{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5300266"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5300266","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Η χρήση της τεχνητής νοημοσύνης στην επαναστόχευση φαρμάκων: εφαρμογές και προκλήσεις","abstract":"Η επαναστόχευση φαρμάκων (drug repurposing) αναφέρεται στη διαδικασία ανακάλυψης νέων θεραπευτικών ενδείξεων για υπάρχοντα φάρμακα. Σε σύγκριση με τις παραδοσιακές χρονοβόρες και δαπανηρές μεθόδους ανάπτυξης φαρμάκων, η επαναστόχευση μειώνει το χρόνο και τα έξοδα, αξιοποιώντας ήδη εγκεκριμένες ουσίες με γνωστό προφίλ ασφάλειας. Αυτή η προσέγγιση επιταχύνει τη διάθεση νέων θεραπειών στους ασθενείς και ελαχιστοποιεί τους κινδύνους αποτυχίας των νέων υποψήφιων φαρμάκων. Η τεχνητή νοημοσύνη (Artificial Intelligence-AI) χρησιμοποιώντας μοντέλα μηχανικής μάθησης, τεχνητά νευρωνικά δίκτυα, αλγορίθμους ανάλυσης δικτύων και υπογραφών καθώς και μοντέλα επεξεργασίας φυσικής γλώσσας διαδραματίζει κρίσιμο ρόλο στην επαναστόχευση φαρμάκων. Έχοντας τη δυνατότητα να αναλύει τεράστιους όγκους δεδομένων, προβλέπει τη συσχέτιση μεταξύ βιολογικών μορίων και εντοπίζει μοριακούς μηχανισμούς ασθενειών, συμβάλλοντας στην αναγνώριση πιθανών νέων χρήσεων για υπάρχοντα φάρμακα. Σκοπός της παρούσας ανασκόπησης είναι να διερευνήσει τη συμβολή της τεχνητής νοημοσύνης στην επαναστόχευση φαρμάκων και να αναδείξει τις εφαρμογές της σε διάφορους ιατρικούς τομείς, με κυριότερους την ογκολογία, τις νευροεκφυλιστικές παθήσεις και τις σπάνιες νόσους. Επιπρόσθετα, επισημαίνονται τα πλεονεκτήματα της τεχνητής νοημοσύνης έναντι των παραδοσιακών μεθόδων ανάπτυξης φαρμάκων, όπως είναι η ταχύτερη ανακάλυψη των θεραπευτικών ενδείξεων και η μείωση του κόστους. Ωστόσο, η ανάγκη για βαθύτερη κατανόηση των μοριακών μηχανισμών, οι ηθικοί προβληματισμοί, η απουσία σαφούς ρυθμιστικού πλαισίου, η ποιότητα και η ερμηνεία των δεδομένων που προκύπτουν, είναι μερικές από τις προκλήσεις που χρειάζεται να αντιμετωπιστούν στο μέλλον. Συνολικά, η επαναστόχευση φαρμάκων με τη συμβολή της τεχνητής νοημοσύνης αποτελεί ένα υποσχόμενο πεδίο που μπορεί να μεταμορφώσει την ιατρική έρευνα και την ανάπτυξη νέων θεραπειών.","abstract_html":"Η επαναστόχευση φαρμάκων (drug repurposing) αναφέρεται στη διαδικασία ανακάλυψης νέων θεραπευτικών ενδείξεων για υπάρχοντα φάρμακα. Σε σύγκριση με τις παραδοσιακές χρονοβόρες και δαπανηρές μεθόδους ανάπτυξης φαρμάκων, η επαναστόχευση μειώνει το χρόνο και τα έξοδα, αξιοποιώντας ήδη εγκεκριμένες ουσίες με γνωστό προφίλ ασφάλειας. Αυτή η προσέγγιση επιταχύνει τη διάθεση νέων θεραπειών στους ασθενείς και ελαχιστοποιεί τους κινδύνους αποτυχίας των νέων υποψήφιων φαρμάκων. Η τεχνητή νοημοσύνη (Artificial Intelligence-AI) χρησιμοποιώντας μοντέλα μηχανικής μάθησης, τεχνητά νευρωνικά δίκτυα, αλγορίθμους ανάλυσης δικτύων και υπογραφών καθώς και μοντέλα επεξεργασίας φυσικής γλώσσας διαδραματίζει κρίσιμο ρόλο στην επαναστόχευση φαρμάκων. Έχοντας τη δυνατότητα να αναλύει τεράστιους όγκους δεδομένων, προβλέπει τη συσχέτιση μεταξύ βιολογικών μορίων και εντοπίζει μοριακούς μηχανισμούς ασθενειών, συμβάλλοντας στην αναγνώριση πιθανών νέων χρήσεων για υπάρχοντα φάρμακα. Σκοπός της παρούσας ανασκόπησης