{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2963232"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2963232","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Συγκριτική ανάλυση αλγορίθμων ομαδοποίησης σε βιοϊατρικά δίκτυα","abstract":"Ως ομαδοποίηση/συσταδοποίηση (clustering) βιολογικών δικτύων χαρακτηρίζουμε τη διαδικασία σύμφωνα με την οποία οι κόμβοι ενός δικτύου μπορούν να καταταχθούν σε μια κοινή ομάδα σύμφωνα με κοινά τους χαρακτηριστικά. Για το σκοπό αυτό υπάρχει μια πληθώρα αλγορίθμων ομαδοποίησης οι οποίοι μπορούν να αυτοματοποιούν αυτή τη διαδικασία ακολουθώντας διαφορετικές στρατηγικές και μεθοδολογίες. Αξίζει να σημειωθεί ότι οι περισσότεροι από τους αλγόριθμους αυτούς λαμβάνουν υπόψη την τοπολογία του δικτύου. Ως εκ τούτου, διαφορετικοί αλγόριθμοι ομαδοποίησης, μπορεί συχνά να οδηγήσουν σε διαφορετικά αποτελέσματα ακόμα και για το ίδιο σύνολο δεδομένων. Στα πλαίσια της διπλωματικής αυτής, αρχικά συγκεντρώθηκαν πολλαπλά βιολογικά δίκτυα διαφορετικού τύπου από διάφορες βάσεις δεδομένων και μελετήθηκαν ως προς την τοπολογία τους. Οι κατηγορίες δικτύων που αναλύθηκαν είναι τα δίκτυα αλληλεπίδρασης πρωτεϊνών, τα δίκτυα συν-έκφρασης γονιδίων καθώς και τα δίκτυα ομοιότητας αλληλουχιών. Στη συνέχεια, εφαρμόστηκαν διαφορετικοί αλγόριθμοι ομαδοποίησης δεδομένων, τα αποτελέσματα των οποίων συγκρίθηκαν τόσο μεταξύ τους όσο και με ομάδες δεδομένων που προήλθαν ύστερα από εφαρμογή ροών που αφορούν το λειτουργικό εμπλουτισμό των κόμβων του εκάστοτε δικτύου. Επίσης, παρουσιάζεται το μέτρο conductance (αγωγιμότητα), με τη χρήση του οποίου φαίνεται μέσω ιστογραμμάτων, η ποιότητα της κάθε ομάδας (cluster) ενός δικτύου στο υπόλοιπο αρχικό δίκτυο. Τέλος, μέσω της δημιουργίας του εργαλείου VICTOR μπορούν να εφαρμοστούν οι διάφορες μετρικές ώστε να μελετηθούν τα αποτελέσματα των αλγορίθμων ομαδοποίησης μέσω της οπτικής ανάλυσης.","abstract_html":"Ως ομαδοποίηση/συσταδοποίηση (clustering) βιολογικών δικτύων χαρακτηρίζουμε τη διαδικασία σύμφωνα με την οποία οι κόμβοι ενός δικτύου μπορούν να καταταχθούν σε μια κοινή ομάδα σύμφωνα με κοινά τους χαρακτηριστικά. Για το σκοπό αυτό υπάρχει μια πληθώρα αλγορίθμων ομαδοποίησης οι οποίοι μπορούν να αυτοματοποιούν αυτή τη διαδικασία ακολουθώντας διαφορετικές στρατηγικές και μεθοδολογίες. Αξίζει να σημειωθεί ότι οι περισσότεροι από τους αλγόριθμους αυτούς λαμβάνουν υπόψη την τοπολογία του δικτύου. Ως εκ τούτου, διαφορετικοί αλγόριθμοι ομαδοποίησης, μπορεί συχνά να οδηγήσουν σε διαφορετικά αποτελέσματα ακόμα και για το ίδιο σύνολο δεδομένων. Στα πλαίσια της διπλωματικής αυτής, αρχικά συγκεντρώθηκαν πολλαπλά βιολογικά δίκτυα διαφορετικού τύπου από διάφορες βάσεις δεδομένων και μελετήθηκαν ως προς την τοπολογία τους. Οι κατηγορίες δικτύων που αναλύθηκαν είναι τα δίκτυα αλληλεπίδρασης πρωτεϊνών, τα δίκτυα συν-έκφρασης γονιδίων καθώς και τα δίκτυα ομοιότητας αλληλουχιών. Στη συνέχεια, εφαρμόστηκαν διαφορετικοί αλγόριθμοι ομαδοποίησης δεδομένων, τα αποτελέσματα των οποίων συγκρίθηκαν τόσο μεταξύ τους όσο και με ομάδες δεδομένων που προήλθαν ύστερα από εφαρμογή ροών που αφορούν το λειτουργικό εμπλουτισμό των κόμβων του εκάστοτε δικτύου. Επίσης, παρουσιάζεται το μέτρο conductance (αγωγιμότητα), με τη χρήση του οποίου φαίνεται μέσω ιστογραμμάτων, η ποιότητα της κάθε ομάδας (cluster) ενός δικτύου στο υπόλοιπο αρχικό δίκτυο. Τέλος, μέσω της δημιουργίας του εργαλείου VICTOR μπορούν να εφαρμοστούν οι διάφορες μετρικές ώστε να μελετηθούν τα αποτελέσματα των αλγορίθμων ομαδοποίησης μέσω της οπτικής ανάλυσης.","abstract_has_math":false,"creators":["Χοτόβα Ιωάννα","Hotova