{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3419443"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3419443","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"DESIGN, IMPLEMENTATION AND OPTIMIZATION OF A PATTERN RECOGNITION ALGORITHM IN NEXT GENERATION SEQUENCING DATA","abstract":"Στόχος της παρούσας διπλωματικής εργασίας είναι η κατανόηση της σύνθετης ανοσογενετικής «μηχανικής» της ΧΛΛ μέσω της εφαρμογής μιας καινοτόμου εναλλακτικής προσέγγισης για την ομαδοποίηση των ασθενών. Η βάση της προσέγγισής μας ήταν να αναλύσουμε την πλήρη αλληλουχία της μεταβλητής περιοχής της βαριάς αλυσίδας της ανοσοσφαιρίνης, προκειμένου να εντοπίσουμε πιο εκτεταμένα μοτίβα αμινοξέων, σε αντίθεση με προηγούμενες προσεγγίσεις που περιορίζονταν στον έλεγχο μόνο της υπερμεταβλητής περιοχής CDR3. Για το λόγο αυτό, συγκροτήθηκαν πέντε διακριτά σύνολα δεδομένων, το καθένα επικεντρωμένο σε συγκεκριμένα ανοσογενετικά χαρακτηριστικά που συνδέονται με τα στερεότυπα υποσύνολα στη ΧΛΛ: (Α) αλληλουχίες του γονιδίου IGHV4-34, (Β) αλληλουχίες γονιδίων IGHV από τη φυλογενετική ομάδα Ι, (Γ) αλληλουχίες με μήκος CDR3 9 αμινοξέων, (Δ) αλληλουχίες με μήκος CDR3 20 αμινοξέων και (Ε) αλληλουχίες του γονιδίου IGHV4-39, με γνώμονα τη διασφάλιση της δυνατότητας ανάλυσης της ετερογένειας μεταξύ των συνόλων δεδομένων. Ο αλγόριθμος υπολογίζει ομοιότητες ανά ζεύγη αλληλουχιών λαμβάνοντας υπόψη ταυτόσημες αντιστοιχίες αμινοξέων, τις κλάσεις αμινοξέων με βάση την ταξινόμηση του IMGT και τη σημασία της θέσης των καταλοίπων, δίνοντας έμφαση στην περιοχή VH CDR3. Στη συνέχεια, πραγματοποιεί ιεραρχική ομαδοποίηση, με αποτέλεσμα τη δημιουργία ενός ιεραρχικού δέντρου, το οποίο έπειτα «κόβεται», σχηματίζοντας ομάδες αλληλουχιών (clusters). Τα προκύπτοντα clusters αξιολογήθηκαν σε σχέση με γνωστά στερεότυπα υποσύνολα σε κάθε σύνολο δεδομένων, για να εκτιμηθεί η αποτελεσματικότητα του αλγορίθμου στην αναγνώριση κλινικά σχετικών ομάδων ασθενών με ΧΛΛ. Η εκτεταμένη δοκιμή του προτεινόμενου αλγορίθμου οδήγησε στην ταυτοποίηση των βέλτιστων παραμέτρων, οι οποίες στη συνέχεια εφαρμόστηκαν στα πέντε σύνολα δεδομένων. Για την αξιολόγηση της αποτελεσματικότητας του αλγορίθμου εισήχθη η μετρική «Purity», η οποία υπολογίζεται βάσει των στερεότυπων αλληλουχιών, των μη στερεότυπων αλληλουχιών και του συνολικού αριθμού αλληλουχιών σε κάθε ομάδα. Το εργαλείο επέδειξε μια αρκετά υψηλή απόδοση, ομαδοποιώντας με ακρίβεια αλληλουχίες που αντιστοιχούν σε γνωστά στερεότυπα υποσύνολα, επιτυγχάνοντας μέση τιμή «Purity» ομάδων 0,77 σε όλα τα σύνολα δεδομένων. Παρόλο που ορισμένα υποσύνολα παρουσίασαν χαμηλότερη τιμή «Purity» λόγω εσφαλμένης ταξινόμησης αλληλουχιών, τα συνολικά αποτελέσματα υποδεικνύουν ότι το εργαλείο αναγνωρίζει αξιόπιστα κλινικά σχετικές ομάδες με βάση τις αλληλουχίες ανοσοσφαιρινών της ΧΛΛ, προσφέροντας πολύτιμες γνώσεις για τα ανοσογενετικά τους χαρακτηριστικά.","abstract_html":"Στόχος της παρούσας διπλωματικής εργασίας είναι η κατανόηση της σύνθετης ανοσογενετικής «μηχανικής» της ΧΛΛ μέσω της εφαρμογής μιας καινοτόμου εναλλακτικής προσέγγισης για την ομαδοποίηση των ασθενών. Η βάση της προσέγγισής μας ήταν να αναλύσουμε την πλήρη αλληλουχία της μεταβλητής περιοχής της βαριάς αλυσίδας της ανοσοσφαιρίνης, προκειμένου να εντοπίσουμε πιο εκτεταμένα μοτίβα αμινοξέων, σε