{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3421147"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3421147","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Development of explainable deep learning methods for deciphering transcription factor dynamics","abstract":"Τα κύτταρα απαιτούν τη διαφορική ενεργοποίηση παραγόντων μεταγραφής (TFs) για να καθιερώσουν την χαρακτηριστική γονιδιακή έκφραση που τα διακρίνει. Καθώς η δέσμευση, ο χρόνος και η συνδυαστική δραστηριότητα με άλλους μεταγραφικούς παράγοντες στους ενισχυτές και τους υποκινητές των γονιδίων επηρεάζουν την έκφραση, και ενώ ορισμένες από αυτές τις συσχετίσεις έχουν αποκωδικοποιηθεί μέσω πειραμάτων, η κατανόηση των δυναμικών αλληλεπιδράσεων των παραγόντων μεταγραφής στον εκάστοτε κυτταρικό τύπο παραμένει ασαφής. Σε αυτήν τη μελέτη, χρησιμοποιούνται δεδομένα συμπλόκων παραγόντων - χρωματίνης μέσω του πρωτοκόλλου ChIP-seq για τον παράγοντα TCF1, τα οποία περιλαμβάνουν ρυθμιστικές περιοχές όπως ενισχυτές και υποκινητές, όπου ο παράγοντας δεσμεύεται και ρυθμίζει την έκφραση των γονιδίων σε ολόκληρο το γονιδίωμα, για δύο τύπους κυττάρων, τα διπλά θετικά Τ κύτταρα, τα οποία παράγουν φυσικά τον TCF1, και τους ινοβλάστες NIH3T3, οι οποίοι επάγονται να εκφράζουν το TCF1. Οι διαφορικές θέσεις δέσμευσης χρησιμοποιήθηκαν ως είσοδος σε ένα νευρωνικό δίκτυο συνέλιξης (CNN) που εκπαιδεύτηκε να διακρίνει αν μια αλληλουχία είναι προσβάσιμη από τον TCF1 για καθέναν από τους τύπους κυττάρων, ώστε να συναχθεί οποιοδήποτε βιολογικό υπόβαθρο που αφορά τα δύο συστήματα. Η υπόθεσή βασίζεται στο γεγονός ότι τα μοτίβα των συνεργατών παραγόντων μεταγραφής, τα οποία είναι καθοριστικά στις δύο καταστάσεις, βρίσκονται εκατέρωθεν του μοτίβου πρόσδεσης του TCF1 στα δύο διαφορετικά βιολογικά συστήματα. Η ανάπτυξη μεθόδων για την ερμηνεία των πρώτων επιπέδων συνέλιξης και ιδιαίτερα των φίλτρων παρείχε πληροφορίες για το τι έμαθε το μοντέλο κατά την εκπαίδευση, ώστε να μπορεί να συσχετίσει τις αλληλουχίες DNA με τους τύπους κυττάρων. Οι μέθοδοι επεξήγησης που αναπτύχθηκαν παρέχουν πληροφορίες για τους μεταγραφικούς παράγοντες που εμπλέκονται στη διαδικασία της μοντελοποίησης, τη σημασία τους στη λήψη αποφάσεων, τη συσχέτισή τους με τα μελετόμενα συστήματα και κυρίως τη δυναμική αλληλεπίδραση αυτών των αναπαραστάσεων που έμαθε το μοντέλο μεταξύ των δύο τύπων κυττάρων. Μεταξύ των αποτελεσμάτων, βρέθηκαν θέσεις δέσμευσης γνωστών συνεργατών του TCF1, όπως ο JUNB και ο FOSL1, μεταξύ άλλων, ενώ η εφαρμογή των μεθόδων επεξήγησης σε στιγμιότυπα του μοντέλου παρείχε πληροφορίες για την διαδικασία της εκπαίδευσης. Εφαρμόζοντας την τεχνητή νοημοσύνη σε ένα τόσο σύνθετο βιολογικό ερώτημα της δυναμικής δραστηριότητας των παραγόντων μεταγραφής, καταδεικνύονται οι δυνατότητες μοντελοποίησης των νευρωνικών δικτύων συνέλιξης να αναγνωρίζουν τις θέσεις δέσμευσης των συνεργατών παραγόντων μεταγραφής και να τις συσχετίζουν με τους τύπους κυττάρων μόνο από την ίδια την αλληλουχία, δίνοντάς τη δυνατότητα να εξεταστούν περαιτέρω οι δυνατότητες επεξήγησης που προσφέρουν αυτού του τύπου τα μοντέλα.","abstract_html":"Τα κύτταρα απαιτούν τη διαφορική ενεργοποίηση παραγόντων μεταγραφής (TFs) για να καθιερώσουν την χαρακτηριστική γονιδιακή έκφραση που τα διακρίνει. Καθώς η δέσμευση, ο χρόνος και η συνδυαστική δραστηριότητα με άλλους μεταγραφικούς παράγοντες στους ενισχυτές και τους υποκινητές των γονιδίων επηρεάζουν την έκφραση, και ενώ ορισμένες από αυτές τις συσχετίσεις έχουν αποκωδικοποιηθεί μέσω πειραμάτων, η κατανόηση των δυναμικών αλληλεπιδράσεων