{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2962639"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2962639","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Cryogenic Electron Microscopy protein structure modelling","abstract":"Τα τελευταία χρόνια, ο αριθμός των λυμένων δομών κρυογονικής ηλεκτρονική μικροσκοπίας στη βάση δεδομένων PDB έχει αυξηθεί εκθετικά. Ταυτόχρονα οι πρόσφατες πρόοδοι στις τεχνολογίες υλικών και την πληροφορική επέτρεψαν στην μέθοδο να επιλύει δομές σε ατομικές διακριτότητες. Η κρυογονική ηλεκτρονική μικροσκοπία βοηθά τους ερευνητές να λύνουν εύκολα και γρήγορα πρωτεϊνικές δομές και μεγάλα πρωτεϊνικά σύμπλοκα με σκοπό να κατανοήσουν και να μελετούν μοριακούς μηχανισμούς είτε για ακαδημαϊκούς σκοπούς είτε για φαρμακευτικές εφαρμογές. Η παρούσα διπλωματική προσπαθεί να επιλύσει το πρόβλημα της μοντελοποίησης πρωτεϊνικών δομών που προέρχονται από δεδομένα ηλεκτρονικής μικροσκοπίας, όσο το δυνατόν γρηγορότερα και ακριβέστερα. Για να το επιτύχουμε αυτό, χρησιμοποιούμε τεχνικές βαθιάς μάθησης, για κατάτμηση εικόνας, εισάγουμε τρία τέτοια μοντέλα που προβλέπουν διαφορετικά χαρακτηριστικά της πρωτεϊνικής δομής, όπως είναι τα άτομα CA, η κύρια και πλευρικές αλυσίδες και τα στοιχεία δευτεροταγής δομής. Αυτά τα μοντέλα εκπαιδεύονται από ένα πρότυπο σετ δεδομένων ηλεκτρονικής μικροσκοπίας, που αναπτύξαμε. Συνολικά η ακολουθία των διαδικάσιών περιέχει βήματα πριν το νευρωνικό δίκτυο για την επεξεργασία και την προετοιμασία των δεδομένων καθώς και μετά για την τελική μοντελοποίηση της πρωτεϊνικής δομής από τις προβλέψεις του νευρωνικού δικτύου. Το σύνολο των διαδικασιών είναι αυτοματοποιημένες και δεν χρειάζεται καμία άλλη πληροφορία πλην των πειραματικών δεδομένων ηλεκτρονικής μικροσκοπίας. Εφαρμόσαμε το λογισμικό μας σε 50 πειραματικούς χάρτες ηλεκτρονιακής πυκνότητας διακριτότητας από 2.6 μέχρι 4.4 Å, που είχαν δημοσιευτεί στο παρελθόν. Στα αποτελέσματα μας το μέσο ποσοστό αντιστοίχισης CA ανθράκων άγγιξε το 77,4%, με τη μέση απόκλιση ρίζας-μέσου-τετραγώνου (RMSD) στα 0.84 Å, σε σύγκριση με τις πραγματικές δομές που έχουν κατατεθεί στην PDB.","abstract_html":"Τα τελευταία χρόνια, ο αριθμός των λυμένων δομών κρυογονικής ηλεκτρονική μικροσκοπίας στη βάση δεδομένων PDB έχει αυξηθεί εκθετικά. Ταυτόχρονα οι πρόσφατες πρόοδοι στις τεχνολογίες υλικών και την πληροφορική επέτρεψαν στην μέθοδο να επιλύει δομές σε ατομικές διακριτότητες. Η κρυογονική ηλεκτρονική μικροσκοπία βοηθά τους ερευνητές να λύνουν εύκολα και γρήγορα πρωτεϊνικές δομές και μεγάλα πρωτεϊνικά σύμπλοκα με σκοπό να κατανοήσουν και να μελετούν μοριακούς μηχανισμούς είτε για ακαδημαϊκούς σκοπούς είτε για φαρμακευτικές εφαρμογές. Η παρούσα διπλωματική προσπαθεί να επιλύσει το πρόβλημα της μοντελοποίησης πρωτεϊνικών δομών που προέρχονται από δεδομένα ηλεκτρονικής μικροσκοπίας, όσο το δυνατόν γρηγορότερα και ακριβέστερα. Για να το επιτύχουμε αυτό, χρησιμοποιούμε τεχνικές βαθιάς μάθησης, για κατάτμηση εικόνας, εισάγουμε τρία τέτοια μοντέλα που προβλέπουν διαφορετικά χαρακτηριστικά της πρωτεϊνικής δομής, όπως είναι τα άτομα CA, η κύρια και πλευρικές αλυσίδες και τα στοιχεία δευτεροταγής δομής. Αυτά τα μοντέλα εκπαιδεύονται από ένα πρότυπο σετ δεδομένων ηλεκτρονικής μικροσκοπίας, που αναπτύξαμε. Συνολικά η ακολουθία των διαδικάσιών περιέχει βήματα πριν το νευρωνικό δίκτυο για την επεξεργασία και την προετοιμασία των δεδομένων καθώς και μετά για την τελική μοντελοποίηση της πρωτεϊνικής δομής από τις προβλέψεις του νευρωνικού δικτύου. Το σύνολο των διαδικασιών είναι αυτοματοποιημένες και δεν χρειάζεται καμία άλλη πληροφορία πλην των πειραματικών δεδομένων ηλεκτρονικής μικροσκοπίας. Εφαρμόσαμε το λογισμικό μας σε 50 πειραματικούς χάρτες ηλεκτρονιακής πυκνότητας διακριτότητας από 2.6 μέχρι 4.4 Å, που είχαν δημοσιευτεί στο παρελθόν. Στα αποτελέσματα μας το μέσο ποσοστό αντιστοίχισης CA ανθράκων άγγιξε το 77,4%, με τη μέση απόκλιση ρίζας-μέσου-τετραγώνου (RMSD) στα 0.84 Å, σε σύγκριση με τις