αντίθεση με προηγούμενες προσεγγίσεις που περιορίζονταν στον έλεγχο μόνο της υπερμεταβλητής περιοχής CDR3. Για το λόγο αυτό, συγκροτήθηκαν πέντε διακριτά σύνολα δεδομένων, το καθένα επικεντρωμένο σε συγκεκριμένα ανοσογενετικά χαρακτηριστικά που συνδέονται με τα στερεότυπα υποσύνολα στη ΧΛΛ: (Α) αλληλουχίες του γονιδίου IGHV4-34, (Β) αλληλουχίες γονιδίων IGHV από τη φυλογενετική ομάδα Ι, (Γ) αλληλουχίες με μήκος CDR3 9 αμινοξέων, (Δ) αλληλουχίες με μήκος CDR3 20 αμινοξέων και (Ε) αλληλουχίες του γονιδίου IGHV4-39, με γνώμονα τη διασφάλιση της δυνατότητας ανάλυσης της ετερογένειας μεταξύ των συνόλων δεδομένων. Ο αλγόριθμος υπολογίζει ομοιότητες ανά ζεύγη αλληλουχιών λαμβάνοντας υπόψη ταυτόσημες αντιστοιχίες αμινοξέων, τις κλάσεις αμινοξέων με βάση την ταξινόμηση του IMGT και τη σημασία της θέσης των καταλοίπων, δίνοντας έμφαση στην περιοχή VH CDR3. Στη συνέχεια, πραγματοποιεί ιεραρχική ομαδοποίηση, με αποτέλεσμα τη δημιουργία ενός ιεραρχικού δέντρου, το οποίο έπειτα «κόβεται», σχηματίζοντας ομάδες αλληλουχιών (clusters). Τα προκύπτοντα clusters αξιολογήθηκαν σε σχέση με γνωστά στερεότυπα υποσύνολα σε κάθε σύνολο δεδομένων, για να εκτιμηθεί η αποτελεσματικότητα του αλγορίθμου στην αναγνώριση κλινικά σχετικών ομάδων ασθενών με ΧΛΛ. Η εκτεταμένη δοκιμή του προτεινόμενου αλγορίθμου οδήγησε στην ταυτοποίηση των βέλτιστων παραμέτρων, οι οποίες στη συνέχεια εφαρμόστηκαν στα πέντε σύνολα δεδομένων. Για την αξιολόγηση της αποτελεσματικότητας του αλγορίθμου εισήχθη η μετρική «Purity», η οποία υπολογίζεται βάσει των στερεότυπων αλληλουχιών, των μη στερεότυπων αλληλουχιών και του συνολικού αριθμού αλληλουχιών σε κάθε ομάδα. Το εργαλείο επέδειξε μια αρκετά υψηλή απόδοση, ομαδοποιώντας με ακρίβεια αλληλουχίες που αντιστοιχούν σε γνωστά στερεότυπα υποσύνολα, επιτυγχάνοντας μέση τιμή «Purity» ομάδων 0,77 σε όλα τα σύνολα δεδομένων. Παρόλο που ορισμένα υποσύνολα παρουσίασαν χαμηλότερη τιμή «Purity» λόγω εσφαλμένης ταξινόμησης αλληλουχιών, τα συνολικά αποτελέσματα υποδεικνύουν ότι το εργαλείο αναγνωρίζει αξιόπιστα κλινικά σχετικές ομάδες με βάση τις αλληλουχίες ανοσοσφαιρινών της ΧΛΛ, προσφέροντας πολύτιμες γνώσεις για τα ανοσογενετικά τους χαρακτηριστικά.","abstract_has_math":false,"creators":["Χαλιάσου Αικατερίνη-Μαρία","Chaliasou Aikaterini-Maria"],"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":"2026-11-19T06:30:29Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3419443"],"render_values":[{"text":"uoadl:3419443","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3419443","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3419443","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%3A3419443","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Χαλιάσου Αικατερίνη-Μαρία","Chaliasou Aikaterini-Maria"]}]},{"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":["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:3419443","https://pergamos.lib.uoa.gr/uoa/dl/object/3419443"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στόχος της παρούσας διπλωματικής εργασίας είναι η κατανόηση της σύνθετης ανοσογενετικής «μηχανικής» της ΧΛΛ μέσω της εφαρμογής μιας καινοτόμου εναλλακτικής προσέγγισης για την ομαδοποίηση των ασθενών. Η βάση της προσέγγισής μας ήταν να αναλύσουμε την πλήρη αλληλουχία της μεταβλητής περιοχής