είναι να διερευνήσει τη συμβολή της τεχνητής νοημοσύνης στην επαναστόχευση φαρμάκων και να αναδείξει τις εφαρμογές της σε διάφορους ιατρικούς τομείς, με κυριότερους την ογκολογία, τις νευροεκφυλιστικές παθήσεις και τις σπάνιες νόσους. Επιπρόσθετα, επισημαίνονται τα πλεονεκτήματα της τεχνητής νοημοσύνης έναντι των παραδοσιακών μεθόδων ανάπτυξης φαρμάκων, όπως είναι η ταχύτερη ανακάλυψη των θεραπευτικών ενδείξεων και η μείωση του κόστους. Ωστόσο, η ανάγκη για βαθύτερη κατανόηση των μοριακών μηχανισμών, οι ηθικοί προβληματισμοί, η απουσία σαφούς ρυθμιστικού πλαισίου, η ποιότητα και η ερμηνεία των δεδομένων που προκύπτουν, είναι μερικές από τις προκλήσεις που χρειάζεται να αντιμετωπιστούν στο μέλλον. Συνολικά, η επαναστόχευση φαρμάκων με τη συμβολή της τεχνητής νοημοσύνης αποτελεί ένα υποσχόμενο πεδίο που μπορεί να μεταμορφώσει την ιατρική έρευνα και την ανάπτυξη νέων θεραπειών.","abstract_has_math":false,"creators":["Κεραμίδα Παρασκευή","Keramida Paraskevi"],"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":"2026-11-19T06:37:23Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5300266"],"render_values":[{"text":"uoadl:5300266","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5300266","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5300266","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%3A5300266","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κεραμίδα Παρασκευή","Keramida Paraskevi"]}]},{"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":["Επιστήμες Υγείας","Health Sciences"]}]},{"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:5300266","https://pergamos.lib.uoa.gr/uoa/dl/object/5300266"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η επαναστόχευση φαρμάκων (drug repurposing) αναφέρεται στη διαδικασία ανακάλυψης νέων θεραπευτικών ενδείξεων για υπάρχοντα φάρμακα. Σε σύγκριση με τις παραδοσιακές χρονοβόρες και δαπανηρές μεθόδους ανάπτυξης φαρμάκων, η επαναστόχευση μειώνει το χρόνο και τα έξοδα, αξιοποιώντας ήδη εγκεκριμένες ουσίες με γνωστό προφίλ ασφάλειας. Αυτή η προσέγγιση επιταχύνει τη διάθεση νέων θεραπειών στους ασθενείς και ελαχιστοποιεί τους κινδύνους αποτυχίας των νέων υποψήφιων φαρμάκων. Η τεχνητή νοημοσύνη (Artificial Intelligence-AI) χρησιμοποιώντας μοντέλα μηχανικής μάθησης, τεχνητά νευρωνικά δίκτυα, αλγορίθμους ανάλυσης δικτύων και υπογραφών καθώς και μοντέλα επεξεργασίας φυσικής γλώσσας διαδραματίζει κρίσιμο ρόλο στην επαναστόχευση φαρμάκων. Έχοντας τη δυνατότητα να αναλύει τεράστιους όγκους δεδομένων, προβλέπει τη συσχέτιση μεταξύ βιολογικών μορίων και εντοπίζει μοριακούς μηχανισμούς ασθενειών, συμβάλλοντας στην αναγνώριση πιθανών νέων χρήσεων για υπάρχοντα φάρμακα. Σκοπός της παρούσας ανασκόπησης είναι να διερευνήσει τη συμβολή της τεχνητής νοημοσύνης στην επαναστόχευση φαρμάκων και να αναδείξει τις εφαρμογές της σε διάφορους ιατρικούς τομείς, με κυριότερους την ογκολογία, τις νευροεκφυλιστικές παθήσεις και τις σπάνιες νόσους. Επιπρόσθετα, επισημαίνονται τα πλεονεκτήματα της τεχνητής νοημοσύνης έναντι των παραδοσιακών μεθόδων ανάπτυξης φαρμάκων, όπως είναι η ταχύτερη ανακάλυψη των θεραπευτικών ενδείξεων και η μείωση του κόστους. Ωστόσο, η ανάγκη για βαθύτερη