{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5305044"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5305044","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"ML4META - A comprehensive tool for Metabolomics Data Analysis","abstract":"Η μεταβολομική είναι ένας αναδυόμενος τομέας της βιοϊατρικής έρευνας που επικεντρώνεται στην ανάλυση μεταβολιτών μικρών μορίων για την αποκρυπτογράφηση των μηχανισμών των ασθενειών και τον χαρακτηρισμό της φαινοτυπικής ποικιλομορφίας. Με την αυξανόμενη ποικιλομορφία των εφαρμογών στην ανακάλυψη βιοδεικτών, την ανάπτυξη φαρμάκων, την εξατομικευμένη ιατρική και την περιβαλλοντική παρακολούθηση, υπάρχει μια αυξανόμενη ανάγκη για εργαλεία μηχανικής μάθησης για τη δημιουργία εξηγήσιμων προγνωστικών μοντέλων που αξιοποιούν σύνολα δεδομένων μεταβολομικής. Ωστόσο, αυτά τα σύνολα δεδομένων χαρακτηρίζονται συνήθως από μικρά μεγέθη δειγμάτων, πολύ υψηλή διαστατικότητα, ανισορροπία κλάσεων και έλλειψη τυποποιημένων ροών εργασίας βιοπληροφορικής για την ανάλυσή τους. Παρουσιάζουμε το ML4META, ένα ολοκληρωμένο πακέτο Python για την ανάλυση συνόλων δεδομένων μεταβολομικής σε μορφή πίνακα. Το πακέτο περιλαμβάνει δυνατότητες προεπεξεργασίας, σταθερή επιλογή χαρακτηριστικών, ρύθμιση υπερπαραμέτρων σε πολλαπλούς αλγόριθμους εκτίμησης, μεθόδους επιλογής και αξιολόγησης μοντέλων, συμπερασμούς και ολοκληρωμένη κατάταξη σημασίας χαρακτηριστικών με βάση την προσθετική εξήγηση Shapley για τη διευκόλυνση της ανακάλυψης βιοδεικτών. Επαληθεύσαμε τις ποικίλες δυνατότητες του ML4META χρησιμοποιώντας δύο δημόσια διαθέσιμα σύνολα δεδομένων μεταβολομικής με πολύ διαφορετικά χαρακτηριστικά: το σύνθετο σύνολο δεδομένων EPIC για τη νόσο του Πάρκινσον (72 άτομα, 1430 βιοδείκτες) και το σύνολο δεδομένων ICC (ανοσοκυτταροχημεία) για μεμονωμένα κύτταρα (1544 κύτταρα, 511 βιοδείκτες). Το πρώτο σύνολο δεδομένων αποτελεί παράδειγμα κλινικών ερευνών με τυπικά μικρά μεγέθη δειγμάτων ασθενών και μεγάλα σύνολα χαρακτηριστικών, ενώ το δεύτερο σύνολο δεδομένων περιλαμβάνει φαινοτυπικό χαρακτηρισμό και σχέσεις βιοδεικτών υψηλής πολυπλοκότητας, όπως είναι εμφανές σε δεδομένα μεγάλης κλίμακας μονόκυτταρων. Προτείνουμε μια υβριδική προσέγγιση για την ανακάλυψη βιοδεικτών που συνδυάζει την επιλογή στοιχείων ανεξάρτητη από το μοντέλο χρησιμοποιώντας την Minimum Redundancy Maximum Relevance (MRMR) με την κατάταξη σημασίας βιοδεικτών βάσει SHAP για τον προσδιορισμό υποψηφίων βιοδεικτών υψηλής αξιοπιστίας που παρουσιάζουν τόσο ισχυρή επιλεκτικότητα όσο και ισχυρή προγνωστική σημασία. Σε αντίθεση με τις προσεγγίσεις που βασίζονται αποκλειστικά στις τιμές σημασίας SHAP χρησιμοποιώντας ολόκληρο το σύνολο βιοδεικτών και ένα μόνο μοντέλο πρόβλεψης, η υβριδική μας προσέγγιση ευνοεί την επιλογή σταθερών στοιχείων που παρουσιάζουν βέλτιστη ισορροπία μεταξύ συνάφειας και πλεονασμού, χρησιμοποιώντας επαναλαμβανόμενο MRMR ανεξάρτητο από το μοντέλο και υψηλή σημασία βιοδεικτών σε πολλαπλά μοντέλα υψηλής απόδοσης, όπως καθορίζεται από τις τιμές SHAP. Η πιο αυστηρή υβριδική μεθοδολογία μας στοχεύει στην αντιμετώπιση της μεροληψίας που είναι συγκεκριμένη για κάθε μοντέλο, στη βελτίωση της ανθεκτικότητας της επιλογής βιοδεικτών σε όλους τους αλγόριθμους και στη