{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3475955"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3475955","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Machine learning approaches to predict responses in biological agents used in Ulcerative Colitis","abstract":"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.","abstract_html":"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.","abstract_has_math":false,"creators":["Κατσιφώλη Αγγελική-Μαρία","Katsifoli Angeliki-Maria"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:32:09Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3475955"],"render_values":[{"text":"uoadl:3475955","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3475955","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3475955","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%3A3475955","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κατσιφώλη Αγγελική-Μαρία","Katsifoli Angeliki-Maria"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"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:3475955","https://pergamos.lib.uoa.gr/uoa/dl/object/3475955"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["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.","Ulcerative colitis (UC) is a chronic autoimmune condition categorized under idiopathic inflammatory bowel diseases, characterized by inflammation of the large intestine. Treatment commonly involves the use of biological agents, particularly monoclonal antibodies targeting tumor necrosis factor alpha (TNFα). However, patient responses to these therapies are notably heterogeneous, highlighting the need for predictive tools to optimize treatment strategies. This study employs supervised machine learning (ML) techniques to analyze pre-treatment microarray gene expression data from UC patients, aiming to predict their response to two TNFα inhibitors, infliximab and golimumab. Publicly available datasets were retrieved, preprocessed, and integrated to create a dataset for the downstream ML process. Differential expression analysis (DEA) identified key genes associated with treatment response, and machine learning models were trained on two distinct feature sets: an 84-gene inflammatory panel and a 14-gene subset derived from DEA. An automated machine learning (AutoML) approach using H2O was employed alongside additional models implemented in scikit-learn to compare performance. Gradient Boosting Machines (GBM) emerged as the most effective predictive models, with CXCL5 and PTGS2 ranking as top predictors of response. The findings underscore the potential of machine learning in developing predictive biomarkers for UC treatment response. By developing predictive models, this research seeks to enhance the precision of therapeutic interventions in UC, potentially improving patient outcomes and personalizing treatment approaches."]},{"key":"dc:title","label":"Title","values":["Machine learning approaches to predict responses in biological agents used in Ulcerative Colitis"]}]}],"canonical_facts":{"dc:creator":["Κατσιφώλη Αγγελική-Μαρία","Katsifoli Angeliki-Maria"],"dc:date":["2025"],"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.","Ulcerative colitis (UC) is a chronic autoimmune condition categorized under idiopathic inflammatory bowel diseases, characterized by inflammation of the large intestine. Treatment commonly involves the use of biological agents, particularly monoclonal antibodies targeting tumor necrosis factor alpha (TNFα). However, patient responses to these therapies are notably heterogeneous, highlighting the need for predictive tools to optimize treatment strategies. This study employs supervised machine learning (ML) techniques to analyze pre-treatment microarray gene expression data from UC patients, aiming to predict their response to two TNFα inhibitors, infliximab and golimumab. Publicly available datasets were retrieved, preprocessed, and integrated to create a dataset for the downstream ML process. Differential expression analysis (DEA) identified key genes associated with treatment response, and machine learning models were trained on two distinct feature sets: an 84-gene inflammatory panel and a 14-gene subset derived from DEA. An automated machine learning (AutoML) approach using H2O was employed alongside additional models implemented in scikit-learn to compare performance. Gradient Boosting Machines (GBM) emerged as the most effective predictive models, with CXCL5 and PTGS2 ranking as top predictors of response. The findings underscore the potential of machine learning in developing predictive biomarkers for UC treatment response. By developing predictive models, this research seeks to enhance the precision of therapeutic interventions in UC, potentially improving patient outcomes and personalizing treatment approaches."],"dc:identifier":["uoadl:3475955","https://pergamos.lib.uoa.gr/uoa/dl/object/3475955"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Machine learning approaches to predict responses in biological agents used in Ulcerative Colitis"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:32:09Z"}