πραγματικές δομές που έχουν κατατεθεί στην PDB.","abstract_has_math":false,"creators":["Ζαμάνος Ανδρέας","Zamanos Andreas"],"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":"2026-11-19T05:43:52Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2962639"],"render_values":[{"text":"uoadl:2962639","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2962639","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2962639","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%3A2962639","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ζαμάνος Ανδρέας","Zamanos Andreas"]}]},{"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:2962639","https://pergamos.lib.uoa.gr/uoa/dl/object/2962639"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα τελευταία χρόνια, ο αριθμός των λυμένων δομών κρυογονικής ηλεκτρονική μικροσκοπίας στη βάση δεδομένων PDB έχει αυξηθεί εκθετικά. Ταυτόχρονα οι πρόσφατες πρόοδοι στις τεχνολογίες υλικών και την πληροφορική επέτρεψαν στην μέθοδο να επιλύει δομές σε ατομικές διακριτότητες. Η κρυογονική ηλεκτρονική μικροσκοπία βοηθά τους ερευνητές να λύνουν εύκολα και γρήγορα πρωτεϊνικές δομές και μεγάλα πρωτεϊνικά σύμπλοκα με σκοπό να κατανοήσουν και να μελετούν μοριακούς μηχανισμούς είτε για ακαδημαϊκούς σκοπούς είτε για φαρμακευτικές εφαρμογές. Η παρούσα διπλωματική προσπαθεί να επιλύσει το πρόβλημα της μοντελοποίησης πρωτεϊνικών δομών που προέρχονται από δεδομένα ηλεκτρονικής μικροσκοπίας, όσο το δυνατόν γρηγορότερα και ακριβέστερα. Για να το επιτύχουμε αυτό, χρησιμοποιούμε τεχνικές βαθιάς μάθησης, για κατάτμηση εικόνας, εισάγουμε τρία τέτοια μοντέλα που προβλέπουν διαφορετικά χαρακτηριστικά της πρωτεϊνικής δομής, όπως είναι τα άτομα CA, η κύρια και πλευρικές αλυσίδες και τα στοιχεία δευτεροταγής δομής. Αυτά τα μοντέλα εκπαιδεύονται από ένα πρότυπο σετ δεδομένων ηλεκτρονικής μικροσκοπίας, που αναπτύξαμε. Συνολικά η ακολουθία των διαδικάσιών περιέχει βήματα πριν το νευρωνικό δίκτυο για την επεξεργασία και την προετοιμασία των δεδομένων καθώς και μετά για την τελική μοντελοποίηση της πρωτεϊνικής δομής από τις προβλέψεις του νευρωνικού δικτύου. Το σύνολο των διαδικασιών είναι αυτοματοποιημένες και δεν χρειάζεται καμία άλλη πληροφορία πλην των πειραματικών δεδομένων ηλεκτρονικής μικροσκοπίας. Εφαρμόσαμε το λογισμικό μας σε 50 πειραματικούς χάρτες ηλεκτρονιακής πυκνότητας διακριτότητας από 2.6 μέχρι 4.4 Å, που είχαν δημοσιευτεί στο παρελθόν. Στα αποτελέσματα μας το μέσο ποσοστό αντιστοίχισης CA ανθράκων άγγιξε το 77,4%, με τη μέση απόκλιση ρίζας-μέσου-τετραγώνου (RMSD) στα 0.84 Å, σε σύγκριση με τις πραγματικές δομές που έχουν κατατεθεί στην PDB.","During the last years, the number of structures from cryogenic electron microscopy in Protein Data Bank PDB has grown exponentially, at the same time recent advances in technologies and informatics have allowed cryo-EM to reach atomic resolutions. Cryo-EM helps researchers to determine protein structures and large complexes in order to understand and study molecular mechanisms either for academic purposes or pharmaceutic applications. This thesis attempts to tackle the problem of modelling molecular structures from cryo-EM data, fast and accurately. To achieve this, we use deep learning techniques for image segmentation; we introduce three models which are able to predict different elements of the protein structure. These elements are CA atoms, backbone and side chains and secondary structure elements. The models are trained with an exemplar cryo-EM dataset that we constructed. The pipeline also contains pre-processing steps to prepare the cryo-EM data for the deep neural network and post-processing steps to model the molecular structure of the protein from the predictions of the neural network. All steps, operate automatically in our pipeline and do not need any prior information about the protein. We applied our pipeline on 50 previously tested experimental maps of resolutions between 2.6 and 4.4 Å. In our results we report an average CA percentage match of 77.4%, with an RMSD of 0.84 Å, against ground truth structures deposited in PDB."]