μείωση της έκθεσης του μοντέλου σε θορυβώδη στοιχεία. Για το σύνολο δεδομένων EPIC της νόσου του Πάρκινσον, εντοπίσαμε απλά ερμηνεύσιμα μοντέλα ElasticNet που επιτυγχάνουν τιμές AUC άνω του 0,98. Η ανάλυσή μας επικύρωσε τους πέντε βασικούς βιοδείκτες που είχαν προηγουμένως εντοπιστεί στη μελέτη αναφοράς χρησιμοποιώντας ένα νευρωνικό δίκτυο, επιβεβαίωσε τη σημασία έξι επιπλέον βιοδεικτών που επισημάνθηκαν σε αυτή την εργασία και αποκάλυψε έναν νέο πιθανό βιοδείκτη που δεν είχε αναφερθεί προηγουμένως. Για το πρόβλημα ταξινόμησης μονόκυτταρων ICC, οι εκτιμητές βάσει δέντρου πέτυχαν βαθμολογίες AUC 0,83-0,84, ενώ εντόπισαν 14 πιθανούς βιοδείκτες, 9 από τους οποίους δεν περιλαμβάνονταν στην αρχική μελέτη. Η υβριδική μας προσέγγιση, η οποία συνδυάζει την ανεξάρτητη από το μοντέλο επιλεκτικότητα βιοδεικτών με βάση τη σταθερότητα με την κατάταξη της σημασίας των στοιχείων ανά μοντέλο σε πολλαπλούς εκτιμητές, παρέχει ένα βελτιωμένο πλαίσιο ανθεκτικότητας για την ανακάλυψη βιοδεικτών που ελαχιστοποιεί τα ψευδώς θετικά στοιχεία, εξασφαλίζοντας παράλληλα τη βιολογική ερμηνευσιμότητα. ΘΕΜΑΤΙΚΗ ΠΕΡΙΟΧΗ: Ανάλυση δεδομένων μεταβολομικής, μηχανική μάθηση στην υγειονομική περίθαλψη, επιλογή στοιχείων, ανάπτυξη λογισμικού, βιοπληροφορική","abstract_html":"Η μεταβολομική είναι ένας αναδυόμενος τομέας της βιοϊατρικής έρευνας που επικεντρώνεται στην ανάλυση μεταβολιτών μικρών μορίων για την αποκρυπτογράφηση των μηχανισμών των ασθενειών και τον χαρακτηρισμό της φαινοτυπικής ποικιλομορφίας. Με την αυξανόμενη ποικιλομορφία των εφαρμογών στην ανακάλυψη βιοδεικτών, την ανάπτυξη φαρμάκων, την εξατομικευμένη ιατρική και την περιβαλλοντική παρακολούθηση, υπάρχει μια αυξανόμενη ανάγκη για εργαλεία μηχανικής μάθησης για τη δημιουργία εξηγήσιμων προγνωστικών μοντέλων που αξιοποιούν σύνολα δεδομένων μεταβολομικής. Ωστόσο, αυτά τα σύνολα δεδομένων χαρακτηρίζονται συνήθως από μικρά μεγέθη δειγμάτων, πολύ υψηλή διαστατικότητα, ανισορροπία κλάσεων και έλλειψη τυποποιημένων ροών εργασίας βιοπληροφορικής για την ανάλυσή τους. Παρουσιάζουμε το ML4META, ένα ολοκληρωμένο πακέτο Python για την ανάλυση συνόλων δεδομένων μεταβολομικής σε μορφή πίνακα. Το πακέτο περιλαμβάνει δυνατότητες προεπεξεργασίας, σταθερή επιλογή χαρακτηριστικών, ρύθμιση υπερπαραμέτρων σε πολλαπλούς αλγόριθμους εκτίμησης, μεθόδους επιλογής και αξιολόγησης μοντέλων, συμπερασμούς και ολοκληρωμένη κατάταξη σημασίας χαρακτηριστικών με βάση την προσθετική εξήγηση Shapley για τη διευκόλυνση της ανακάλυψης βιοδεικτών. Επαληθεύσαμε τις ποικίλες δυνατότητες του ML4META χρησιμοποιώντας δύο δημόσια διαθέσιμα σύνολα δεδομένων μεταβολομικής με πολύ διαφορετικά χαρακτηριστικά: το σύνθετο σύνολο δεδομένων EPIC για τη νόσο του Πάρκινσον (72 άτομα, 1430 βιοδείκτες) και το σύνολο δεδομένων ICC (ανοσοκυτταροχημεία) για μεμονωμένα κύτταρα (1544 κύτταρα, 511 βιοδείκτες). Το πρώτο σύνολο δεδομένων αποτελεί παράδειγμα κλινικών ερευνών με τυπικά μικρά μεγέθη δειγμάτων ασθενών και μεγάλα σύνολα χαρακτηριστικών, ενώ το δεύτερο σύνολο δεδομένων περιλαμβάνει φαινοτυπικό χαρακτηρισμό και σχέσεις βιοδεικτών υψηλής πολυπλοκότητας, όπως είναι εμφανές σε δεδομένα μεγάλης κλίμακας μονόκυτταρων. Προτείνουμε μια υβριδική προσέγγιση για την