{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3404660"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3404660","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Big data management and processing. Proteomic and proteogenomic analyses of lung cancer patients using bioinformatic tools.","abstract":"Οι τεχνολογίες multi-omics αποτελούν αδιάσπαστο τμήμα της βασικής και κλινικής έρευνας. Πολύπλοκες ασθένειες, όπως για παράδειγμα ο καρκίνος του πνεύμονα, έχουν ως ατιολογικό υπόβαθρο πολλαπλούς γενετικούς και περιβαλλοντικούς παράγοντες η ολιστική μελέτη των οποίων αποτελεί ιδιαίτερα απαιτητική διαδικασία. Η επιστήμη της βιοπληροφορικής συμβάλλει σημαντικά στην επεξεργασία και ανάλυση δεδομένων omics, χρησιμοποιώντας τα εργαλεία της πληροφορικής για να απαντήσει πολύπλοκα βιολογικά ερωτήματα. Ωστόσο, παρά την διαθεσιμότητα εργαλείων για την ανάλυση τέτοιου είδους δεδομένων δεν καθίσταται πάντα εύκολη η σωστή διεξαγωγή βιοπληροφορικών αναλύσεων. Στην παρούσα Διπλωματική Εργασία (ΔΕ) παρατίθενται όλες οι σύγχρονες προσεγγίσεις για τη βιοπληροφορική ανάλυση, καθώς και παραδείγματα για τον σχεδιασμό μιας πρωτεογενομικής μελέτης. Ειδικότερα, περιγράφονται οι αρχές μεθόδου για την προεπεξεργασία, στατιστική ανάλυση και σύγκριση των αποτελεσμάτων με την προϋπάρχουσα βιβλιογραφία. Επίπλέον, αναφέρονται τρόποι οπτικοποίησης των δεδομένων μέσω γλώσσας προγραμματισμού ή μέσω διαδικτυακών πλατφορμών (π.χ. StringDB). Σε αυτά τα πλαίσια, παρατίθενται βάσεις δεδομένων πρωτεομικής που έχουν προκύψει από κλινικές και βιοχημικές μελέτες οι οποίες αποτελούν σημεία αναφοράς για τη συνεχιζόμενη έρευνα των πρωτεϊνών. Επιπροσθέτως, σημειώνονται συνοπτικά παραδείγματα μελετών multi-omics καθώς και η χρήση των εργαλείων βιοπληροφορικής που οδήγησαν σε κλινικά συμπεράσματα. Συμπερασματικά, αυτές οι εξελισσόμενες τεχνολογίες αποτελούν αναπόσπαστο κομμάτι της κλινικής έρευνας. Παρόλα αυτά αντιμετωπίζουν προκλήσεις σχετικές με την ευστοχία τους και τις απαιτήσεις τους σε υπολογιστική υποδομή. Στη μοντέρνα κλινική έρευνα, πολλές από τις προαναφερθείσες τεχνολογίες έχουν πλέον κάνει εφικτή την ανάλυση μοναδικών κυττάρων (single-cell omics) ή ιστών (spatial omics). Με αυτόν τον τρόπο, δύναται να εξαχθούν συμπεράσματα, όχι μόνο για τον μέσο φαινότυπο ενός κυτταρικού πληθυσμού, αλλά και για την εσωτερική διακύμανσή του. Στόχος της παρούσας ΔΕ είναι η δημιουργία ενός εγχειρίδιου βιοπληροφορικής ανάλυσης παρέχοντας τα βασικά βήματα βιοπληροφορικής επεξεργασίας λεπτομερής παράθεση βιοπληροφορικών εργαλείων προεπεξεργασίας, στατιστικής, εμπλουτισμού και οπτικοποίησης δεδομένων omics.","abstract_html":"Οι τεχνολογίες multi-omics αποτελούν αδιάσπαστο τμήμα της βασικής και κλινικής έρευνας. Πολύπλοκες ασθένειες, όπως για παράδειγμα ο καρκίνος του πνεύμονα, έχουν ως ατιολογικό υπόβαθρο πολλαπλούς γενετικούς και περιβαλλοντικούς παράγοντες η ολιστική μελέτη των οποίων αποτελεί ιδιαίτερα απαιτητική διαδικασία. Η επιστήμη της βιοπληροφορικής συμβάλλει σημαντικά στην επεξεργασία και ανάλυση δεδομένων omics, χρησιμοποιώντας τα εργαλεία της πληροφορικής για να απαντήσει πολύπλοκα βιολογικά ερωτήματα. Ωστόσο, παρά την διαθεσιμότητα εργαλείων για την ανάλυση τέτοιου είδους δεδομένων δεν καθίσταται πάντα εύκολη η σωστή διεξαγωγή βιοπληροφορικών αναλύσεων. Στην παρούσα Διπλωματική Εργασία (ΔΕ) παρατίθενται όλες οι σύγχρονες προσεγγίσεις για τη βιοπληροφορική ανάλυση, καθώς και παραδείγματα για τον σχεδιασμό μιας πρωτεογενομικής μελέτης. Ειδικότερα, περιγράφονται οι αρχές μεθόδου για την προεπεξεργασία, στατιστική ανάλυση και σύγκριση των αποτελεσμάτων με την προϋπάρχουσα βιβλιογραφία. Επίπλέον, αναφέρονται τρόποι οπτικοποίησης των δεδομένων μέσω γλώσσας προγραμματισμού ή μέσω διαδικτυακών πλατφορμών (π.