Joana"],"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":"2026-11-19T05:43:57Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2963232"],"render_values":[{"text":"uoadl:2963232","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2963232","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2963232","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%3A2963232","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Χοτόβα Ιωάννα","Hotova Joana"]}]},{"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:2963232","https://pergamos.lib.uoa.gr/uoa/dl/object/2963232"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Ως ομαδοποίηση/συσταδοποίηση (clustering) βιολογικών δικτύων χαρακτηρίζουμε τη διαδικασία σύμφωνα με την οποία οι κόμβοι ενός δικτύου μπορούν να καταταχθούν σε μια κοινή ομάδα σύμφωνα με κοινά τους χαρακτηριστικά. Για το σκοπό αυτό υπάρχει μια πληθώρα αλγορίθμων ομαδοποίησης οι οποίοι μπορούν να αυτοματοποιούν αυτή τη διαδικασία ακολουθώντας διαφορετικές στρατηγικές και μεθοδολογίες. Αξίζει να σημειωθεί ότι οι περισσότεροι από τους αλγόριθμους αυτούς λαμβάνουν υπόψη την τοπολογία του δικτύου. Ως εκ τούτου, διαφορετικοί αλγόριθμοι ομαδοποίησης, μπορεί συχνά να οδηγήσουν σε διαφορετικά αποτελέσματα ακόμα και για το ίδιο σύνολο δεδομένων. Στα πλαίσια της διπλωματικής αυτής, αρχικά συγκεντρώθηκαν πολλαπλά βιολογικά δίκτυα διαφορετικού τύπου από διάφορες βάσεις δεδομένων και μελετήθηκαν ως προς την τοπολογία τους. Οι κατηγορίες δικτύων που αναλύθηκαν είναι τα δίκτυα αλληλεπίδρασης πρωτεϊνών, τα δίκτυα συν-έκφρασης γονιδίων καθώς και τα δίκτυα ομοιότητας αλληλουχιών. Στη συνέχεια, εφαρμόστηκαν διαφορετικοί αλγόριθμοι ομαδοποίησης δεδομένων, τα αποτελέσματα των οποίων συγκρίθηκαν τόσο μεταξύ τους όσο και με ομάδες δεδομένων που προήλθαν ύστερα από εφαρμογή ροών που αφορούν το λειτουργικό εμπλουτισμό των κόμβων του εκάστοτε δικτύου. Επίσης, παρουσιάζεται το μέτρο conductance (αγωγιμότητα), με τη χρήση του οποίου φαίνεται μέσω ιστογραμμάτων, η ποιότητα της κάθε ομάδας (cluster) ενός δικτύου στο υπόλοιπο αρχικό δίκτυο. Τέλος, μέσω της δημιουργίας του εργαλείου VICTOR μπορούν να εφαρμοστούν οι διάφορες μετρικές ώστε να μελετηθούν τα αποτελέσματα των αλγορίθμων ομαδοποίησης μέσω της οπτικής ανάλυσης.","As clustering of biological networks, it’s called the process according to which the nodes of a network can be classified in a common group according to their common features. In order to succeed this process automatically, there are a variety of clustering algorithms based on different strategies and methodologies. Note that most of these algorithms take into account the network topology. Therefore, different clustering algorithms can often bring out different results even for the same data set. In order to proceed with this Thesis, initially multiple biological networks of different types were collected from various databases. The collected biological networks that were analyzed are protein interaction networks, gene co-expression networks, and sequence similarity networks. Firstly, these networks were studied in terms of their topology. After that, different data clustering algorithms were applied, the results of which were compared both with each other and with data sets that came after the application of flows related to the functional enrichment of the nodes of each network. Also, as part of this Thesis, it’s presented the conductance measure which shows, through histograms, the quality of each cluster in the rest of the original network. Finally, through the development of the VICTOR tool, various comparison metrics can be applied through which the results of clustering algorithms can be compared via visual analysis."]