ανακάλυψη βιοδεικτών που συνδυάζει την επιλογή στοιχείων ανεξάρτητη από το μοντέλο χρησιμοποιώντας την Minimum Redundancy Maximum Relevance (MRMR) με την κατάταξη σημασίας βιοδεικτών βάσει SHAP για τον προσδιορισμό υποψηφίων βιοδεικτών υψηλής αξιοπιστίας που παρουσιάζουν τόσο ισχυρή επιλεκτικότητα όσο και ισχυρή προγνωστική σημασία. Σε αντίθεση με τις προσεγγίσεις που βασίζονται αποκλειστικά στις τιμές σημασίας SHAP χρησιμοποιώντας ολόκληρο το σύνολο βιοδεικτών και ένα μόνο μοντέλο πρόβλεψης, η υβριδική μας προσέγγιση ευνοεί την επιλογή σταθερών στοιχείων που παρουσιάζουν βέλτιστη ισορροπία μεταξύ συνάφειας και πλεονασμού, χρησιμοποιώντας επαναλαμβανόμενο MRMR ανεξάρτητο από το μοντέλο και υψηλή σημασία βιοδεικτών σε πολλαπλά μοντέλα υψηλής απόδοσης, όπως καθορίζεται από τις τιμές SHAP. Η πιο αυστηρή υβριδική μεθοδολογία μας στοχεύει στην αντιμετώπιση της μεροληψίας που είναι συγκεκριμένη για κάθε μοντέλο, στη βελτίωση της ανθεκτικότητας της επιλογής βιοδεικτών σε όλους τους αλγόριθμους και στη μείωση της έκθεσης του μοντέλου σε θορυβώδη στοιχεία. Για το σύνολο δεδομένων EPIC της νόσου του Πάρκινσον, εντοπίσαμε απλά ερμηνεύσιμα μοντέλα ElasticNet που επιτυγχάνουν τιμές AUC άνω του 0,98. Η ανάλυσή μας επικύρωσε τους πέντε βασικούς βιοδείκτες που είχαν προηγουμένως εντοπιστεί στη μελέτη αναφοράς χρησιμοποιώντας ένα νευρωνικό δίκτυο, επιβεβαίωσε τη σημασία έξι επιπλέον βιοδεικτών που επισημάνθηκαν σε αυτή την εργασία και αποκάλυψε έναν νέο πιθανό βιοδείκτη που δεν είχε αναφερθεί προηγουμένως. Για το πρόβλημα ταξινόμησης μονόκυτταρων ICC, οι εκτιμητές βάσει δέντρου πέτυχαν βαθμολογίες AUC 0,83-0,84, ενώ εντόπισαν 14 πιθανούς βιοδείκτες, 9 από τους οποίους δεν περιλαμβάνονταν στην αρχική μελέτη. Η υβριδική μας προσέγγιση, η οποία συνδυάζει την ανεξάρτητη από το μοντέλο επιλεκτικότητα βιοδεικτών με βάση τη σταθερότητα με την κατάταξη της σημασίας των στοιχείων ανά μοντέλο σε πολλαπλούς εκτιμητές, παρέχει ένα βελτιωμένο πλαίσιο ανθεκτικότητας για την ανακάλυψη βιοδεικτών που ελαχιστοποιεί τα ψευδώς θετικά στοιχεία, εξασφαλίζοντας παράλληλα τη βιολογική ερμηνευσιμότητα. ΘΕΜΑΤΙΚΗ ΠΕΡΙΟΧΗ: Ανάλυση δεδομένων μεταβολομικής, μηχανική μάθηση στην υγειονομική περίθαλψη, επιλογή στοιχείων, ανάπτυξη λογισμικού, βιοπληροφορική","abstract_has_math":false,"creators":["Αλβανάκης-Αποστόλου Σπυρίδων","Alvanakis-Apostolou Spyridon"],"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":"2026-11-19T06:40:10Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","English","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5305044"],"render_values":[{"text":"uoadl:5305044","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5305044","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5305044","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%3A5305044","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Αλβανάκης-Αποστόλου Σπυρίδων","Alvanakis-Apostolou Spyridon"]}]},{"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":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","English","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5305044","https://pergamos.lib.uoa.gr/uoa/dl/object/5305044"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η