των παραγόντων μεταγραφής στον εκάστοτε κυτταρικό τύπο παραμένει ασαφής. Σε αυτήν τη μελέτη, χρησιμοποιούνται δεδομένα συμπλόκων παραγόντων - χρωματίνης μέσω του πρωτοκόλλου ChIP-seq για τον παράγοντα TCF1, τα οποία περιλαμβάνουν ρυθμιστικές περιοχές όπως ενισχυτές και υποκινητές, όπου ο παράγοντας δεσμεύεται και ρυθμίζει την έκφραση των γονιδίων σε ολόκληρο το γονιδίωμα, για δύο τύπους κυττάρων, τα διπλά θετικά Τ κύτταρα, τα οποία παράγουν φυσικά τον TCF1, και τους ινοβλάστες NIH3T3, οι οποίοι επάγονται να εκφράζουν το TCF1. Οι διαφορικές θέσεις δέσμευσης χρησιμοποιήθηκαν ως είσοδος σε ένα νευρωνικό δίκτυο συνέλιξης (CNN) που εκπαιδεύτηκε να διακρίνει αν μια αλληλουχία είναι προσβάσιμη από τον TCF1 για καθέναν από τους τύπους κυττάρων, ώστε να συναχθεί οποιοδήποτε βιολογικό υπόβαθρο που αφορά τα δύο συστήματα. Η υπόθεσή βασίζεται στο γεγονός ότι τα μοτίβα των συνεργατών παραγόντων μεταγραφής, τα οποία είναι καθοριστικά στις δύο καταστάσεις, βρίσκονται εκατέρωθεν του μοτίβου πρόσδεσης του TCF1 στα δύο διαφορετικά βιολογικά συστήματα. Η ανάπτυξη μεθόδων για την ερμηνεία των πρώτων επιπέδων συνέλιξης και ιδιαίτερα των φίλτρων παρείχε πληροφορίες για το τι έμαθε το μοντέλο κατά την εκπαίδευση, ώστε να μπορεί να συσχετίσει τις αλληλουχίες DNA με τους τύπους κυττάρων. Οι μέθοδοι επεξήγησης που αναπτύχθηκαν παρέχουν πληροφορίες για τους μεταγραφικούς παράγοντες που εμπλέκονται στη διαδικασία της μοντελοποίησης, τη σημασία τους στη λήψη αποφάσεων, τη συσχέτισή τους με τα μελετόμενα συστήματα και κυρίως τη δυναμική αλληλεπίδραση αυτών των αναπαραστάσεων που έμαθε το μοντέλο μεταξύ των δύο τύπων κυττάρων. Μεταξύ των αποτελεσμάτων, βρέθηκαν θέσεις δέσμευσης γνωστών συνεργατών του TCF1, όπως ο JUNB και ο FOSL1, μεταξύ άλλων, ενώ η εφαρμογή των μεθόδων επεξήγησης σε στιγμιότυπα του μοντέλου παρείχε πληροφορίες για την διαδικασία της εκπαίδευσης. Εφαρμόζοντας την τεχνητή νοημοσύνη σε ένα τόσο σύνθετο βιολογικό ερώτημα της δυναμικής δραστηριότητας των παραγόντων μεταγραφής, καταδεικνύονται οι δυνατότητες μοντελοποίησης των νευρωνικών δικτύων συνέλιξης να αναγνωρίζουν τις θέσεις δέσμευσης των συνεργατών παραγόντων μεταγραφής και να τις συσχετίζουν με τους τύπους κυττάρων μόνο από την ίδια την αλληλουχία, δίνοντάς τη δυνατότητα να εξεταστούν περαιτέρω οι δυνατότητες επεξήγησης που προσφέρουν αυτού του τύπου τα μοντέλα.","abstract_has_math":false,"creators":["Ξηροπόταμος Παναγιώτης","Xiropotamos Panagiotis"],"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":"2026-11-19T06:30:51Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3421147"],"render_values":[{"text":"uoadl:3421147","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3421147","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3421147","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%3A3421147","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ξηροπόταμος Παναγιώτης","Xiropotamos Panagiotis"]}]},{"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:3421147","https://pergamos.lib.uoa.gr/uoa/dl/object/3421147"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα κύτταρα απαιτούν τη διαφορική ενεργοποίηση παραγόντων μεταγραφής (TFs) για να καθιερώσουν την χαρακτηριστική γονιδιακή έκφραση που τα διακρίνει. Καθώς η δέσμευση, ο χρόνος και η συνδυαστική δραστηριότητα με άλλους μεταγραφικούς παράγοντες στους ενισχυτές και τους υποκινητές των γονιδίων επηρεάζουν την έκφραση, και ενώ ορισμένες από αυτές τις συσχετίσεις έχουν αποκωδικοποιηθεί μέσω πειραμάτων, η κατανόηση των δυναμικών αλληλεπιδράσεων των