χ. StringDB). Σε αυτά τα πλαίσια, παρατίθενται βάσεις δεδομένων πρωτεομικής που έχουν προκύψει από κλινικές και βιοχημικές μελέτες οι οποίες αποτελούν σημεία αναφοράς για τη συνεχιζόμενη έρευνα των πρωτεϊνών. Επιπροσθέτως, σημειώνονται συνοπτικά παραδείγματα μελετών multi-omics καθώς και η χρήση των εργαλείων βιοπληροφορικής που οδήγησαν σε κλινικά συμπεράσματα. Συμπερασματικά, αυτές οι εξελισσόμενες τεχνολογίες αποτελούν αναπόσπαστο κομμάτι της κλινικής έρευνας. Παρόλα αυτά αντιμετωπίζουν προκλήσεις σχετικές με την ευστοχία τους και τις απαιτήσεις τους σε υπολογιστική υποδομή. Στη μοντέρνα κλινική έρευνα, πολλές από τις προαναφερθείσες τεχνολογίες έχουν πλέον κάνει εφικτή την ανάλυση μοναδικών κυττάρων (single-cell omics) ή ιστών (spatial omics). Με αυτόν τον τρόπο, δύναται να εξαχθούν συμπεράσματα, όχι μόνο για τον μέσο φαινότυπο ενός κυτταρικού πληθυσμού, αλλά και για την εσωτερική διακύμανσή του. Στόχος της παρούσας ΔΕ είναι η δημιουργία ενός εγχειρίδιου βιοπληροφορικής ανάλυσης παρέχοντας τα βασικά βήματα βιοπληροφορικής επεξεργασίας λεπτομερής παράθεση βιοπληροφορικών εργαλείων προεπεξεργασίας, στατιστικής, εμπλουτισμού και οπτικοποίησης δεδομένων omics.","abstract_has_math":false,"creators":["Μπουλιόγλου Ολυμπία-Ειρήνη","Boulioglou Olympia-Eirini"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:29:56Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3404660"],"render_values":[{"text":"uoadl:3404660","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3404660","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3404660","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%3A3404660","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μπουλιόγλου Ολυμπία-Ειρήνη","Boulioglou Olympia-Eirini"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"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":["Επιστήμες Υγείας","Health Sciences"]}]},{"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:3404660","https://pergamos.lib.uoa.gr/uoa/dl/object/3404660"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Οι τεχνολογίες multi-omics αποτελούν αδιάσπαστο τμήμα της βασικής και κλινικής έρευνας. Πολύπλοκες ασθένειες, όπως για παράδειγμα ο καρκίνος του πνεύμονα, έχουν ως ατιολογικό υπόβαθρο πολλαπλούς γενετικούς και περιβαλλοντικούς παράγοντες η ολιστική μελέτη των οποίων αποτελεί ιδιαίτερα απαιτητική διαδικασία. Η επιστήμη της βιοπληροφορικής συμβάλλει σημαντικά στην επεξεργασία και ανάλυση δεδομένων omics, χρησιμοποιώντας τα εργαλεία της πληροφορικής για να απαντήσει πολύπλοκα βιολογικά ερωτήματα. Ωστόσο, παρά την διαθεσιμότητα εργαλείων για την ανάλυση τέτοιου είδους δεδομένων δεν καθίσταται πάντα εύκολη η σωστή διεξαγωγή βιοπληροφορικών αναλύσεων. Στην παρούσα Διπλωματική Εργασία (ΔΕ) παρατίθενται όλες οι σύγχρονες προσεγγίσεις για τη βιοπληροφορική ανάλυση, καθώς και παραδείγματα για τον σχεδιασμό μιας πρωτεογενομικής μελέτης. Ειδικότερα, περιγράφονται οι αρχές μεθόδου για την προεπεξεργασία, στατιστική ανάλυση και σύγκριση των αποτελεσμάτων με την προϋπάρχουσα βιβλιογραφία. Επίπλέον, αναφέρονται τρόποι οπτικοποίησης των δεδομένων μέσω γλώσσας προγραμματισμού ή μέσω διαδικτυακών πλατφορμών (π.