα γονιδίων (GRNs) που διέπουν τους υποκείμενους βιολογικούς μηχανισμούς της μετάβασης. Η ανάλυση είναι πλήρως αυτοματοποιημένη και η μόνη απαιτούμενη είσοδος στο πακέτο είναι ο πίνακας προεπεξεργασμένης γονιδιακής έκφρασης. Ωστόσο, ένας προχωρημένος χρήστης μπορεί να παρέμβει σε κάθε βήμα της ανάλυσης προσθέτοντας οποιαδήποτε διαθέσιμη γνώση, ενσωματώνοντας τους δικούς του εναλλακτικούς αλγορίθμους, ή ρυθμίζοντας χειροκίνητα παραμέτρους του κάθε σταδίου. Το MLscAN δίνει έμφαση στην ευέλικτη εξερεύνηση του χώρου των πιθανών μοντέλων, προσδιορίζοντας τα απλούστερα μοντέλα που «ταιριάζουν καλύτερα» στα δεδομένα και παρέχοντας πληθώρα πληροφοριών μέσω προηγμένων οπτικοποιήσεων που παράγει αυτόματα σε κάθε βήμα της ανάλυσης. Οι κύριοι στόχοι αυτής της έρευνας ήταν η βελτίωση της ευελιξίας, της επεκτασιμότητας και της ευρωστίας του πακέτου MLscAN, με έμφαση στην εξερεύνηση μοντέλων. Εισήχθησαν νέες μέθοδοι και δυνατότητες, εμπλουτίστηκαν οι προϋπάρχουσες επιλογές και βαθμονομήθηκαν οι προεπιλεγμένες παράμετροι. Ένας δεύτερος στόχος ήταν η δημιουργία ενός αντιπροσωπευτικού σεναρίου χρήσης για να επιδειχθεί με βάση ενα γνωστό σύνολο δεδομένων μεγάλου μεγέθους η χρησιμότητα των προσθηκών και βελτιώσεων που εισήχθησαν. Ο τελικός στόχος ήταν η αξιολόγηση του MLscAN σε σχέση με τις πλεον πρόσφατες μεθόδους αναγνώρισης τροχιών (TI) στη διαθνή βιβλιογραφία, όπου το MLscAN αποδείχθηκε ότι προσφέρει μια πολύ ανταγωνιστική εναλλακτική προσέγγιση.","Single-cell RNA-seq (scRNA-seq) technologies provide us with the ability to extract snapshots of gene expression at very high resolution, i.e., at the cellular level. One of the fields that is revolutionized by scRNA-seq is developmental biology, i.e., studying the developmental stages and their gene regulation. The same is true for cancer biology where the stages may represent the evolution of a tumor. Specifically, the introduction of Trajectory Inference (TI), i.e., the study of the transition of cells from one state to the other, allows us to reconstruct the “epigenetic landscape” of a biological process as suggested by a complex scRNA-seq dataset. A lot of TI methods have been proposed, but few of them provide an unsupervised unbiased probabilistic machine learning approach. MLscAN (Machine Learning for Single-Cell ANalytics) is an asset of methods and an R-package for unsupervised machine learning single-cell data analysis based on Gaussian Mixture Models developed at the University of Athens. MLscAN identifies the cell-states represented in a scRNA-seq dataset and infers possible pairwise interactions between them without requiring any prior knowledge. A distinguishing characteristic of the pipeline is that it also partitions state-to-state transitions into consecutive phases (micro-states), identifies the key genes governing the transition from state to state, and reconstructs Gene Regulatory Networks (GRNs) for the underlying mechanisms. The analysis is fully automated, and the only required input is the pre-processed gene expression matrix. Yet, an advanced user may intervene at every step of the pipeline adding any available prior knowledge, incorporating their own alternative algorithms, or manually fine-tuning pipeline parameters. MLscAN emphasizes flexible model space exploration, identifying models that “best” fits the data in a parsimonious manner and providing powerful insights via effortlessly produced advanced visualizations at every stage of the analysis. The main objectives of this research were the improvement of the package’s flexibility, scalability, and robustness, with a focus on model exploration. New methods and capabilities were introduced, pre-existing options were enriched, and default parameters were calibrated. The second goal was the generation of a representative use case using a well-known large dataset to demonstrate the utility of the implemented additions and improvements. The final objective was the evaluation of MLscAN relative to state-of-the-art trajectory inference (TI) methods following benchmark analysis pipelines, where MLscAN proved to be a very competitive TI method."],"dc:identifier":["uoadl:2958920","https://pergamos.lib.uoa.gr/uoa/dl/object/2958920"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["MLscAN A flexible tool for single-cell data analysis pipelines and model selection using unsupervised machine learning methods"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:43:34Z"}