κατανόηση των μοριακών μηχανισμών, οι ηθικοί προβληματισμοί, η απουσία σαφούς ρυθμιστικού πλαισίου, η ποιότητα και η ερμηνεία των δεδομένων που προκύπτουν, είναι μερικές από τις προκλήσεις που χρειάζεται να αντιμετωπιστούν στο μέλλον. Συνολικά, η επαναστόχευση φαρμάκων με τη συμβολή της τεχνητής νοημοσύνης αποτελεί ένα υποσχόμενο πεδίο που μπορεί να μεταμορφώσει την ιατρική έρευνα και την ανάπτυξη νέων θεραπειών.","Drug repurposing is the process of discovering new therapeutic indications for already existing drugs. Compared to traditional drug development, which is time-consuming and costly, repurposing reduces both time and expenses by using already approved molecules with known safety profiles. This approach accelerates the availability of new treatments to patients and minimizes the failure rate of new drug candidates. Artificial Intelligence (AI) plays a crucial role in drug repurposing by exploiting machine learning models, artificial neural networks, network- and signature-based algorithms and natural language processing (NLP) techniques. AI can analyze and process big datasets of biological and medical information, predict similarities between biomolecules and identify disease mechanisms, contributing to the discovery of new therapeutic indications of already known drugs. The purpose of this review is to explore the role of AI tools in drug repurposing and underline their applications across various medical domains, mainly in oncology, neurodegenerative disorders, and rare diseases. Additionally, this review highlights the advantages of AI over the traditional drug development processes, such as the quicker and cost saving identification of therapeutic indications. However, several challenges remain to be addressed. These include the need for a deeper understanding of molecular mechanisms, ethical concerns, regulatory requirements, and issues related to data quality and interpretability. Overall, AI-driven drug repurposing is an innovative and promising field that can transform medical research and drug development, covering unmet medical needs and offering more efficient and cost-effective therapeutic solutions."]},{"key":"dc:title","label":"Title","values":["Η χρήση της τεχνητής νοημοσύνης στην επαναστόχευση φαρμάκων: εφαρμογές και προκλήσεις"]}]}],"canonical_facts":{"dc:creator":["Κεραμίδα Παρασκευή","Keramida Paraskevi"],"dc:date":["2025"],"dc:description":["Η επαναστόχευση φαρμάκων (drug repurposing) αναφέρεται στη διαδικασία ανακάλυψης νέων θεραπευτικών ενδείξεων για υπάρχοντα φάρμακα. Σε σύγκριση με τις παραδοσιακές χρονοβόρες και δαπανηρές μεθόδους ανάπτυξης φαρμάκων, η επαναστόχευση μειώνει το χρόνο και τα έξοδα, αξιοποιώντας ήδη εγκεκριμένες ουσίες με γνωστό προφίλ ασφάλειας. Αυτή η προσέγγιση επιταχύνει τη διάθεση νέων θεραπειών στους ασθενείς και ελαχιστοποιεί τους κινδύνους αποτυχίας των νέων υποψήφιων φαρμάκων. Η τεχνητή νοημοσύνη (Artificial Intelligence-AI) χρησιμοποιώντας μοντέλα μηχανικής μάθησης, τεχνητά νευρωνικά δίκτυα, αλγορίθμους ανάλυσης δικτύων και υπογραφών καθώς και μοντέλα επεξεργασίας φυσικής γλώσσας διαδραματίζει κρίσιμο ρόλο στην επαναστόχευση φαρμάκων. Έχοντας τη δυνατότητα να