{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5305392"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5305392","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ροή Πληροφορίας σε Βιολογικά Δίκτυα","abstract":"Οι περισσότερες προσεγγίσεις ανάλυσης δικτύου έως και σήμερα επικεντρώνονταν σε τυπικά μέτρα κεντρικότητας για τον εντοπισμό σημαντικών κόμβων σε ένα δίκτυο. Πρόσφατα, νέες προσεγγίσεις επικεντρώνονται στο μοντέλο ροής πληροφοριών που βασίζεται στην ιδέα ότι δύο κόμβοι, πηγή και αποδέκτης (source και sink), χωρίς άμεση αλληλεπίδραση μπορούν να επικοινωνούν μεταξύ τους διαδίδοντας τα σήματα μέσω άλλων κόμβων στο δίκτυο. Ο στόχος αυτής της εργασίας είναι να αναπτύξει νέες υπολογιστικές προσεγγίσεις για την κατανόηση της ροής πληροφοριών σε βιολογικά δίκτυα και τον εντοπισμό κόμβων, όχι μόνο κεντρικών κόμβων (hubs) και κόμβων συμφόρησης (bottlenecks), που ελέγχουν τη ροή του σήματος στα στατικά δίκτυα και στη συνέχεια να υπολογίσει τη στατιστική σημασία αυτών. Με την ανάπτυξη αυτών των νέων προσεγγίσεων στόχος μας είναι να τις βελτιστοποιήσουμε και να τις επικυρώσουμε σε δίκτυα ασθενειών που εστιάζουν στη σηματοδότηση GPCR τα οποία αποτελούν μέρος των πρόσφατων ερευνητικών εργασιών του εργαστηρίου. Για να το επιτύχουμε αυτό, επεκτείναμε την προσέγγιση της Ανάλυσης Ροής Πληροφοριών (IFA) η οποία χρησιμοποιείται για τη χαρτογράφηση της ροής σήματος για μια συγκεκριμένη οδό σηματοδότησης με δεδομένες πηγές και/ή αποδέκτες, για να εντοπίσουμε εκείνα τα σημαντικά γονίδια που έχουν σημαντική επίδραση στη ροή πληροφορίας σε στατικά δίκτυα. Οι κόμβοι με σημαντική επίδραση εντοπίζονται με τη μέτρηση εκείνων που όταν αφαιρεθούν (knock-out) από το δίκτυο της ασθένειας έχουν τη μεγαλύτερη επίδραση στη ροή του σήματος (επισκέψεις κόμβων) σε σύγκριση με ένα κανονικό δίκτυο, το αμετάβλητο \"Wild-type\". Μετά τον εντοπισμό αυτών των κόμβων παρατηρείται ότι αρκετοί από αυτούς δεν αποτελούν ούτε κεντρικούς κόμβους ούτε κόμβους συμφόρησης. Τέτοιοι κόμβοι μπορεί να είναι πιθανοί στόχοι φαρμάκων, οι οποίοι θα περνούσαν απαρατήρητοι αν το δίκτυο είχε αναλυθεί με τις τυπικές μεθοδολογίες ανάλυσης δικτύου. Μετά από αυτήν την αρχική προσέγγιση IFA σε ένα στατικό μοντέλο, σκοπός είναι η βελτίωση του αναλυτικού μοντέλου ενσωματώνοντας δυναμικές αλληλεπιδράσεις μεταξύ πρωτεϊνών (PPI) για τα δίκτυα GPCR. Λαμβάνουμε υπόψη πληροφορίες συνέκφρασης, όπως δεδομένα έκφρασης γονιδίου/πρωτεΐνης, προκειμένου να εξετάσουμε τη ροή πληροφοριών και να βρούμε βασικούς κόμβους σε ένα πιο ρεαλιστικό μοντέλο (προσθήκη βαρών με βάση την αφθονία). Με αυτόν τον τρόπο, σκοπεύουμε να εισάγουμε πιο δυναμικά δεδομένα, όπως διαφορές στις αλληλεπιδράσεις μεταξύ των πρωτεϊνών με βάση τον τύπο του ιστού και μια σειρά από επιπρόσθετες παραμέτρους και να μελετήσουμε τη ροή πληροφοριών σε ένα πιο ρεαλιστικό μοντέλο.","abstract_html":"Οι περισσότερες προσεγγίσεις ανάλυσης δικτύου έως και σήμερα επικεντρώνονταν σε τυπικά μέτρα κεντρικότητας για τον εντοπισμό σημαντικών κόμβων σε ένα δίκτυο. Πρόσφατα, νέες προσεγγίσεις επικεντρώνονται στο μοντέλο ροής πληροφοριών που βασίζεται στην ιδέα ότι δύο κόμβοι, πηγή και αποδέκτης (source και sink), χωρίς άμεση αλληλεπίδραση μπορούν να επικοινωνούν