{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2968464"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2968464","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Flexible single-cell RNAseq data analysis pipelines using MLscAN","abstract":"Οι τεχνολογίες single-cell RNA- sequencing (scRNA-seq) εισήχθηκαν για να μπορέσουν να ξεπεραστούν οι περιορισμοί που δημιουργούσε η προγενέστερη τεχνολογία bulk RNA-seq. Παρέχοντας μας ενα γονιδιακό προφίλ έκφρασης σε επίπεδο single-cell, το scRNA-seq μας δίνει τη δυνατότητα να ανιχνεύουμε σπάνιους κυτταρικούς υποπληθυσμούς, προσφέροντας σημαντικές γνώσεις για τους θεμελιώδεις μηχανισμούς αλληλεπίδρασης των κυττάρων στην αναπτυξιακή βιολογία και την έρευνα για τον καρκίνο. Πολλά εξειδικευμένα εργαλεία ανάλυσης δεδομένων έχουν αναπτυχθεί για την εξαγωγή πληροφοριών από μεγάλα και θορυβώδη δεδομένα scRNA-seq.Τα εν λόγω πακέτα στοχεύουν στην ανακατασκευή ενός «επιγενετικού τοπίου» διακρίνοντας καταστάσεις κυττάρων ενώ ενα μέρος αυτών εξάγει και τροχιές μεταξύ των καταστάσεων. Ωστόσο, πολύ λίγα πακέτα παρέχουν μια αμερόληπτη εξερεύνηση του μεγάλου χώρου των μοντέλων για την αποτύπωση αυτού του τοπίου με βάση την πιθανοτική μηχανική μάθηση. Το MLscAN (Machine Learning for Single-Cell ANAlytics) είναι ένα σύνολο μεθόδων που αναπτύχθηκε από την ομάδα μας στην γλώσσα προγραμματισμού R για ανάλυση δεδομένων single-cell χρήσημοποιώντας μη εποπτευόμενη μηχανική μάθηση με βάση τα Gaussian Mixture Models. Χωρίς καμία προηγούμενη γνώση, χρησιμοποιώντας μόνο προεπεξεργασμένα δεδομένα γονιδιακής έκφρασης ενός συνόλου δεδομένων scRNA-seq, το MLscAN μπορεί να ανακαλύψει κυτταρικές καταστάσεις και να εξάγει μεταβάσεις μεταξύ των καταστάσεων χρησιμοποιώντας μια πιθανοτική προσέγγιση. Ένα ξεχωριστό χαρακτηριστικό του MLscAN είναι ότι διαχωρίζει τις μεταβάσεις καταστάσεων σε διαδοχικές φάσεις (μικρο-κατάσταση), προσδιορίζει τα «γονίδια-κλειδιά» που διέπουν τη μετάβαση και αναδομεί τα ρυθμιστικά δίκτυα γονιδίων για κάθε μικροκατάσταση. Το MLscAN κατασκευάστηκε αρχικά για τον «αρχάριο χρήστη» (με περιορισμένη τεχνογνωσία στην υπολογιστική βιολογία ή τον προγραμματισμό σε R) παρέχοντας μια αυτοματοποιημένη αναλυση και εκτενή οπτικοποίηση για την ερμηνεία των αποτελεσμάτων κάθε σταδίου. Ωστόσο, έχει εξελιχθεί σταδιακά για να επιτρέπει στους προχωρημένους χρήστες να προσαρμόζουν την ανάλυση τους και να εισάγουν αποτελέσματα από άλλα εργαλεία σε σχεδόν κάθε βήμα της ανάλυσης του. Ο κύριος στόχος αυτής της διπλωματικής εργασίας ήταν να ενισχύσει το MLscAN βελτιστοποιώντας την ενσωμάτωση εξωτερικών αποτελεσμάτων. Ο δεύτερος στόχος ήταν η ανάπτυξη μεθόδων για την απομόνωση και την ανάλυση «μεικτών καταστάσεων» που μπορεί να προκύψουν από το GMM. Αυτές οι καταστάσεις έχουν μεγάλη διακύμανση και είναι πιθανό να περικλείουν πολλούς μικρούς αλλά δυνητικά σημαντικούς κυτταρικούς υποπληθυσμούς που μπορεί να συνεισφέρουν σε ενδιαφέρουσες υποθέσεις στο πώς δομείται το «επιγενετικό τοπίο» εάν αντιμετωπιστούν σωστά. Τέλος, δόθηκε ιδιαίτερη έμφαση στην επίδειξη των δυνατοτήτων και της ευελιξίας του MLscAN