μεταβολομική είναι ένας αναδυόμενος τομέας της βιοϊατρικής έρευνας που επικεντρώνεται στην ανάλυση μεταβολιτών μικρών μορίων για την αποκρυπτογράφηση των μηχανισμών των ασθενειών και τον χαρακτηρισμό της φαινοτυπικής ποικιλομορφίας. Με την αυξανόμενη ποικιλομορφία των εφαρμογών στην ανακάλυψη βιοδεικτών, την ανάπτυξη φαρμάκων, την εξατομικευμένη ιατρική και την περιβαλλοντική παρακολούθηση, υπάρχει μια αυξανόμενη ανάγκη για εργαλεία μηχανικής μάθησης για τη δημιουργία εξηγήσιμων προγνωστικών μοντέλων που αξιοποιούν σύνολα δεδομένων μεταβολομικής. Ωστόσο, αυτά τα σύνολα δεδομένων χαρακτηρίζονται συνήθως από μικρά μεγέθη δειγμάτων, πολύ υψηλή διαστατικότητα, ανισορροπία κλάσεων και έλλειψη τυποποιημένων ροών εργασίας βιοπληροφορικής για την ανάλυσή τους. Παρουσιάζουμε το ML4META, ένα ολοκληρωμένο πακέτο Python για την ανάλυση συνόλων δεδομένων μεταβολομικής σε μορφή πίνακα. Το πακέτο περιλαμβάνει δυνατότητες προεπεξεργασίας, σταθερή επιλογή χαρακτηριστικών, ρύθμιση υπερπαραμέτρων σε πολλαπλούς αλγόριθμους εκτίμησης, μεθόδους επιλογής και αξιολόγησης μοντέλων, συμπερασμούς και ολοκληρωμένη κατάταξη σημασίας χαρακτηριστικών με βάση την προσθετική εξήγηση Shapley για τη διευκόλυνση της ανακάλυψης βιοδεικτών. Επαληθεύσαμε τις ποικίλες δυνατότητες του ML4META χρησιμοποιώντας δύο δημόσια διαθέσιμα σύνολα δεδομένων μεταβολομικής με πολύ διαφορετικά χαρακτηριστικά: το σύνθετο σύνολο δεδομένων EPIC για τη νόσο του Πάρκινσον (72 άτομα, 1430 βιοδείκτες) και το σύνολο δεδομένων ICC (ανοσοκυτταροχημεία) για μεμονωμένα κύτταρα (1544 κύτταρα, 511 βιοδείκτες). Το πρώτο σύνολο δεδομένων αποτελεί παράδειγμα κλινικών ερευνών με τυπικά μικρά μεγέθη δειγμάτων ασθενών και μεγάλα σύνολα χαρακτηριστικών, ενώ το δεύτερο σύνολο δεδομένων περιλαμβάνει φαινοτυπικό χαρακτηρισμό και σχέσεις βιοδεικτών υψηλής πολυπλοκότητας, όπως είναι εμφανές σε δεδομένα μεγάλης κλίμακας μονόκυτταρων. Προτείνουμε μια υβριδική προσέγγιση για την ανακάλυψη βιοδεικτών που συνδυάζει την επιλογή στοιχείων ανεξάρτητη από το μοντέλο χρησιμοποιώντας την Minimum Redundancy Maximum Relevance (MRMR) με την κατάταξη σημασίας βιοδεικτών βάσει SHAP για τον προσδιορισμό υποψηφίων βιοδεικτών υψηλής αξιοπιστίας που παρουσιάζουν τόσο ισχυρή επιλεκτικότητα όσο και ισχυρή προγνωστική σημασία. Σε αντίθεση με τις προσεγγίσεις που βασίζονται αποκλειστικά στις τιμές σημασίας SHAP χρησιμοποιώντας ολόκληρο το σύνολο βιοδεικτών και ένα μόνο μοντέλο πρόβλεψης, η υβριδική μας προσέγγιση ευνοεί την επιλογή σταθερών στοιχείων που παρουσιάζουν βέλτιστη ισορροπία μεταξύ συνάφειας και πλεονασμού, χρησιμοποιώντας επαναλαμβανόμενο MRMR ανεξάρτητο από το μοντέλο και υψηλή σημασία βιοδεικτών σε πολλαπλά μοντέλα υψηλής απόδοσης, όπως καθορίζεται από τις τιμές SHAP. Η πιο αυστηρή υβριδική μεθοδολογία μας στοχεύει στην αντιμετώπιση της μεροληψίας που είναι συγκεκριμένη για κάθε μοντέλο, στη βελτίωση της ανθεκτικότητας της επιλογής βιοδεικτών σε όλους τους αλγόριθμους και στη μείωση της έκθεσης του μοντέλου σε θορυβώδη στοιχεία. Για το σύνολο δεδομένων EPIC της νόσου του Πάρκινσον, εντοπίσαμε απλά ερμηνεύσιμα μοντέλα ElasticNet που επιτυγχάνουν τιμές AUC άνω του 0,98. Η ανάλυσή μας επικύρωσε τους πέντε βασικούς βιοδείκτες