μεταξύ τους διαδίδοντας τα σήματα μέσω άλλων κόμβων στο δίκτυο. Ο στόχος αυτής της εργασίας είναι να αναπτύξει νέες υπολογιστικές προσεγγίσεις για την κατανόηση της ροής πληροφοριών σε βιολογικά δίκτυα και τον εντοπισμό κόμβων, όχι μόνο κεντρικών κόμβων (hubs) και κόμβων συμφόρησης (bottlenecks), που ελέγχουν τη ροή του σήματος στα στατικά δίκτυα και στη συνέχεια να υπολογίσει τη στατιστική σημασία αυτών. Με την ανάπτυξη αυτών των νέων προσεγγίσεων στόχος μας είναι να τις βελτιστοποιήσουμε και να τις επικυρώσουμε σε δίκτυα ασθενειών που εστιάζουν στη σηματοδότηση GPCR τα οποία αποτελούν μέρος των πρόσφατων ερευνητικών εργασιών του εργαστηρίου. Για να το επιτύχουμε αυτό, επεκτείναμε την προσέγγιση της Ανάλυσης Ροής Πληροφοριών (IFA) η οποία χρησιμοποιείται για τη χαρτογράφηση της ροής σήματος για μια συγκεκριμένη οδό σηματοδότησης με δεδομένες πηγές και/ή αποδέκτες, για να εντοπίσουμε εκείνα τα σημαντικά γονίδια που έχουν σημαντική επίδραση στη ροή πληροφορίας σε στατικά δίκτυα. Οι κόμβοι με σημαντική επίδραση εντοπίζονται με τη μέτρηση εκείνων που όταν αφαιρεθούν (knock-out) από το δίκτυο της ασθένειας έχουν τη μεγαλύτερη επίδραση στη ροή του σήματος (επισκέψεις κόμβων) σε σύγκριση με ένα κανονικό δίκτυο, το αμετάβλητο &quot;Wild-type&quot;. Μετά τον εντοπισμό αυτών των κόμβων παρατηρείται ότι αρκετοί από αυτούς δεν αποτελούν ούτε κεντρικούς κόμβους ούτε κόμβους συμφόρησης. Τέτοιοι κόμβοι μπορεί να είναι πιθανοί στόχοι φαρμάκων, οι οποίοι θα περνούσαν απαρατήρητοι αν το δίκτυο είχε αναλυθεί με τις τυπικές μεθοδολογίες ανάλυσης δικτύου. Μετά από αυτήν την αρχική προσέγγιση IFA σε ένα στατικό μοντέλο, σκοπός είναι η βελτίωση του αναλυτικού μοντέλου ενσωματώνοντας δυναμικές αλληλεπιδράσεις μεταξύ πρωτεϊνών (PPI) για τα δίκτυα GPCR. Λαμβάνουμε υπόψη πληροφορίες συνέκφρασης, όπως δεδομένα έκφρασης γονιδίου/πρωτεΐνης, προκειμένου να εξετάσουμε τη ροή πληροφοριών και να βρούμε βασικούς κόμβους σε ένα πιο ρεαλιστικό μοντέλο (προσθήκη βαρών με βάση την αφθονία). Με αυτόν τον τρόπο, σκοπεύουμε να εισάγουμε πιο δυναμικά δεδομένα, όπως διαφορές στις αλληλεπιδράσεις μεταξύ των πρωτεϊνών με βάση τον τύπο του ιστού και μια σειρά από επιπρόσθετες παραμέτρους και να μελετήσουμε τη ροή πληροφοριών σε ένα πιο ρεαλιστικό μοντέλο.","abstract_has_math":false,"creators":["Σταματάκη-Λουκάτου Γερασιμούλα","Stamataki-Loukatou Gerasimoula"],"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":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5305392"],"render_values":[{"text":"uoadl:5305392","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5305392","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5305392","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%3A5305392","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Σταματάκη-Λουκάτου Γερασιμούλα","Stamataki-Loukatou Gerasimoula"]}]},{"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":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5305392","https://pergamos.lib.uoa.gr/uoa/dl/object/5305392"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Οι περισσότερες προσεγγίσεις ανάλυσης δικτύου έως και σήμερα επικεντρώνονταν σε τυπικά μέτρα κεντρικότητας για τον εντοπισμό σημαντικών κόμβων σε ένα