χρησιμοποιώντας κατάλληλα αντιπροσωπευτικά και επιμορφωτικά παραδείγματα που βασίζονται σε πραγματικά σύνολα δεδομένων.","abstract_html":"Οι τεχνολογίες single-cell RNA- sequencing (scRNA-seq) εισήχθηκαν για να μπορέσουν να ξεπεραστούν οι περιορισμοί που δημιουργούσε η προγενέστερη τεχνολογία bulk RNA-seq. Παρέχοντας μας ενα γονιδιακό προφίλ έκφρασης σε επίπεδο single-cell, το scRNA-seq μας δίνει τη δυνατότητα να ανιχνεύουμε σπάνιους κυτταρικούς υποπληθυσμούς, προσφέροντας σημαντικές γνώσεις για τους θεμελιώδεις μηχανισμούς αλληλεπίδρασης των κυττάρων στην αναπτυξιακή βιολογία και την έρευνα για τον καρκίνο. Πολλά εξειδικευμένα εργαλεία ανάλυσης δεδομένων έχουν αναπτυχθεί για την εξαγωγή πληροφοριών από μεγάλα και θορυβώδη δεδομένα scRNA-seq.Τα εν λόγω πακέτα στοχεύουν στην ανακατασκευή ενός «επιγενετικού τοπίου» διακρίνοντας καταστάσεις κυττάρων ενώ ενα μέρος αυτών εξάγει και τροχιές μεταξύ των καταστάσεων. Ωστόσο, πολύ λίγα πακέτα παρέχουν μια αμερόληπτη εξερεύνηση του μεγάλου χώρου των μοντέλων για την αποτύπωση αυτού του τοπίου με βάση την πιθανοτική μηχανική μάθηση. Το MLscAN (Machine Learning for Single-Cell ANAlytics) είναι ένα σύνολο μεθόδων που αναπτύχθηκε από την ομάδα μας στην γλώσσα προγραμματισμού R για ανάλυση δεδομένων single-cell χρήσημοποιώντας μη εποπτευόμενη μηχανική μάθηση με βάση τα Gaussian Mixture Models. Χωρίς καμία προηγούμενη γνώση, χρησιμοποιώντας μόνο προεπεξεργασμένα δεδομένα γονιδιακής έκφρασης ενός συνόλου δεδομένων scRNA-seq, το MLscAN μπορεί να ανακαλύψει κυτταρικές καταστάσεις και να εξάγει μεταβάσεις μεταξύ των καταστάσεων χρησιμοποιώντας μια πιθανοτική προσέγγιση. Ένα ξεχωριστό χαρακτηριστικό του MLscAN είναι ότι διαχωρίζει τις μεταβάσεις καταστάσεων σε διαδοχικές φάσεις (μικρο-κατάσταση), προσδιορίζει τα «γονίδια-κλειδιά» που διέπουν τη μετάβαση και αναδομεί τα ρυθμιστικά δίκτυα γονιδίων για κάθε μικροκατάσταση. Το MLscAN κατασκευάστηκε αρχικά για τον «αρχάριο χρήστη» (με περιορισμένη τεχνογνωσία στην υπολογιστική βιολογία ή τον προγραμματισμό σε R) παρέχοντας μια αυτοματοποιημένη αναλυση και εκτενή οπτικοποίηση για την ερμηνεία των αποτελεσμάτων κάθε σταδίου. Ωστόσο, έχει εξελιχθεί σταδιακά για να επιτρέπει στους προχωρημένους χρήστες να προσαρμόζουν την ανάλυση τους και να εισάγουν αποτελέσματα από άλλα εργαλεία σε σχεδόν κάθε βήμα της ανάλυσης του. Ο κύριος στόχος αυτής της διπλωματικής εργασίας ήταν να ενισχύσει το MLscAN βελτιστοποιώντας την ενσωμάτωση εξωτερικών αποτελεσμάτων. Ο δεύτερος στόχος ήταν η ανάπτυξη μεθόδων για την απομόνωση και την ανάλυση «μεικτών καταστάσεων» που μπορεί να προκύψουν από το GMM. Αυτές οι καταστάσεις έχουν μεγάλη διακύμανση και είναι πιθανό να περικλείουν πολλούς μικρούς αλλά δυνητικά σημαντικούς κυτταρικούς υποπληθυσμούς που μπορεί να συνεισφέρουν σε ενδιαφέρουσες υποθέσεις στο πώς δομείται το «επιγενετικό τοπίο» εάν αντιμετωπιστούν σωστά. Τέλος, δόθηκε ιδιαίτερη έμφαση στην επίδειξη των δυνατοτήτων και της ευελιξίας του MLscAN χρησιμοποιώντας κατάλληλα αντιπροσωπευτικά και επιμορφωτικά παραδείγματα που βασίζονται σε πραγματικά σύνολα