},{"key":"dc:title","label":"Title","values":["Συγκριτική ανάλυση αλγορίθμων ομαδοποίησης σε βιοϊατρικά δίκτυα"]}]}],"canonical_facts":{"dc:creator":["Χοτόβα Ιωάννα","Hotova Joana"],"dc:date":["2021"],"dc:description":["Ως ομαδοποίηση/συσταδοποίηση (clustering) βιολογικών δικτύων χαρακτηρίζουμε τη διαδικασία σύμφωνα με την οποία οι κόμβοι ενός δικτύου μπορούν να καταταχθούν σε μια κοινή ομάδα σύμφωνα με κοινά τους χαρακτηριστικά. Για το σκοπό αυτό υπάρχει μια πληθώρα αλγορίθμων ομαδοποίησης οι οποίοι μπορούν να αυτοματοποιούν αυτή τη διαδικασία ακολουθώντας διαφορετικές στρατηγικές και μεθοδολογίες. Αξίζει να σημειωθεί ότι οι περισσότεροι από τους αλγόριθμους αυτούς λαμβάνουν υπόψη την τοπολογία του δικτύου. Ως εκ τούτου, διαφορετικοί αλγόριθμοι ομαδοποίησης, μπορεί συχνά να οδηγήσουν σε διαφορετικά αποτελέσματα ακόμα και για το ίδιο σύνολο δεδομένων. Στα πλαίσια της διπλωματικής αυτής, αρχικά συγκεντρώθηκαν πολλαπλά βιολογικά δίκτυα διαφορετικού τύπου από διάφορες βάσεις δεδομένων και μελετήθηκαν ως προς την τοπολογία τους. Οι κατηγορίες δικτύων που αναλύθηκαν είναι τα δίκτυα αλληλεπίδρασης πρωτεϊνών, τα δίκτυα συν-έκφρασης γονιδίων καθώς και τα δίκτυα ομοιότητας αλληλουχιών. Στη συνέχεια, εφαρμόστηκαν διαφορετικοί αλγόριθμοι ομαδοποίησης δεδομένων, τα αποτελέσματα των οποίων συγκρίθηκαν τόσο μεταξύ τους όσο και με ομάδες δεδομένων που προήλθαν ύστερα από εφαρμογή ροών που αφορούν το λειτουργικό εμπλουτισμό των κόμβων του εκάστοτε δικτύου. Επίσης, παρουσιάζεται το μέτρο conductance (αγωγιμότητα), με τη χρήση του οποίου φαίνεται μέσω ιστογραμμάτων, η ποιότητα της κάθε ομάδας (cluster) ενός δικτύου στο υπόλοιπο αρχικό δίκτυο. Τέλος, μέσω της δημιουργίας του εργαλείου VICTOR μπορούν να εφαρμοστούν οι διάφορες μετρικές ώστε να μελετηθούν τα αποτελέσματα των αλγορίθμων ομαδοποίησης μέσω της οπτικής ανάλυσης.","As clustering of biological networks, it’s called the process according to which the nodes of a network can be classified in a common group according to their common features. In order to succeed this process automatically, there are a variety of clustering algorithms based on different strategies and methodologies. Note that most of these algorithms take into account the network topology. Therefore, different clustering algorithms can often bring out different results even for the same data set. In order to proceed with this Thesis, initially multiple biological networks of different types were collected from various databases. The collected biological networks that were analyzed are protein interaction networks, gene co-expression networks, and sequence similarity networks. Firstly, these networks were studied in terms of their topology. After that, different data clustering algorithms were applied, the results of which were compared both with each other and with data sets that came after the application of flows related to the functional enrichment of the nodes of each network. Also, as part of this Thesis, it’s presented the conductance measure which shows, through histograms, the quality of each cluster in the rest of the original network. Finally, through the development of the VICTOR tool, various comparison metrics can be applied through which the results of clustering algorithms can be compared via visual analysis."],"dc:identifier":["uoadl:2963232","https://pergamos.lib.uoa.gr/uoa/dl/object/2963232"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Συγκριτική ανάλυση αλγορίθμων ομαδοποίησης σε βιοϊατρικά δίκτυα"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:43:57Z"}