δίκτυο. Πρόσφατα, νέες προσεγγίσεις επικεντρώνονται στο μοντέλο ροής πληροφοριών που βασίζεται στην ιδέα ότι δύο κόμβοι, πηγή και αποδέκτης (source και sink), χωρίς άμεση αλληλεπίδραση μπορούν να επικοινωνούν μεταξύ τους διαδίδοντας τα σήματα μέσω άλλων κόμβων στο δίκτυο. Ο στόχος αυτής της εργασίας είναι να αναπτύξει νέες υπολογιστικές προσεγγίσεις για την κατανόηση της ροής πληροφοριών σε βιολογικά δίκτυα και τον εντοπισμό κόμβων, όχι μόνο κεντρικών κόμβων (hubs) και κόμβων συμφόρησης (bottlenecks), που ελέγχουν τη ροή του σήματος στα στατικά δίκτυα και στη συνέχεια να υπολογίσει τη στατιστική σημασία αυτών. Με την ανάπτυξη αυτών των νέων προσεγγίσεων στόχος μας είναι να τις βελτιστοποιήσουμε και να τις επικυρώσουμε σε δίκτυα ασθενειών που εστιάζουν στη σηματοδότηση GPCR τα οποία αποτελούν μέρος των πρόσφατων ερευνητικών εργασιών του εργαστηρίου. Για να το επιτύχουμε αυτό, επεκτείναμε την προσέγγιση της Ανάλυσης Ροής Πληροφοριών (IFA) η οποία χρησιμοποιείται για τη χαρτογράφηση της ροής σήματος για μια συγκεκριμένη οδό σηματοδότησης με δεδομένες πηγές και/ή αποδέκτες, για να εντοπίσουμε εκείνα τα σημαντικά γονίδια που έχουν σημαντική επίδραση στη ροή πληροφορίας σε στατικά δίκτυα. Οι κόμβοι με σημαντική επίδραση εντοπίζονται με τη μέτρηση εκείνων που όταν αφαιρεθούν (knock-out) από το δίκτυο της ασθένειας έχουν τη μεγαλύτερη επίδραση στη ροή του σήματος (επισκέψεις κόμβων) σε σύγκριση με ένα κανονικό δίκτυο, το αμετάβλητο \"Wild-type\". Μετά τον εντοπισμό αυτών των κόμβων παρατηρείται ότι αρκετοί από αυτούς δεν αποτελούν ούτε κεντρικούς κόμβους ούτε κόμβους συμφόρησης. Τέτοιοι κόμβοι μπορεί να είναι πιθανοί στόχοι φαρμάκων, οι οποίοι θα περνούσαν απαρατήρητοι αν το δίκτυο είχε αναλυθεί με τις τυπικές μεθοδολογίες ανάλυσης δικτύου. Μετά από αυτήν την αρχική προσέγγιση IFA σε ένα στατικό μοντέλο, σκοπός είναι η βελτίωση του αναλυτικού μοντέλου ενσωματώνοντας δυναμικές αλληλεπιδράσεις μεταξύ πρωτεϊνών (PPI) για τα δίκτυα GPCR. Λαμβάνουμε υπόψη πληροφορίες συνέκφρασης, όπως δεδομένα έκφρασης γονιδίου/πρωτεΐνης, προκειμένου να εξετάσουμε τη ροή πληροφοριών και να βρούμε βασικούς κόμβους σε ένα πιο ρεαλιστικό μοντέλο (προσθήκη βαρών με βάση την αφθονία). Με αυτόν τον τρόπο, σκοπεύουμε να εισάγουμε πιο δυναμικά δεδομένα, όπως διαφορές στις αλληλεπιδράσεις μεταξύ των πρωτεϊνών με βάση τον τύπο του ιστού και μια σειρά από επιπρόσθετες παραμέτρους και να μελετήσουμε τη ροή πληροφοριών σε ένα πιο ρεαλιστικό μοντέλο.","Previously network analysis approaches focused on standard centrality measures to identify important nodes in a network. Recently new approaches focus on the information flow model based on the idea that two nodes (source and sink) without a direct interaction can communicate with each other by propagating the signals through other nodes in the network. The goal of this work is to develop novel computational approaches to understand the information flow in biological networks and to identify network nodes, not only hubs and bottlenecks, which control the signal flow in static networks and then to assign the statistical significance of these nodes. Developing these novel approaches our goal is to optimize and validate them on disease networks