δεδομένων.","abstract_has_math":false,"creators":["Κολιοπάνος Γεώργιος","Koliopanos George"],"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":"2026-11-19T05:44:28Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2968464"],"render_values":[{"text":"uoadl:2968464","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2968464","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2968464","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%3A2968464","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κολιοπάνος Γεώργιος","Koliopanos George"]}]},{"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":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2968464","https://pergamos.lib.uoa.gr/uoa/dl/object/2968464"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Οι τεχνολογίες single-cell RNA- sequencing (scRNA-seq) εισήχθηκαν για να μπορέσουν να ξεπεραστούν οι περιορισμοί που δημιουργούσε η προγενέστερη τεχνολογία bulk RNA-seq. Παρέχοντας μας ενα γονιδιακό προφίλ έκφρασης σε επίπεδο single-cell, το scRNA-seq μας δίνει τη δυνατότητα να ανιχνεύουμε σπάνιους κυτταρικούς υποπληθυσμούς, προσφέροντας σημαντικές γνώσεις για τους θεμελιώδεις μηχανισμούς αλληλεπίδρασης των κυττάρων στην αναπτυξιακή βιολογία και την έρευνα για τον καρκίνο. Πολλά εξειδικευμένα εργαλεία ανάλυσης δεδομένων έχουν αναπτυχθεί για την εξαγωγή πληροφοριών από μεγάλα και θορυβώδη δεδομένα scRNA-seq.Τα εν λόγω πακέτα στοχεύουν στην ανακατασκευή ενός «επιγενετικού τοπίου» διακρίνοντας καταστάσεις κυττάρων ενώ ενα μέρος αυτών εξάγει και τροχιές μεταξύ των καταστάσεων. Ωστόσο, πολύ λίγα πακέτα παρέχουν μια αμερόληπτη εξερεύνηση του μεγάλου χώρου των μοντέλων για την αποτύπωση αυτού του τοπίου με βάση την πιθανοτική μηχανική μάθηση. Το MLscAN (Machine Learning for Single-Cell ANAlytics) είναι ένα σύνολο μεθόδων που αναπτύχθηκε από την ομάδα μας στην γλώσσα προγραμματισμού R για ανάλυση δεδομένων single-cell χρήσημοποιώντας μη εποπτευόμενη μηχανική μάθηση με βάση τα Gaussian Mixture Models. Χωρίς καμία προηγούμενη γνώση, χρησιμοποιώντας μόνο προεπεξεργασμένα δεδομένα γονιδιακής έκφρασης ενός συνόλου δεδομένων scRNA-seq, το MLscAN μπορεί να ανακαλύψει κυτταρικές καταστάσεις και να εξάγει μεταβάσεις μεταξύ των καταστάσεων χρησιμοποιώντας μια πιθανοτική προσέγγιση. Ένα ξεχωριστό χαρακτηριστικό του MLscAN είναι ότι διαχωρίζει τις μεταβάσεις καταστάσεων σε διαδοχικές φάσεις (μικρο-κατάσταση), προσδιορίζει τα «γονίδια-κλειδιά» που διέπουν τη μετάβαση και αναδομεί τα ρυθμιστικά δίκτυα γονιδίων για κάθε μικροκατάσταση. Το MLscAN κατασκευάστηκε αρχικά για τον «αρχάριο χρήστη» (με περιορισμένη τεχνογνωσία στην υπολογιστική βιολογία ή τον προγραμματισμό σε R) παρέχοντας μια αυτοματοποιημένη αναλυση και εκτενή οπτικοποίηση για την ερμηνεία των αποτελεσμάτων κάθε σταδίου. Ωστόσο, έχει εξελιχθεί σταδιακά για να επιτρέπει στους προχωρημένους χρήστες να προσαρμόζουν την ανάλυση τους και να εισάγουν αποτελέσματα από άλλα εργαλεία σε σχεδόν κάθε βήμα της ανάλυσης του. Ο κύριος στόχος αυτής της διπλωματικής εργασίας ήταν να ενισχύσει το MLscAN βελτιστοποιώντας την