της βαριάς αλυσίδας της ανοσοσφαιρίνης, προκειμένου να εντοπίσουμε πιο εκτεταμένα μοτίβα αμινοξέων, σε αντίθεση με προηγούμενες προσεγγίσεις που περιορίζονταν στον έλεγχο μόνο της υπερμεταβλητής περιοχής CDR3. Για το λόγο αυτό, συγκροτήθηκαν πέντε διακριτά σύνολα δεδομένων, το καθένα επικεντρωμένο σε συγκεκριμένα ανοσογενετικά χαρακτηριστικά που συνδέονται με τα στερεότυπα υποσύνολα στη ΧΛΛ: (Α) αλληλουχίες του γονιδίου IGHV4-34, (Β) αλληλουχίες γονιδίων IGHV από τη φυλογενετική ομάδα Ι, (Γ) αλληλουχίες με μήκος CDR3 9 αμινοξέων, (Δ) αλληλουχίες με μήκος CDR3 20 αμινοξέων και (Ε) αλληλουχίες του γονιδίου IGHV4-39, με γνώμονα τη διασφάλιση της δυνατότητας ανάλυσης της ετερογένειας μεταξύ των συνόλων δεδομένων. Ο αλγόριθμος υπολογίζει ομοιότητες ανά ζεύγη αλληλουχιών λαμβάνοντας υπόψη ταυτόσημες αντιστοιχίες αμινοξέων, τις κλάσεις αμινοξέων με βάση την ταξινόμηση του IMGT και τη σημασία της θέσης των καταλοίπων, δίνοντας έμφαση στην περιοχή VH CDR3. Στη συνέχεια, πραγματοποιεί ιεραρχική ομαδοποίηση, με αποτέλεσμα τη δημιουργία ενός ιεραρχικού δέντρου, το οποίο έπειτα «κόβεται», σχηματίζοντας ομάδες αλληλουχιών (clusters). Τα προκύπτοντα clusters αξιολογήθηκαν σε σχέση με γνωστά στερεότυπα υποσύνολα σε κάθε σύνολο δεδομένων, για να εκτιμηθεί η αποτελεσματικότητα του αλγορίθμου στην αναγνώριση κλινικά σχετικών ομάδων ασθενών με ΧΛΛ. Η εκτεταμένη δοκιμή του προτεινόμενου αλγορίθμου οδήγησε στην ταυτοποίηση των βέλτιστων παραμέτρων, οι οποίες στη συνέχεια εφαρμόστηκαν στα πέντε σύνολα δεδομένων. Για την αξιολόγηση της αποτελεσματικότητας του αλγορίθμου εισήχθη η μετρική «Purity», η οποία υπολογίζεται βάσει των στερεότυπων αλληλουχιών, των μη στερεότυπων αλληλουχιών και του συνολικού αριθμού αλληλουχιών σε κάθε ομάδα. Το εργαλείο επέδειξε μια αρκετά υψηλή απόδοση, ομαδοποιώντας με ακρίβεια αλληλουχίες που αντιστοιχούν σε γνωστά στερεότυπα υποσύνολα, επιτυγχάνοντας μέση τιμή «Purity» ομάδων 0,77 σε όλα τα σύνολα δεδομένων. Παρόλο που ορισμένα υποσύνολα παρουσίασαν χαμηλότερη τιμή «Purity» λόγω εσφαλμένης ταξινόμησης αλληλουχιών, τα συνολικά αποτελέσματα υποδεικνύουν ότι το εργαλείο αναγνωρίζει αξιόπιστα κλινικά σχετικές ομάδες με βάση τις αλληλουχίες ανοσοσφαιρινών της ΧΛΛ, προσφέροντας πολύτιμες γνώσεις για τα ανοσογενετικά τους χαρακτηριστικά.","The main objective of this thesis is to gain insight into the complex immunogenetic “mechanics” of CLL through the application of an innovative, alternative approach to classify patients. The basis of our approach was to analyze the complete sequence of the variable region of the B cell receptor immunoglobulin (BcR IG) heavy chain in order to identify more extensive amino acid motifs, in contrast to previous approaches that were limited to checking the VH CDR3. For this purpose, five distinct datasets were assembled, each focusing on specific immunogenetic features associated with stereotyped subsets in CLL: (A) IGHV4-34 gene sequences, (B) sequences expressing IGHV genes from phylogenetic group I, (C) sequences with a CDR3 length of 9 amino acids, (D) sequences with a CDR3 length of 20 amino acids, and (E) IGHV4-39 gene sequences , with a view to ensuring that it is possible to analyze heterogeneity between datasets. The algorithm computes pairwise similarities by considering identical