χ. StringDB). Σε αυτά τα πλαίσια, παρατίθενται βάσεις δεδομένων πρωτεομικής που έχουν προκύψει από κλινικές και βιοχημικές μελέτες οι οποίες αποτελούν σημεία αναφοράς για τη συνεχιζόμενη έρευνα των πρωτεϊνών. Επιπροσθέτως, σημειώνονται συνοπτικά παραδείγματα μελετών multi-omics καθώς και η χρήση των εργαλείων βιοπληροφορικής που οδήγησαν σε κλινικά συμπεράσματα. Συμπερασματικά, αυτές οι εξελισσόμενες τεχνολογίες αποτελούν αναπόσπαστο κομμάτι της κλινικής έρευνας. Παρόλα αυτά αντιμετωπίζουν προκλήσεις σχετικές με την ευστοχία τους και τις απαιτήσεις τους σε υπολογιστική υποδομή. Στη μοντέρνα κλινική έρευνα, πολλές από τις προαναφερθείσες τεχνολογίες έχουν πλέον κάνει εφικτή την ανάλυση μοναδικών κυττάρων (single-cell omics) ή ιστών (spatial omics). Με αυτόν τον τρόπο, δύναται να εξαχθούν συμπεράσματα, όχι μόνο για τον μέσο φαινότυπο ενός κυτταρικού πληθυσμού, αλλά και για την εσωτερική διακύμανσή του. Στόχος της παρούσας ΔΕ είναι η δημιουργία ενός εγχειρίδιου βιοπληροφορικής ανάλυσης παρέχοντας τα βασικά βήματα βιοπληροφορικής επεξεργασίας λεπτομερής παράθεση βιοπληροφορικών εργαλείων προεπεξεργασίας, στατιστικής, εμπλουτισμού και οπτικοποίησης δεδομένων omics.","Multi-omics technologies are indispensable for basic and clinical research. Complex diseases, such as lung cancer, can be attributed to multiple genetic and environmental factors that were previously impossible to study comprehensively. Bioinformatics is a field of science that combines informatics and biological reasoning, allowing thus the analysis of complex omics data. However, despite the availability of tools to analyze this data, it is often strenuous to follow the best practices. This work lists the most common approaches for bioinformatic analysis, as well as presents examples for designing a proteogenomics research project and more specifically the principles of method for the pre-processing, statistical analysis and comparison of the results with the existing literature (enrichment) in mind. Furthermore it exhibits ways of visualizing data, either with a programming language or with online platforms, e.g. StringDB. In these contexts, proteomic databases derived from clinical and biochemical studies are also listed, as they are reference points for ongoing protein research. Included are brief examples of multi-omics studies and the use of bioinformatic tools. Generally, these advancing technologies are an integral part of clinical research, still they face challenges related to their precision and computing infrastructure requirements. In regards to modern clinical research, many of the aforementioned technologies have achieved single-cell resolution. Conclusions can be drawn in this way, not only about the average phenotype of a cell population, but also about its cell-to-cell variance. The scope of this thesis is to meticulously describe the bioinformatics tools used for pre-processing, statistics, enrichment and visualization of omics data. However, it may also serve the reader as a manual for the principal steps of a bioinformatic analysis."]},{"key":"dc:title","label":"Title","values":["Big data management and processing. Proteomic and proteogenomic analyses of lung cancer patients using bioinformatic tools."]}]}],"canonical_facts":{"dc:creator":["Μπουλιόγλου Ολυμπία-Ειρήνη","Boulioglou Olympia-Eirini"],"dc:date":["2024"],"dc:description":["Οι τεχνολογίες multi-omics αποτελούν αδιάσπαστο τμήμα της βασικής και κλινικής έρευνας. Πολύπλοκες ασθένειες, όπως για παράδειγμα ο καρκίνος του πνεύμονα, έχουν ως ατιολογικό υπόβαθρο πολλαπλούς γενετικούς και περιβαλλοντικούς παράγοντες η ολιστική μελέτη των οποίων αποτελεί ιδιαίτερα απαιτητική διαδικασία. Η επιστήμη της βιοπληροφορικής συμβάλλει σημαντικά στην επεξεργασία και ανάλυση δεδομένων omics, χρησιμοποιώντας τα εργαλεία της πληροφορικής για να απαντήσει πολύπλοκα βιολογικά ερωτήματα. Ωστόσο, παρά την διαθεσιμότητα εργαλείων για την ανάλυση τέτοιου είδους δεδομένων δεν καθίσταται πάντα εύκολη η σωστή διεξαγωγή βιοπληροφορικών αναλύσεων. Στην παρούσα Διπλωματική Εργασία (ΔΕ) παρατίθενται όλες οι σύγχρονες προσεγγίσεις για τη βιοπληροφορική ανάλυση, καθώς και παραδείγματα για τον σχεδιασμό μιας πρωτεογενομικής μελέτης. Ειδικότερα, περιγράφονται οι αρχές μεθόδου για την προεπεξεργασία, στατιστική ανάλυση και σύγκριση των αποτελεσμάτων με την προϋπάρχουσα βιβλιογραφία. Επίπλέον, αναφέρονται τρόποι οπτικοποίησης των δεδομένων μέσω γλώσσας προγραμματισμού ή μέσω διαδικτυακών πλατφορμών (π.