ενσωμάτωση εξωτερικών αποτελεσμάτων. Ο δεύτερος στόχος ήταν η ανάπτυξη μεθόδων για την απομόνωση και την ανάλυση «μεικτών καταστάσεων» που μπορεί να προκύψουν από το GMM. Αυτές οι καταστάσεις έχουν μεγάλη διακύμανση και είναι πιθανό να περικλείουν πολλούς μικρούς αλλά δυνητικά σημαντικούς κυτταρικούς υποπληθυσμούς που μπορεί να συνεισφέρουν σε ενδιαφέρουσες υποθέσεις στο πώς δομείται το «επιγενετικό τοπίο» εάν αντιμετωπιστούν σωστά. Τέλος, δόθηκε ιδιαίτερη έμφαση στην επίδειξη των δυνατοτήτων και της ευελιξίας του MLscAN χρησιμοποιώντας κατάλληλα αντιπροσωπευτικά και επιμορφωτικά παραδείγματα που βασίζονται σε πραγματικά σύνολα δεδομένων.","The single-cell RNA sequencing technology (scRNA-seq) was introduced to overcome its predecessor’s, bulk RNAseq, low resolutions limitations. By providing gene expression profiles at the level of individual cells, scRNA-seq enables us to detect rare cell subpopulations, offering unique insights into fundamental cell interaction mechanisms in developmental and cancer biology. Many specialized data analysis tools have emerged to extract information from large and noisy scRNA-seq datasets. They aim to reconstruct a dataset's “epigenetic landscape” by discerning cell states and/or inferring trajectory networks. However, very few support an unbiased exploration of the large model space for capturing that landscape based on probabilistic machine learning. MLscAN (Machine Learning for Single-Cell ANalytics) is a set of methods and a corresponding R-package developed by our group employing unsupervised machine learning single-cell data analysis based on Gaussian Mixture Models. Without any prior knowledge, by using only a preprocessed expression matrix of a scRNA-seq dataset, MLscAN can discover cell-states and infer state transitions using a probabilistic approach. A distinct feature of the MLscAN pipeline is that it partitions state transitions into consecutive phases (micro-states), identifies the “key-genes” governing the transition, and reconstructs Gene Regulatory Networks for every micro-state. MLscAN was initially built with the “naïve users” (with limited expertise in computational biology or R programming) in mind providing an automated end-to-end pipeline and extensive visualization for interpreting the results of every stage. However, it has gradually evolved to allow advanced users to customize a run invoke alternative processing methods and import results from other tools in nearly every step of the MLscAN analysis. The main objective of this graduate thesis was to enhance MLscAN’s versatility and flexibility by improving the integration of external results into the computational pipeline. The second objective was to develop methods to isolate and analyze separately “mixed states” that may emerge from GMM. These states have large variance and may encapsulate many small yet potentially significant cell subpopulations that may contribute interesting hypotheses into how the landscape of states ay be structured if properly handled. Finally, particular emphasis was placed on demonstrating the MLscAN capabilities and versatility using representative and instructive use cases based on non-trivial real-world datasets."]