focusing on GPCR signalling, part of our recent projects. To achieve this, we have extended the Information Flow Analysis (IFA) approach (used to map signal flow for a particular signalling pathway given sources and/or sinks), to identify those important genes which influence or 'have a high impact' on the signal flow in static networks. The high impact nodes are identified by measuring those that when removed “knocked-out” in the disease state has the largest effect on signal flow (node visits) when compared to a normal network, the unchanged “Wild-type”. After the identification of high impact nodes several notable cases are noticed which are not hubs and bottlenecks. Such nodes may be potential drug targets. After this initial IFA approach in a static model, we try to improve our analysis by incorporating dynamic PPIs for downstream GPCR networks. We take contextual information such as gene/protein expression data into account in order to examine the information flow and find key nodes in a more realistic model (new weights attribute model based on abundance). In this way we would like to import more dynamically data like differences in interactions between tissue type and a range of other contextual considerations and study the information flow in a more realistic model."]},{"key":"dc:title","label":"Title","values":["Ροή Πληροφορίας σε Βιολογικά Δίκτυα"]}]}],"canonical_facts":{"dc:creator":["Σταματάκη-Λουκάτου Γερασιμούλα","Stamataki-Loukatou Gerasimoula"],"dc:date":["2025"],"dc:description":["Οι περισσότερες προσεγγίσεις ανάλυσης δικτύου έως και σήμερα επικεντρώνονταν σε τυπικά μέτρα κεντρικότητας για τον εντοπισμό σημαντικών κόμβων σε ένα δίκτυο. Πρόσφατα, νέες προσεγγίσεις επικεντρώνονται στο μοντέλο ροής πληροφοριών που βασίζεται στην ιδέα ότι δύο κόμβοι, πηγή και αποδέκτης (source και sink), χωρίς άμεση αλληλεπίδραση μπορούν να επικοινωνούν μεταξύ τους διαδίδοντας τα σήματα μέσω άλλων κόμβων στο δίκτυο. Ο στόχος αυτής της εργασίας είναι να αναπτύξει νέες υπολογιστικές προσεγγίσεις για την κατανόηση της ροής πληροφοριών σε βιολογικά δίκτυα και τον εντοπισμό κόμβων, όχι μόνο κεντρικών κόμβων (hubs) και κόμβων συμφόρησης (bottlenecks), που ελέγχουν τη ροή του σήματος στα στατικά δίκτυα και στη συνέχεια να υπολογίσει τη στατιστική σημασία αυτών. Με την ανάπτυξη αυτών των νέων προσεγγίσεων στόχος μας είναι να τις βελτιστοποιήσουμε και να τις επικυρώσουμε σε δίκτυα ασθενειών που εστιάζουν στη σηματοδότηση GPCR τα οποία αποτελούν μέρος των πρόσφατων ερευνητικών εργασιών του εργαστηρίου. Για να το επιτύχουμε αυτό, επεκτείναμε την προσέγγιση της Ανάλυσης Ροής Πληροφοριών (IFA) η οποία χρησιμοποιείται για τη χαρτογράφηση της ροής σήματος για μια συγκεκριμένη οδό σηματοδότησης με δεδομένες πηγές και/ή αποδέκτες, για να εντοπίσουμε εκείνα τα σημαντικά γονίδια που έχουν σημαντική επίδραση στη ροή πληροφορίας σε στατικά δίκτυα. Οι κόμβοι με σημαντική επίδραση εντοπίζονται με τη μέτρηση εκείνων που όταν αφαιρεθούν (knock-out) από το δίκτυο της ασθένειας έχουν τη μεγαλύτερη επίδραση στη ροή του σήματος (επισκέψεις κόμβων) σε σύγκριση με ένα κανονικό δίκτυο, το αμετάβλητο \"Wild-type\". Μετά τον εντοπισμό αυτών των κόμβων παρατηρείται ότι αρκετοί από αυτούς