},{"key":"dc:title","label":"Title","values":["Cryogenic Electron Microscopy protein structure modelling"]}]}],"canonical_facts":{"dc:creator":["Ζαμάνος Ανδρέας","Zamanos Andreas"],"dc:date":["2021"],"dc:description":["Τα τελευταία χρόνια, ο αριθμός των λυμένων δομών κρυογονικής ηλεκτρονική μικροσκοπίας στη βάση δεδομένων PDB έχει αυξηθεί εκθετικά. Ταυτόχρονα οι πρόσφατες πρόοδοι στις τεχνολογίες υλικών και την πληροφορική επέτρεψαν στην μέθοδο να επιλύει δομές σε ατομικές διακριτότητες. Η κρυογονική ηλεκτρονική μικροσκοπία βοηθά τους ερευνητές να λύνουν εύκολα και γρήγορα πρωτεϊνικές δομές και μεγάλα πρωτεϊνικά σύμπλοκα με σκοπό να κατανοήσουν και να μελετούν μοριακούς μηχανισμούς είτε για ακαδημαϊκούς σκοπούς είτε για φαρμακευτικές εφαρμογές. Η παρούσα διπλωματική προσπαθεί να επιλύσει το πρόβλημα της μοντελοποίησης πρωτεϊνικών δομών που προέρχονται από δεδομένα ηλεκτρονικής μικροσκοπίας, όσο το δυνατόν γρηγορότερα και ακριβέστερα. Για να το επιτύχουμε αυτό, χρησιμοποιούμε τεχνικές βαθιάς μάθησης, για κατάτμηση εικόνας, εισάγουμε τρία τέτοια μοντέλα που προβλέπουν διαφορετικά χαρακτηριστικά της πρωτεϊνικής δομής, όπως είναι τα άτομα CA, η κύρια και πλευρικές αλυσίδες και τα στοιχεία δευτεροταγής δομής. Αυτά τα μοντέλα εκπαιδεύονται από ένα πρότυπο σετ δεδομένων ηλεκτρονικής μικροσκοπίας, που αναπτύξαμε. Συνολικά η ακολουθία των διαδικάσιών περιέχει βήματα πριν το νευρωνικό δίκτυο για την επεξεργασία και την προετοιμασία των δεδομένων καθώς και μετά για την τελική μοντελοποίηση της πρωτεϊνικής δομής από τις προβλέψεις του νευρωνικού δικτύου. Το σύνολο των διαδικασιών είναι αυτοματοποιημένες και δεν χρειάζεται καμία άλλη πληροφορία πλην των πειραματικών δεδομένων ηλεκτρονικής μικροσκοπίας. Εφαρμόσαμε το λογισμικό μας σε 50 πειραματικούς χάρτες ηλεκτρονιακής πυκνότητας διακριτότητας από 2.6 μέχρι 4.4 Å, που είχαν δημοσιευτεί στο παρελθόν. Στα αποτελέσματα μας το μέσο ποσοστό αντιστοίχισης CA ανθράκων άγγιξε το 77,4%, με τη μέση απόκλιση ρίζας-μέσου-τετραγώνου (RMSD) στα 0.84 Å, σε σύγκριση με τις πραγματικές δομές που έχουν κατατεθεί στην PDB.","During the last years, the number of structures from cryogenic electron microscopy in Protein Data Bank PDB has grown exponentially, at the same time recent advances in technologies and informatics have allowed cryo-EM to reach atomic resolutions. Cryo-EM helps researchers to determine protein structures and large complexes in order to understand and study molecular mechanisms either for academic purposes or pharmaceutic applications. This thesis attempts to tackle the problem of modelling molecular structures from cryo-EM data, fast and accurately. To achieve this, we use deep learning techniques for image segmentation; we introduce three models which are able to predict different elements of the protein structure. These elements are CA atoms, backbone and side chains and secondary structure elements. The models are trained with an exemplar cryo-EM dataset that we constructed. The pipeline also contains pre-processing steps to prepare the cryo-EM data for the deep neural network and post-processing steps to model the molecular structure of the protein from the predictions of the neural network. All steps, operate automatically in our pipeline and do not need any prior information about the protein. We applied our pipeline on 50 previously tested experimental maps of resolutions between 2.6 and 4.4 Å. In our results we report an average CA percentage match of 77.4%, with an RMSD of 0.84 Å, against ground truth structures deposited in PDB."],"dc:identifier":["uoadl:2962639","https://pergamos.lib.uoa.gr/uoa/dl/object/2962639"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Cryogenic Electron Microscopy protein structure modelling"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:43:52Z"}