παραγόντων μεταγραφής στον εκάστοτε κυτταρικό τύπο παραμένει ασαφής. Σε αυτήν τη μελέτη, χρησιμοποιούνται δεδομένα συμπλόκων παραγόντων - χρωματίνης μέσω του πρωτοκόλλου ChIP-seq για τον παράγοντα TCF1, τα οποία περιλαμβάνουν ρυθμιστικές περιοχές όπως ενισχυτές και υποκινητές, όπου ο παράγοντας δεσμεύεται και ρυθμίζει την έκφραση των γονιδίων σε ολόκληρο το γονιδίωμα, για δύο τύπους κυττάρων, τα διπλά θετικά Τ κύτταρα, τα οποία παράγουν φυσικά τον TCF1, και τους ινοβλάστες NIH3T3, οι οποίοι επάγονται να εκφράζουν το TCF1. Οι διαφορικές θέσεις δέσμευσης χρησιμοποιήθηκαν ως είσοδος σε ένα νευρωνικό δίκτυο συνέλιξης (CNN) που εκπαιδεύτηκε να διακρίνει αν μια αλληλουχία είναι προσβάσιμη από τον TCF1 για καθέναν από τους τύπους κυττάρων, ώστε να συναχθεί οποιοδήποτε βιολογικό υπόβαθρο που αφορά τα δύο συστήματα. Η υπόθεσή βασίζεται στο γεγονός ότι τα μοτίβα των συνεργατών παραγόντων μεταγραφής, τα οποία είναι καθοριστικά στις δύο καταστάσεις, βρίσκονται εκατέρωθεν του μοτίβου πρόσδεσης του TCF1 στα δύο διαφορετικά βιολογικά συστήματα. Η ανάπτυξη μεθόδων για την ερμηνεία των πρώτων επιπέδων συνέλιξης και ιδιαίτερα των φίλτρων παρείχε πληροφορίες για το τι έμαθε το μοντέλο κατά την εκπαίδευση, ώστε να μπορεί να συσχετίσει τις αλληλουχίες DNA με τους τύπους κυττάρων. Οι μέθοδοι επεξήγησης που αναπτύχθηκαν παρέχουν πληροφορίες για τους μεταγραφικούς παράγοντες που εμπλέκονται στη διαδικασία της μοντελοποίησης, τη σημασία τους στη λήψη αποφάσεων, τη συσχέτισή τους με τα μελετόμενα συστήματα και κυρίως τη δυναμική αλληλεπίδραση αυτών των αναπαραστάσεων που έμαθε το μοντέλο μεταξύ των δύο τύπων κυττάρων. Μεταξύ των αποτελεσμάτων, βρέθηκαν θέσεις δέσμευσης γνωστών συνεργατών του TCF1, όπως ο JUNB και ο FOSL1, μεταξύ άλλων, ενώ η εφαρμογή των μεθόδων επεξήγησης σε στιγμιότυπα του μοντέλου παρείχε πληροφορίες για την διαδικασία της εκπαίδευσης. Εφαρμόζοντας την τεχνητή νοημοσύνη σε ένα τόσο σύνθετο βιολογικό ερώτημα της δυναμικής δραστηριότητας των παραγόντων μεταγραφής, καταδεικνύονται οι δυνατότητες μοντελοποίησης των νευρωνικών δικτύων συνέλιξης να αναγνωρίζουν τις θέσεις δέσμευσης των συνεργατών παραγόντων μεταγραφής και να τις συσχετίζουν με τους τύπους κυττάρων μόνο από την ίδια την αλληλουχία, δίνοντάς τη δυνατότητα να εξεταστούν περαιτέρω οι δυνατότητες επεξήγησης που προσφέρουν αυτού του τύπου τα μοντέλα.","Living cells require a differential activation of transcription factors (TFs) to establish cell type-discriminating gene expression. Binding affinity, timing, and combinatorial activity with other TFs at enhancer and promoter regions affect the expressed gene product at each state and while some of those associations have been deciphered through experimentation, a comprehensive understanding of the dynamic TF interactions during each cell state remains elusive. In this study, we utilized chromatin affinity data via ChIP-seq3 protocol for TCF1 factor, which encompasses regulatory regions such as enhancers and promoters, where the factor binds and regulates gene expression, on a genome-wide scale for two cell types, Double positive T cells, which naturally produce TCF1, and NIH3T3 fibroblasts, which are induced to express TCF1. The binding profile was used as input to an in-house developed Convolutional Neural Network (CNN) model, trained to distinguish whether a sequence is accessible by TCF1 to either of the cell types, to therefore infer any biological background concerning the two systems. Our hypothesis posited that transcription factor motifs, pivotal in either