amino acid matches, amino acid classes based on the IMGT nomenclature, and positional importance of residues, particularly in the VH CDR3 region. Hierarchical clustering was then performed, resulting in a hierarchical tree, which is then \"cut\", to form clusters of sequences. Τhe resulting clusters were evaluated against known stereotyped subsets within each dataset to assess the algorithm's effectiveness in identifying clinically relevant groups in CLL. Extensive testing of the algorithm led to the identification of the optimal parameters, which were then applied to the five datasets. To evaluate the tool's effectiveness, a ‘Purity’ metric was introduced, calculated based on true positives, true-negatives, and total sequences within each cluster. The tool demonstrated a promising performance by accurately grouping sequences corresponding to known stereotyped subsets, achieving a mean cluster purity score of 0.77 across all datasets. While some subsets exhibited a lower purity due to misclassified sequences, the overall results indicate that the tool reliably identifies clinically relevant groups in CLL, offering valuable insight into their immunogenetic characteristics."]},{"key":"dc:title","label":"Title","values":["DESIGN, IMPLEMENTATION AND OPTIMIZATION OF A PATTERN RECOGNITION ALGORITHM IN NEXT GENERATION SEQUENCING DATA"]}]}],"canonical_facts":{"dc:creator":["Χαλιάσου Αικατερίνη-Μαρία","Chaliasou Aikaterini-Maria"],"dc:date":["2024"],"dc:description":["Στόχος της παρούσας διπλωματικής εργασίας είναι η κατανόηση της σύνθετης ανοσογενετικής «μηχανικής» της ΧΛΛ μέσω της εφαρμογής μιας καινοτόμου εναλλακτικής προσέγγισης για την ομαδοποίηση των ασθενών. Η βάση της προσέγγισής μας ήταν να αναλύσουμε την πλήρη αλληλουχία της μεταβλητής περιοχής της βαριάς αλυσίδας της ανοσοσφαιρίνης, προκειμένου να εντοπίσουμε πιο εκτεταμένα μοτίβα αμινοξέων, σε αντίθεση με προηγούμενες προσεγγίσεις που περιορίζονταν στον έλεγχο μόνο της υπερμεταβλητής περιοχής CDR3. Για το λόγο αυτό, συγκροτήθηκαν πέντε διακριτά σύνολα δεδομένων, το καθένα επικεντρωμένο σε συγκεκριμένα ανοσογενετικά χαρακτηριστικά που συνδέονται με τα στερεότυπα υποσύνολα στη ΧΛΛ: (Α) αλληλουχίες του γονιδίου IGHV4-34, (Β) αλληλουχίες γονιδίων IGHV από τη φυλογενετική ομάδα Ι, (Γ) αλληλουχίες με μήκος CDR3 9 αμινοξέων, (Δ) αλληλουχίες με μήκος CDR3 20 αμινοξέων και (Ε) αλληλουχίες του γονιδίου IGHV4-39, με γνώμονα τη διασφάλιση της δυνατότητας ανάλυσης της ετερογένειας μεταξύ των συνόλων δεδομένων. Ο αλγόριθμος υπολογίζει ομοιότητες ανά ζεύγη αλληλουχιών λαμβάνοντας υπόψη ταυτόσημες αντιστοιχίες αμινοξέων, τις κλάσεις αμινοξέων με βάση την ταξινόμηση του IMGT και τη σημασία της θέσης των καταλοίπων, δίνοντας έμφαση στην περιοχή VH CDR3. Στη συνέχεια, πραγματοποιεί ιεραρχική ομαδοποίηση, με αποτέλεσμα τη δημιουργία ενός ιεραρχικού δέντρου, το οποίο έπειτα «κόβεται», σχηματίζοντας ομάδες αλληλουχιών (clusters). Τα προκύπτοντα clusters αξιολογήθηκαν σε σχέση με γνωστά στερεότυπα υποσύνολα σε κάθε σύνολο δεδομένων, για να εκτιμηθεί η αποτελεσματικότητα του αλγορίθμου στην αναγνώριση κλινικά σχετικών ομάδων ασθενών με ΧΛΛ. Η εκτεταμένη δοκιμή του προτεινόμενου αλγορίθμου οδήγησε στην ταυτοποίηση των βέλτιστων παραμέτρων, οι οποίες στη συνέχεια εφαρμόστηκαν στα πέντε σύνολα