δεν αποτελούν ούτε κεντρικούς κόμβους ούτε κόμβους συμφόρησης. Τέτοιοι κόμβοι μπορεί να είναι πιθανοί στόχοι φαρμάκων, οι οποίοι θα περνούσαν απαρατήρητοι αν το δίκτυο είχε αναλυθεί με τις τυπικές μεθοδολογίες ανάλυσης δικτύου. Μετά από αυτήν την αρχική προσέγγιση IFA σε ένα στατικό μοντέλο, σκοπός είναι η βελτίωση του αναλυτικού μοντέλου ενσωματώνοντας δυναμικές αλληλεπιδράσεις μεταξύ πρωτεϊνών (PPI) για τα δίκτυα GPCR. Λαμβάνουμε υπόψη πληροφορίες συνέκφρασης, όπως δεδομένα έκφρασης γονιδίου/πρωτεΐνης, προκειμένου να εξετάσουμε τη ροή πληροφοριών και να βρούμε βασικούς κόμβους σε ένα πιο ρεαλιστικό μοντέλο (προσθήκη βαρών με βάση την αφθονία). Με αυτόν τον τρόπο, σκοπεύουμε να εισάγουμε πιο δυναμικά δεδομένα, όπως διαφορές στις αλληλεπιδράσεις μεταξύ των πρωτεϊνών με βάση τον τύπο του ιστού και μια σειρά από επιπρόσθετες παραμέτρους και να μελετήσουμε τη ροή πληροφοριών σε ένα πιο ρεαλιστικό μοντέλο.","Previously network analysis approaches focused on standard centrality measures to identify important nodes in a network. Recently new approaches focus on the information flow model based on the idea that two nodes (source and sink) without a direct interaction can communicate with each other by propagating the signals through other nodes in the network. The goal of this work is to develop novel computational approaches to understand the information flow in biological networks and to identify network nodes, not only hubs and bottlenecks, which control the signal flow in static networks and then to assign the statistical significance of these nodes. Developing these novel approaches our goal is to optimize and validate them on disease networks focusing on GPCR signalling, part of our recent projects. To achieve this, we have extended the Information Flow Analysis (IFA) approach (used to map signal flow for a particular signalling pathway given sources and/or sinks), to identify those important genes which influence or 'have a high impact' on the signal flow in static networks. The high impact nodes are identified by measuring those that when removed “knocked-out” in the disease state has the largest effect on signal flow (node visits) when compared to a normal network, the unchanged “Wild-type”. After the identification of high impact nodes several notable cases are noticed which are not hubs and bottlenecks. Such nodes may be potential drug targets. After this initial IFA approach in a static model, we try to improve our analysis by incorporating dynamic PPIs for downstream GPCR networks. We take contextual information such as gene/protein expression data into account in order to examine the information flow and find key nodes in a more realistic model (new weights attribute model based on abundance). In this way we would like to import more dynamically data like differences in interactions between tissue type and a range of other contextual considerations and study the information flow in a more realistic model."],"dc:identifier":["uoadl:5305392","https://pergamos.lib.uoa.gr/uoa/dl/object/5305392"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Ροή Πληροφορίας σε Βιολογικά Δίκτυα"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:40:10Z"}