χ. StringDB). Σε αυτά τα πλαίσια, παρατίθενται βάσεις δεδομένων πρωτεομικής που έχουν προκύψει από κλινικές και βιοχημικές μελέτες οι οποίες αποτελούν σημεία αναφοράς για τη συνεχιζόμενη έρευνα των πρωτεϊνών. Επιπροσθέτως, σημειώνονται συνοπτικά παραδείγματα μελετών multi-omics καθώς και η χρήση των εργαλείων βιοπληροφορικής που οδήγησαν σε κλινικά συμπεράσματα. Συμπερασματικά, αυτές οι εξελισσόμενες τεχνολογίες αποτελούν αναπόσπαστο κομμάτι της κλινικής έρευνας. Παρόλα αυτά αντιμετωπίζουν προκλήσεις σχετικές με την ευστοχία τους και τις απαιτήσεις τους σε υπολογιστική υποδομή. Στη μοντέρνα κλινική έρευνα, πολλές από τις προαναφερθείσες τεχνολογίες έχουν πλέον κάνει εφικτή την ανάλυση μοναδικών κυττάρων (single-cell omics) ή ιστών (spatial omics). Με αυτόν τον τρόπο, δύναται να εξαχθούν συμπεράσματα, όχι μόνο για τον μέσο φαινότυπο ενός κυτταρικού πληθυσμού, αλλά και για την εσωτερική διακύμανσή του. Στόχος της παρούσας ΔΕ είναι η δημιουργία ενός εγχειρίδιου βιοπληροφορικής ανάλυσης παρέχοντας τα βασικά βήματα βιοπληροφορικής επεξεργασίας λεπτομερής παράθεση βιοπληροφορικών εργαλείων προεπεξεργασίας, στατιστικής, εμπλουτισμού και οπτικοποίησης δεδομένων omics.","Multi-omics technologies are indispensable for basic and clinical research. Complex diseases, such as lung cancer, can be attributed to multiple genetic and environmental factors that were previously impossible to study comprehensively. Bioinformatics is a field of science that combines informatics and biological reasoning, allowing thus the analysis of complex omics data. However, despite the availability of tools to analyze this data, it is often strenuous to follow the best practices. This work lists the most common approaches for bioinformatic analysis, as well as presents examples for designing a proteogenomics research project and more specifically the principles of method for the pre-processing, statistical analysis and comparison of the results with the existing literature (enrichment) in mind. Furthermore it exhibits ways of visualizing data, either with a programming language or with online platforms, e.g. StringDB. In these contexts, proteomic databases derived from clinical and biochemical studies are also listed, as they are reference points for ongoing protein research. Included are brief examples of multi-omics studies and the use of bioinformatic tools. Generally, these advancing technologies are an integral part of clinical research, still they face challenges related to their precision and computing infrastructure requirements. In regards to modern clinical research, many of the aforementioned technologies have achieved single-cell resolution. Conclusions can be drawn in this way, not only about the average phenotype of a cell population, but also about its cell-to-cell variance. The scope of this thesis is to meticulously describe the bioinformatics tools used for pre-processing, statistics, enrichment and visualization of omics data. However, it may also serve the reader as a manual for the principal steps of a bioinformatic analysis."],"dc:identifier":["uoadl:3404660","https://pergamos.lib.uoa.gr/uoa/dl/object/3404660"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Big data management and processing. Proteomic and proteogenomic analyses of lung cancer patients using bioinformatic tools."],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:29:56Z"}