αναλύει τεράστιους όγκους δεδομένων, προβλέπει τη συσχέτιση μεταξύ βιολογικών μορίων και εντοπίζει μοριακούς μηχανισμούς ασθενειών, συμβάλλοντας στην αναγνώριση πιθανών νέων χρήσεων για υπάρχοντα φάρμακα. Σκοπός της παρούσας ανασκόπησης είναι να διερευνήσει τη συμβολή της τεχνητής νοημοσύνης στην επαναστόχευση φαρμάκων και να αναδείξει τις εφαρμογές της σε διάφορους ιατρικούς τομείς, με κυριότερους την ογκολογία, τις νευροεκφυλιστικές παθήσεις και τις σπάνιες νόσους. Επιπρόσθετα, επισημαίνονται τα πλεονεκτήματα της τεχνητής νοημοσύνης έναντι των παραδοσιακών μεθόδων ανάπτυξης φαρμάκων, όπως είναι η ταχύτερη ανακάλυψη των θεραπευτικών ενδείξεων και η μείωση του κόστους. Ωστόσο, η ανάγκη για βαθύτερη κατανόηση των μοριακών μηχανισμών, οι ηθικοί προβληματισμοί, η απουσία σαφούς ρυθμιστικού πλαισίου, η ποιότητα και η ερμηνεία των δεδομένων που προκύπτουν, είναι μερικές από τις προκλήσεις που χρειάζεται να αντιμετωπιστούν στο μέλλον. Συνολικά, η επαναστόχευση φαρμάκων με τη συμβολή της τεχνητής νοημοσύνης αποτελεί ένα υποσχόμενο πεδίο που μπορεί να μεταμορφώσει την ιατρική έρευνα και την ανάπτυξη νέων θεραπειών.","Drug repurposing is the process of discovering new therapeutic indications for already existing drugs. Compared to traditional drug development, which is time-consuming and costly, repurposing reduces both time and expenses by using already approved molecules with known safety profiles. This approach accelerates the availability of new treatments to patients and minimizes the failure rate of new drug candidates. Artificial Intelligence (AI) plays a crucial role in drug repurposing by exploiting machine learning models, artificial neural networks, network- and signature-based algorithms and natural language processing (NLP) techniques. AI can analyze and process big datasets of biological and medical information, predict similarities between biomolecules and identify disease mechanisms, contributing to the discovery of new therapeutic indications of already known drugs. The purpose of this review is to explore the role of AI tools in drug repurposing and underline their applications across various medical domains, mainly in oncology, neurodegenerative disorders, and rare diseases. Additionally, this review highlights the advantages of AI over the traditional drug development processes, such as the quicker and cost saving identification of therapeutic indications. However, several challenges remain to be addressed. These include the need for a deeper understanding of molecular mechanisms, ethical concerns, regulatory requirements, and issues related to data quality and interpretability. Overall, AI-driven drug repurposing is an innovative and promising field that can transform medical research and drug development, covering unmet medical needs and offering more efficient and cost-effective therapeutic solutions."],"dc:identifier":["uoadl:5300266","https://pergamos.lib.uoa.gr/uoa/dl/object/5300266"],"dc:language":["English"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Η χρήση της τεχνητής νοημοσύνης στην επαναστόχευση φαρμάκων: εφαρμογές και προκλήσεις"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:37:23Z"}