που είχαν προηγουμένως εντοπιστεί στη μελέτη αναφοράς χρησιμοποιώντας ένα νευρωνικό δίκτυο, επιβεβαίωσε τη σημασία έξι επιπλέον βιοδεικτών που επισημάνθηκαν σε αυτή την εργασία και αποκάλυψε έναν νέο πιθανό βιοδείκτη που δεν είχε αναφερθεί προηγουμένως. Για το πρόβλημα ταξινόμησης μονόκυτταρων ICC, οι εκτιμητές βάσει δέντρου πέτυχαν βαθμολογίες AUC 0,83-0,84, ενώ εντόπισαν 14 πιθανούς βιοδείκτες, 9 από τους οποίους δεν περιλαμβάνονταν στην αρχική μελέτη. Η υβριδική μας προσέγγιση, η οποία συνδυάζει την ανεξάρτητη από το μοντέλο επιλεκτικότητα βιοδεικτών με βάση τη σταθερότητα με την κατάταξη της σημασίας των στοιχείων ανά μοντέλο σε πολλαπλούς εκτιμητές, παρέχει ένα βελτιωμένο πλαίσιο ανθεκτικότητας για την ανακάλυψη βιοδεικτών που ελαχιστοποιεί τα ψευδώς θετικά στοιχεία, εξασφαλίζοντας παράλληλα τη βιολογική ερμηνευσιμότητα. ΘΕΜΑΤΙΚΗ ΠΕΡΙΟΧΗ: Ανάλυση δεδομένων μεταβολομικής, μηχανική μάθηση στην υγειονομική περίθαλψη, επιλογή στοιχείων, ανάπτυξη λογισμικού, βιοπληροφορική","Metabolomics is an emerging field of biomedical research that focuses on the analysis of small-molecule metabolites to decipher disease mechanisms and characterize phenotypic diversity. With the growing diversity of applications in biomarker discovery, drug development, personalized medicine, and environmental monitoring, there is an increasing need for machine learning tools to build explainable predictive models that exploit metabolomics datasets. However, these datasets are typically characterized by small sample sizes, very high dimensionality, class imbalance, and a lack of standardized bioinformatic workflows for their analysis. We present ML4META, a comprehensive Python package for analyzing metabolomics datasets in tabular format. The package includes preprocessing capabilities, stable feature selection, hyperparameter tuning across multiple estimator algorithms, model selection and evaluation methods, inference, and integrated Shapley Additive Explanation-based feature importance ranking to facilitate biomarker discovery. We validated the diverse capabilities of ML4META using two publicly available metabolomics datasets with very different characteristics: the Parkinson's Disease EPIC Composite dataset (72 subjects, 1430 features) and the ICC (immunocytochemistry) single-cell dataset (1544 cells, 511 features). The first dataset exemplifies clinical investigations with typically small patient sample sizes and large feature sets, whereas the second dataset involves phenotypic characterization and high-complexity feature relationships, as apparent in large-scale single-cell data. We propose a hybrid approach for biomarker discovery that combines model-agnostic feature selection using Minimum Redundancy Maximum Relevance (MRMR) with SHAP-based feature importance ranking to identify high-confidence biomarker candidates that exhibit both robust selectivity and strong predictive importance. Unlike approaches that rely solely on SHAP importance values using the entire feature set and a single predictive model, our hybrid approach favors selecting stable features that exhibit an optimal trade-off between relevance and redundancy, using model-agnostic repeated MRMR, and