state, underlie the key distinguishing features among diverse regulatory elements in the two different biological systems. Interpreting the first convolutional layers and especially the filter kernels provided us with insights into what the model grasped during training, to associate DNA sequences to cell types. The novel-developed interpretability modules provide insights into the TFs implicated in the modeling process, how important they are in the decision-making, their association with the studied systems, and most importantly the interplay of those learned representations, inferring the dynamics of those TFs among the two cell types. Among the results, binding sites of known cooperators of TCF1, such as JUNB and FOSL1 have been found among others, while the application of the interpretability modules on model snapshots during training has provided an enhanced view of the training process. By applying artificial intelligence to such complex biological questions of TF dynamic activity, we show the modeling capabilities of convolutional neural networks to identify TF binding sites and associate them to cell types only from the sequence itself, enabling us to further inspect the explainability opportunities that those models have to offer."]},{"key":"dc:title","label":"Title","values":["Development of explainable deep learning methods for deciphering transcription factor dynamics"]}]}],"canonical_facts":{"dc:creator":["Ξηροπόταμος Παναγιώτης","Xiropotamos Panagiotis"],"dc:date":["2024"],"dc:description":["Τα κύτταρα απαιτούν τη διαφορική ενεργοποίηση παραγόντων μεταγραφής (TFs) για να καθιερώσουν την χαρακτηριστική γονιδιακή έκφραση που τα διακρίνει. Καθώς η δέσμευση, ο χρόνος και η συνδυαστική δραστηριότητα με άλλους μεταγραφικούς παράγοντες στους ενισχυτές και τους υποκινητές των γονιδίων επηρεάζουν την έκφραση, και ενώ ορισμένες από αυτές τις συσχετίσεις έχουν αποκωδικοποιηθεί μέσω πειραμάτων, η κατανόηση των δυναμικών αλληλεπιδράσεων των παραγόντων μεταγραφής στον εκάστοτε κυτταρικό τύπο παραμένει ασαφής. Σε αυτήν τη μελέτη, χρησιμοποιούνται δεδομένα συμπλόκων παραγόντων - χρωματίνης μέσω του πρωτοκόλλου ChIP-seq για τον παράγοντα TCF1, τα οποία περιλαμβάνουν ρυθμιστικές περιοχές όπως ενισχυτές και υποκινητές, όπου ο παράγοντας δεσμεύεται και ρυθμίζει την έκφραση των γονιδίων σε ολόκληρο το γονιδίωμα, για δύο τύπους κυττάρων, τα διπλά θετικά Τ κύτταρα, τα οποία παράγουν φυσικά τον TCF1, και τους ινοβλάστες NIH3T3, οι οποίοι επάγονται να εκφράζουν το TCF1. Οι διαφορικές θέσεις δέσμευσης χρησιμοποιήθηκαν ως είσοδος σε ένα νευρωνικό δίκτυο συνέλιξης (CNN) που εκπαιδεύτηκε να διακρίνει αν μια αλληλουχία είναι προσβάσιμη από τον TCF1 για καθέναν από τους τύπους κυττάρων, ώστε να συναχθεί οποιοδήποτε βιολογικό υπόβαθρο που αφορά τα δύο συστήματα. Η υπόθεσή βασίζεται στο γεγονός ότι τα μοτίβα των συνεργατών παραγόντων μεταγραφής, τα οποία είναι καθοριστικά στις δύο καταστάσεις, βρίσκονται εκατέρωθεν του μοτίβου πρόσδεσης του TCF1 στα δύο διαφορετικά βιολογικά συστήματα. Η ανάπτυξη μεθόδων για την ερμηνεία των πρώτων επιπέδων συνέλιξης και ιδιαίτερα των φίλτρων παρείχε πληροφορίες για το τι έμαθε το μοντέλο κατά την εκπαίδευση, ώστε να μπορεί να συσχετίσει τις αλληλουχίες DNA με τους τύπους κυττάρων. Οι μέθοδοι επεξήγησης που αναπτύχθηκαν παρέχουν πληροφορίες για τους μεταγραφικούς παράγοντες που εμπλέκονται στη διαδικασία της μοντελοποίησης, τη σημασία τους στη λήψη αποφάσεων, τη συσχέτισή τους με τα μελετόμενα συστήματα και κυρίως τη δυναμική αλληλεπίδραση αυτών των