Back to search

National and Kapodistrian University of Athens

Machine learning approaches to predict responses in biological agents used in Ulcerative Colitis

Abstract

dc:description

Η ελκώδης κολίτιδα αποτελεί ένα αυτοάνοσο νόσημα που ανήκει στις ιδιοπαθείς φλεγμονώδεις νόσους του εντέρου (ΙΦΝΕ) και προκαλεί φλεγμονή στο παχύ έντερο. Η θεραπεία της νόσου περιλαμβάνει τη χρήση βιολογικών παραγόντων, όπως τα μονοκλωνικά αντισώματα κατά του παράγοντα νέκρωσης όγκων TNF-α (Tumor Necrosis Factor α). Δεδομένου ότι η απόκριση των ασθενών στις υπάρχουσες θεραπείες είναι ιδιαίτερα ετερογενής, επιτακτική ανάγκη αποτελεί η πρόβλεψη της κατάλληλης θεραπείας για κάθε μεμονωμένο ασθενή. Στην παρούσα διπλωματική εργασία εφαρμόζονται μέθοδοι επιβλεπόμενης μηχανικής μάθησης σε δεδομένα μικροσυστοιχιών από ασθενείς πριν ακόμη υποβληθούν σε θεραπευτική αγωγή, με σκοπό την πρόβλεψη της απόκρισης του ασθενούς ή ενός συνόλου ασθενών σε δύο βιολογικούς παράγοντες έναντι του TNF-α: infliximab και golimumab. Σύνολα δεδομένων ανακτήθηκαν από το δημόσιο αποθετήριο δεδομένων γονιδιακής έκφρασης GEO (Gene Expression Omnibus), επεξεργάστηκαν και ενοποιήθηκαν για την ανάπτυξη μοντέλων μηχανικής μάθησης. Επιπλέον, πραγματοποιήθηκε ανάλυση διαφορικής έκφρασης, η οποία προσδιόρισε βασικά γονίδια που σχετίζονται με την ανταπόκριση στη θεραπεία. Τα μοντέλα μηχανικής μάθησης εκπαιδεύτηκαν σε δύο διαφορετικά υποσύνολα γονιδίων: ένα πάνελ 84 γονιδίων που σχετίζονται με λειτουργίες του ανοσοποιητικού συστήματος καθώς και ένα υποσύνολο 14 γονιδίων που προέκυψε από την ανάλυση διαφορικής έκφρασης. Χρησιμοποιήθηκε μια προσέγγιση αυτοματοποιημένης μηχανικής μάθησης (AutoML) με τη χρήση της πλατφόρμας H2O μαζί με πρόσθετα μοντέλα που υλοποιήθηκαν στο scikit-learn. Τα μοντέλα Gradient Boosting Machines (GBM) αναδείχθηκαν ως τα πιο αποτελεσματικά μοντέλα πρόβλεψης, με τα γονίδια CXCL5 και PTGS2 να κατατάσσονται ως κορυφαίοι προβλεπτικοί παράγοντες της θεραπευτικής απόκρισης. Τα ευρήματα υπογραμμίζουν τις δυνατότητες της μηχανικής μάθησης στην ανάπτυξη βιοδεικτών για την απόκριση στη θεραπεία της ελκώδους κολίτιδας.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Κατσιφώλη Αγγελική-Μαρία
  • Katsifoli Angeliki-Maria

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:3475955

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Κατσιφώλη Αγγελική-Μαρία; Katsifoli Angeliki-Maria. Machine learning approaches to predict responses in biological agents used in Ulcerative Colitis. 2025. https://pergamos.lib.uoa.gr/uoa/dl/object/3475955