},{"key":"dc:title","label":"Title","values":["Flexible single-cell RNAseq data analysis pipelines using MLscAN"]}]}],"canonical_facts":{"dc:creator":["Κολιοπάνος Γεώργιος","Koliopanos George"],"dc:date":["2021"],"dc:description":["Οι τεχνολογίες single-cell RNA- sequencing (scRNA-seq) εισήχθηκαν για να μπορέσουν να ξεπεραστούν οι περιορισμοί που δημιουργούσε η προγενέστερη τεχνολογία bulk RNA-seq. Παρέχοντας μας ενα γονιδιακό προφίλ έκφρασης σε επίπεδο single-cell, το scRNA-seq μας δίνει τη δυνατότητα να ανιχνεύουμε σπάνιους κυτταρικούς υποπληθυσμούς, προσφέροντας σημαντικές γνώσεις για τους θεμελιώδεις μηχανισμούς αλληλεπίδρασης των κυττάρων στην αναπτυξιακή βιολογία και την έρευνα για τον καρκίνο. Πολλά εξειδικευμένα εργαλεία ανάλυσης δεδομένων έχουν αναπτυχθεί για την εξαγωγή πληροφοριών από μεγάλα και θορυβώδη δεδομένα scRNA-seq.Τα εν λόγω πακέτα στοχεύουν στην ανακατασκευή ενός «επιγενετικού τοπίου» διακρίνοντας καταστάσεις κυττάρων ενώ ενα μέρος αυτών εξάγει και τροχιές μεταξύ των καταστάσεων. Ωστόσο, πολύ λίγα πακέτα παρέχουν μια αμερόληπτη εξερεύνηση του μεγάλου χώρου των μοντέλων για την αποτύπωση αυτού του τοπίου με βάση την πιθανοτική μηχανική μάθηση. Το MLscAN (Machine Learning for Single-Cell ANAlytics) είναι ένα σύνολο μεθόδων που αναπτύχθηκε από την ομάδα μας στην γλώσσα προγραμματισμού R για ανάλυση δεδομένων single-cell χρήσημοποιώντας μη εποπτευόμενη μηχανική μάθηση με βάση τα Gaussian Mixture Models. Χωρίς καμία προηγούμενη γνώση, χρησιμοποιώντας μόνο προεπεξεργασμένα δεδομένα γονιδιακής έκφρασης ενός συνόλου δεδομένων scRNA-seq, το MLscAN μπορεί να ανακαλύψει κυτταρικές καταστάσεις και να εξάγει μεταβάσεις μεταξύ των καταστάσεων χρησιμοποιώντας μια πιθανοτική προσέγγιση. Ένα ξεχωριστό χαρακτηριστικό του MLscAN είναι ότι διαχωρίζει τις μεταβάσεις καταστάσεων σε διαδοχικές φάσεις (μικρο-κατάσταση), προσδιορίζει τα «γονίδια-κλειδιά» που διέπουν τη μετάβαση και αναδομεί τα ρυθμιστικά δίκτυα γονιδίων για κάθε μικροκατάσταση. Το MLscAN κατασκευάστηκε αρχικά για τον «αρχάριο χρήστη» (με περιορισμένη τεχνογνωσία στην υπολογιστική βιολογία ή τον προγραμματισμό σε R) παρέχοντας μια αυτοματοποιημένη αναλυση και εκτενή οπτικοποίηση για την ερμηνεία των αποτελεσμάτων κάθε σταδίου. Ωστόσο, έχει εξελιχθεί σταδιακά για να επιτρέπει στους προχωρημένους χρήστες να προσαρμόζουν την ανάλυση τους και να εισάγουν αποτελέσματα από άλλα εργαλεία σε σχεδόν κάθε βήμα της ανάλυσης του. Ο κύριος στόχος αυτής της διπλωματικής εργασίας ήταν να ενισχύσει το MLscAN βελτιστοποιώντας την ενσωμάτωση εξωτερικών αποτελεσμάτων. Ο δεύτερος στόχος ήταν η ανάπτυξη μεθόδων για την απομόνωση και την ανάλυση «μεικτών καταστάσεων» που μπορεί να προκύψουν από το GMM. Αυτές οι καταστάσεις έχουν μεγάλη διακύμανση και είναι πιθανό να περικλείουν πολλούς μικρούς αλλά δυνητικά σημαντικούς κυτταρικούς υποπληθυσμούς που μπορεί να συνεισφέρουν σε ενδιαφέρουσες υποθέσεις στο πώς δομείται το «επιγενετικό