high feature importance across multiple high-performance models, as determined by SHAP values. Our more strict hybrid methodology aims to address model-specific bias, improve the robustness of feature selection across algorithms, and reduce model exposure to noisy features. For the Parkinson's Disease EPIC dataset, we identified simple interpretable ElasticNet models that achieve AUC values exceeding 0.98. Our analysis validated the five key biomarkers previously identified in the reference study using a neural network, confirmed the importance of six additional features highlighted in that work, and revealed one novel potential biomarker not previously reported. For the ICC single-cell classification problem, tree-based estimators achieved AUC scores of 0.83-0.84, while identifying 14 potential biomarkers, 9 of which were not included in the original study. Our hybrid approach, which combines model-agnostic feature selectivity based on stability with model-specific feature importance ranking across multiple estimators, provides an enhanced robustness framework for biomarker discovery that minimizes false-positive features while ensuring biological interpretability. SUBJECT AREA: Metabolomics Data Analysis, Machine Learning in Healthcare, Biomarker Discovery, Software Development, Bioinformatics"]},{"key":"dc:title","label":"Title","values":["ML4META - A comprehensive tool for Metabolomics Data Analysis"]}]}],"canonical_facts":{"dc:creator":["Αλβανάκης-Αποστόλου Σπυρίδων","Alvanakis-Apostolou Spyridon"],"dc:date":["2025"],"dc:description":["Η μεταβολομική είναι ένας αναδυόμενος τομέας της βιοϊατρικής έρευνας που επικεντρώνεται στην ανάλυση μεταβολιτών μικρών μορίων για την αποκρυπτογράφηση των μηχανισμών των ασθενειών και τον χαρακτηρισμό της φαινοτυπικής ποικιλομορφίας. Με την αυξανόμενη ποικιλομορφία των εφαρμογών στην ανακάλυψη βιοδεικτών, την ανάπτυξη φαρμάκων, την εξατομικευμένη ιατρική και την περιβαλλοντική παρακολούθηση, υπάρχει μια αυξανόμενη ανάγκη για εργαλεία μηχανικής μάθησης για τη δημιουργία εξηγήσιμων προγνωστικών μοντέλων που αξιοποιούν σύνολα δεδομένων μεταβολομικής. Ωστόσο, αυτά τα σύνολα δεδομένων χαρακτηρίζονται συνήθως από μικρά μεγέθη δειγμάτων, πολύ υψηλή διαστατικότητα, ανισορροπία κλάσεων και έλλειψη τυποποιημένων ροών εργασίας βιοπληροφορικής για την ανάλυσή τους. Παρουσιάζουμε το ML4META, ένα ολοκληρωμένο πακέτο Python για την ανάλυση συνόλων δεδομένων μεταβολομικής σε μορφή πίνακα. Το πακέτο περιλαμβάνει δυνατότητες προεπεξεργασίας, σταθερή επιλογή χαρακτηριστικών, ρύθμιση υπερπαραμέτρων σε πολλαπλούς αλγόριθμους εκτίμησης, μεθόδους επιλογής και αξιολόγησης μοντέλων, συμπερασμούς και ολοκληρωμένη κατάταξη σημασίας χαρακτηριστικών με βάση την προσθετική εξήγηση Shapley για τη διευκόλυνση της ανακάλυψης βιοδεικτών. Επαληθεύσαμε τις ποικίλες δυνατότητες του ML4META χρησιμοποιώντας δύο δημόσια διαθέσιμα σύνολα δεδομένων μεταβολομικής με πολύ διαφορετικά χαρακτηριστικά: το σύνθετο σύνολο δεδομένων EPIC για τη νόσο του Πάρκινσον (72 άτομα, 1430 βιοδείκτες) και το σύνολο δεδομένων ICC (ανοσοκυτταροχημεία) για μεμονωμένα κύτταρα (1544 κύτταρα, 511 βιοδείκτες). Το πρώτο σύνολο δεδομένων αποτελεί παράδειγμα κλινικών