δεδομένων. Για την αξιολόγηση της αποτελεσματικότητας του αλγορίθμου εισήχθη η μετρική «Purity», η οποία υπολογίζεται βάσει των στερεότυπων αλληλουχιών, των μη στερεότυπων αλληλουχιών και του συνολικού αριθμού αλληλουχιών σε κάθε ομάδα. Το εργαλείο επέδειξε μια αρκετά υψηλή απόδοση, ομαδοποιώντας με ακρίβεια αλληλουχίες που αντιστοιχούν σε γνωστά στερεότυπα υποσύνολα, επιτυγχάνοντας μέση τιμή «Purity» ομάδων 0,77 σε όλα τα σύνολα δεδομένων. Παρόλο που ορισμένα υποσύνολα παρουσίασαν χαμηλότερη τιμή «Purity» λόγω εσφαλμένης ταξινόμησης αλληλουχιών, τα συνολικά αποτελέσματα υποδεικνύουν ότι το εργαλείο αναγνωρίζει αξιόπιστα κλινικά σχετικές ομάδες με βάση τις αλληλουχίες ανοσοσφαιρινών της ΧΛΛ, προσφέροντας πολύτιμες γνώσεις για τα ανοσογενετικά τους χαρακτηριστικά.","The main objective of this thesis is to gain insight into the complex immunogenetic “mechanics” of CLL through the application of an innovative, alternative approach to classify patients. The basis of our approach was to analyze the complete sequence of the variable region of the B cell receptor immunoglobulin (BcR IG) heavy chain in order to identify more extensive amino acid motifs, in contrast to previous approaches that were limited to checking the VH CDR3. For this purpose, five distinct datasets were assembled, each focusing on specific immunogenetic features associated with stereotyped subsets in CLL: (A) IGHV4-34 gene sequences, (B) sequences expressing IGHV genes from phylogenetic group I, (C) sequences with a CDR3 length of 9 amino acids, (D) sequences with a CDR3 length of 20 amino acids, and (E) IGHV4-39 gene sequences , with a view to ensuring that it is possible to analyze heterogeneity between datasets. The algorithm computes pairwise similarities by considering identical amino acid matches, amino acid classes based on the IMGT nomenclature, and positional importance of residues, particularly in the VH CDR3 region. Hierarchical clustering was then performed, resulting in a hierarchical tree, which is then \"cut\", to form clusters of sequences. Τhe resulting clusters were evaluated against known stereotyped subsets within each dataset to assess the algorithm's effectiveness in identifying clinically relevant groups in CLL. Extensive testing of the algorithm led to the identification of the optimal parameters, which were then applied to the five datasets. To evaluate the tool's effectiveness, a ‘Purity’ metric was introduced, calculated based on true positives, true-negatives, and total sequences within each cluster. The tool demonstrated a promising performance by accurately grouping sequences corresponding to known stereotyped subsets, achieving a mean cluster purity score of 0.77 across all datasets. While some subsets exhibited a lower purity due to misclassified sequences, the overall results indicate that the tool reliably identifies clinically relevant groups in CLL, offering valuable insight into their immunogenetic characteristics."],"dc:identifier":["uoadl:3419443","https://pergamos.lib.uoa.gr/uoa/dl/object/3419443"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["DESIGN, IMPLEMENTATION AND OPTIMIZATION OF A PATTERN RECOGNITION ALGORITHM IN NEXT GENERATION SEQUENCING DATA"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:30:29Z"}