τοπίο» εάν αντιμετωπιστούν σωστά. Τέλος, δόθηκε ιδιαίτερη έμφαση στην επίδειξη των δυνατοτήτων και της ευελιξίας του MLscAN χρησιμοποιώντας κατάλληλα αντιπροσωπευτικά και επιμορφωτικά παραδείγματα που βασίζονται σε πραγματικά σύνολα δεδομένων.","The single-cell RNA sequencing technology (scRNA-seq) was introduced to overcome its predecessor’s, bulk RNAseq, low resolutions limitations. By providing gene expression profiles at the level of individual cells, scRNA-seq enables us to detect rare cell subpopulations, offering unique insights into fundamental cell interaction mechanisms in developmental and cancer biology. Many specialized data analysis tools have emerged to extract information from large and noisy scRNA-seq datasets. They aim to reconstruct a dataset's “epigenetic landscape” by discerning cell states and/or inferring trajectory networks. However, very few support an unbiased exploration of the large model space for capturing that landscape based on probabilistic machine learning. MLscAN (Machine Learning for Single-Cell ANalytics) is a set of methods and a corresponding R-package developed by our group employing unsupervised machine learning single-cell data analysis based on Gaussian Mixture Models. Without any prior knowledge, by using only a preprocessed expression matrix of a scRNA-seq dataset, MLscAN can discover cell-states and infer state transitions using a probabilistic approach. A distinct feature of the MLscAN pipeline is that it partitions state transitions into consecutive phases (micro-states), identifies the “key-genes” governing the transition, and reconstructs Gene Regulatory Networks for every micro-state. MLscAN was initially built with the “naïve users” (with limited expertise in computational biology or R programming) in mind providing an automated end-to-end pipeline and extensive visualization for interpreting the results of every stage. However, it has gradually evolved to allow advanced users to customize a run invoke alternative processing methods and import results from other tools in nearly every step of the MLscAN analysis. The main objective of this graduate thesis was to enhance MLscAN’s versatility and flexibility by improving the integration of external results into the computational pipeline. The second objective was to develop methods to isolate and analyze separately “mixed states” that may emerge from GMM. These states have large variance and may encapsulate many small yet potentially significant cell subpopulations that may contribute interesting hypotheses into how the landscape of states ay be structured if properly handled. Finally, particular emphasis was placed on demonstrating the MLscAN capabilities and versatility using representative and instructive use cases based on non-trivial real-world datasets."],"dc:identifier":["uoadl:2968464","https://pergamos.lib.uoa.gr/uoa/dl/object/2968464"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Flexible single-cell RNAseq data analysis pipelines using MLscAN"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:44:28Z"}