ερευνών με τυπικά μικρά μεγέθη δειγμάτων ασθενών και μεγάλα σύνολα χαρακτηριστικών, ενώ το δεύτερο σύνολο δεδομένων περιλαμβάνει φαινοτυπικό χαρακτηρισμό και σχέσεις βιοδεικτών υψηλής πολυπλοκότητας, όπως είναι εμφανές σε δεδομένα μεγάλης κλίμακας μονόκυτταρων. Προτείνουμε μια υβριδική προσέγγιση για την ανακάλυψη βιοδεικτών που συνδυάζει την επιλογή στοιχείων ανεξάρτητη από το μοντέλο χρησιμοποιώντας την Minimum Redundancy Maximum Relevance (MRMR) με την κατάταξη σημασίας βιοδεικτών βάσει SHAP για τον προσδιορισμό υποψηφίων βιοδεικτών υψηλής αξιοπιστίας που παρουσιάζουν τόσο ισχυρή επιλεκτικότητα όσο και ισχυρή προγνωστική σημασία. Σε αντίθεση με τις προσεγγίσεις που βασίζονται αποκλειστικά στις τιμές σημασίας SHAP χρησιμοποιώντας ολόκληρο το σύνολο βιοδεικτών και ένα μόνο μοντέλο πρόβλεψης, η υβριδική μας προσέγγιση ευνοεί την επιλογή σταθερών στοιχείων που παρουσιάζουν βέλτιστη ισορροπία μεταξύ συνάφειας και πλεονασμού, χρησιμοποιώντας επαναλαμβανόμενο MRMR ανεξάρτητο από το μοντέλο και υψηλή σημασία βιοδεικτών σε πολλαπλά μοντέλα υψηλής απόδοσης, όπως καθορίζεται από τις τιμές SHAP. Η πιο αυστηρή υβριδική μεθοδολογία μας στοχεύει στην αντιμετώπιση της μεροληψίας που είναι συγκεκριμένη για κάθε μοντέλο, στη βελτίωση της ανθεκτικότητας της επιλογής βιοδεικτών σε όλους τους αλγόριθμους και στη μείωση της έκθεσης του μοντέλου σε θορυβώδη στοιχεία. Για το σύνολο δεδομένων EPIC της νόσου του Πάρκινσον, εντοπίσαμε απλά ερμηνεύσιμα μοντέλα ElasticNet που επιτυγχάνουν τιμές AUC άνω του 0,98. Η ανάλυσή μας επικύρωσε τους πέντε βασικούς βιοδείκτες που είχαν προηγουμένως εντοπιστεί στη μελέτη αναφοράς χρησιμοποιώντας ένα νευρωνικό δίκτυο, επιβεβαίωσε τη σημασία έξι επιπλέον βιοδεικτών που επισημάνθηκαν σε αυτή την εργασία και αποκάλυψε έναν νέο πιθανό βιοδείκτη που δεν είχε αναφερθεί προηγουμένως. Για το πρόβλημα ταξινόμησης μονόκυτταρων ICC, οι εκτιμητές βάσει δέντρου πέτυχαν βαθμολογίες AUC 0,83-0,84, ενώ εντόπισαν 14 πιθανούς βιοδείκτες, 9 από τους οποίους δεν περιλαμβάνονταν στην αρχική μελέτη. Η υβριδική μας προσέγγιση, η οποία συνδυάζει την ανεξάρτητη από το μοντέλο επιλεκτικότητα βιοδεικτών με βάση τη σταθερότητα με την κατάταξη της σημασίας των στοιχείων ανά μοντέλο σε πολλαπλούς εκτιμητές, παρέχει ένα βελτιωμένο πλαίσιο ανθεκτικότητας για την ανακάλυψη βιοδεικτών που ελαχιστοποιεί τα ψευδώς θετικά στοιχεία, εξασφαλίζοντας παράλληλα τη βιολογική ερμηνευσιμότητα. ΘΕΜΑΤΙΚΗ ΠΕΡΙΟΧΗ: Ανάλυση δεδομένων μεταβολομικής, μηχανική μάθηση στην υγειονομική περίθαλψη, επιλογή στοιχείων, ανάπτυξη λογισμικού, βιοπληροφορική","Metabolomics is an emerging field of biomedical research that focuses on the analysis of small-molecule metabolites to decipher disease mechanisms and characterize phenotypic diversity. With the growing diversity of applications in biomarker discovery, drug development, personalized medicine, and environmental monitoring, there is an increasing need for machine learning tools to build explainable predictive models that exploit metabolomics datasets. However, these datasets are typically characterized by small sample sizes, very high dimensionality, class imbalance, and a lack of standardized bioinformatic workflows for their