αναπαραστάσεων που έμαθε το μοντέλο μεταξύ των δύο τύπων κυττάρων. Μεταξύ των αποτελεσμάτων, βρέθηκαν θέσεις δέσμευσης γνωστών συνεργατών του TCF1, όπως ο JUNB και ο FOSL1, μεταξύ άλλων, ενώ η εφαρμογή των μεθόδων επεξήγησης σε στιγμιότυπα του μοντέλου παρείχε πληροφορίες για την διαδικασία της εκπαίδευσης. Εφαρμόζοντας την τεχνητή νοημοσύνη σε ένα τόσο σύνθετο βιολογικό ερώτημα της δυναμικής δραστηριότητας των παραγόντων μεταγραφής, καταδεικνύονται οι δυνατότητες μοντελοποίησης των νευρωνικών δικτύων συνέλιξης να αναγνωρίζουν τις θέσεις δέσμευσης των συνεργατών παραγόντων μεταγραφής και να τις συσχετίζουν με τους τύπους κυττάρων μόνο από την ίδια την αλληλουχία, δίνοντάς τη δυνατότητα να εξεταστούν περαιτέρω οι δυνατότητες επεξήγησης που προσφέρουν αυτού του τύπου τα μοντέλα.","Living cells require a differential activation of transcription factors (TFs) to establish cell type-discriminating gene expression. Binding affinity, timing, and combinatorial activity with other TFs at enhancer and promoter regions affect the expressed gene product at each state and while some of those associations have been deciphered through experimentation, a comprehensive understanding of the dynamic TF interactions during each cell state remains elusive. In this study, we utilized chromatin affinity data via ChIP-seq3 protocol for TCF1 factor, which encompasses regulatory regions such as enhancers and promoters, where the factor binds and regulates gene expression, on a genome-wide scale for two cell types, Double positive T cells, which naturally produce TCF1, and NIH3T3 fibroblasts, which are induced to express TCF1. The binding profile was used as input to an in-house developed Convolutional Neural Network (CNN) model, trained to distinguish whether a sequence is accessible by TCF1 to either of the cell types, to therefore infer any biological background concerning the two systems. Our hypothesis posited that transcription factor motifs, pivotal in either state, underlie the key distinguishing features among diverse regulatory elements in the two different biological systems. Interpreting the first convolutional layers and especially the filter kernels provided us with insights into what the model grasped during training, to associate DNA sequences to cell types. The novel-developed interpretability modules provide insights into the TFs implicated in the modeling process, how important they are in the decision-making, their association with the studied systems, and most importantly the interplay of those learned representations, inferring the dynamics of those TFs among the two cell types. Among the results, binding sites of known cooperators of TCF1, such as JUNB and FOSL1 have been found among others, while the application of the interpretability modules on model snapshots during training has provided an enhanced view of the training process. By applying artificial intelligence to such complex biological questions of TF dynamic activity, we show the modeling capabilities of convolutional neural networks to identify TF binding sites and associate them to cell types only from the sequence itself, enabling us to further inspect the explainability opportunities that those models have to offer."],"dc:identifier":["uoadl:3421147","https://pergamos.lib.uoa.gr/uoa/dl/object/3421147"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Development of explainable deep learning methods for deciphering transcription factor dynamics"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:30:51Z"}