analysis. We present ML4META, a comprehensive Python package for analyzing metabolomics datasets in tabular format. The package includes preprocessing capabilities, stable feature selection, hyperparameter tuning across multiple estimator algorithms, model selection and evaluation methods, inference, and integrated Shapley Additive Explanation-based feature importance ranking to facilitate biomarker discovery. We validated the diverse capabilities of ML4META using two publicly available metabolomics datasets with very different characteristics: the Parkinson's Disease EPIC Composite dataset (72 subjects, 1430 features) and the ICC (immunocytochemistry) single-cell dataset (1544 cells, 511 features). The first dataset exemplifies clinical investigations with typically small patient sample sizes and large feature sets, whereas the second dataset involves phenotypic characterization and high-complexity feature relationships, as apparent in large-scale single-cell data. We propose a hybrid approach for biomarker discovery that combines model-agnostic feature selection using Minimum Redundancy Maximum Relevance (MRMR) with SHAP-based feature importance ranking to identify high-confidence biomarker candidates that exhibit both robust selectivity and strong predictive importance. Unlike approaches that rely solely on SHAP importance values using the entire feature set and a single predictive model, our hybrid approach favors selecting stable features that exhibit an optimal trade-off between relevance and redundancy, using model-agnostic repeated MRMR, and high feature importance across multiple high-performance models, as determined by SHAP values. Our more strict hybrid methodology aims to address model-specific bias, improve the robustness of feature selection across algorithms, and reduce model exposure to noisy features. For the Parkinson's Disease EPIC dataset, we identified simple interpretable ElasticNet models that achieve AUC values exceeding 0.98. Our analysis validated the five key biomarkers previously identified in the reference study using a neural network, confirmed the importance of six additional features highlighted in that work, and revealed one novel potential biomarker not previously reported. For the ICC single-cell classification problem, tree-based estimators achieved AUC scores of 0.83-0.84, while identifying 14 potential biomarkers, 9 of which were not included in the original study. Our hybrid approach, which combines model-agnostic feature selectivity based on stability with model-specific feature importance ranking across multiple estimators, provides an enhanced robustness framework for biomarker discovery that minimizes false-positive features while ensuring biological interpretability. SUBJECT AREA: Metabolomics Data Analysis, Machine Learning in Healthcare, Biomarker Discovery, Software Development, Bioinformatics"],"dc:identifier":["uoadl:5305044","https://pergamos.lib.uoa.gr/uoa/dl/object/5305044"],"dc:language":["Ελληνικά","English","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["ML4META - A comprehensive tool for Metabolomics Data Analysis"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:40:10Z"}