{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5314532"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5314532","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"In silico συσχέτιση αντικαρκινικών φαρμάκων με αντιφλεγμονώδη δράση με τη χρήση Τεχνητής Νοημοσύνης","abstract":"Η σύνδεση μεταξύ φλεγμονής και καρκίνου έχει αναδειχθεί τα τελευταία χρόνια ως ένας κρίσιμος βιολογικός άξονας με σημαντικές θεραπευτικές προεκτάσεις. Ιδιαίτερα στον τομέα του δερματικού καρκίνου, οι ανεπιθύμητες φλεγμονώδεις αντιδράσεις που προκαλούνται από τις αντικαρκινικές θεραπείες συνιστούν περιοριστικό παράγοντα για την ανοχή και την αποτελεσματικότητά τους. Η παρούσα διπλωματική εργασία στοχεύει στην ανάπτυξη υπολογιστικών μοντέλων με τη χρήση τεχνητής νοημοσύνης (AI) για την in silico πρόβλεψη της διπλής αντικαρκινικής και αντιφλεγμονώδους δράσης φαρμακευτικών μορίων, εστιάζοντας σε μόρια που είναι είτε ήδη εγκεκριμένα είτε εν δυνάμει αξιοποιήσιμα στον χώρο των καλλυντικών (βάση COSING). Η μελέτη ενσωματώνει τεχνικές μηχανικής μάθησης (machine learning), αναλύοντας μοριακούς περιγραφητές (descriptors) που εξάγονται από SMILES, σε συνδυασμό με δεδομένα από τις βάσεις ChEMBL και COSING. Δημιουργήθηκαν και επικυρώθηκαν μοντέλα ταξινόμησης και παλινδρόμησης, για να εξεταστεί η συσχέτιση μοριακών χαρακτηριστικών με δραστικότητα έναντι πέντε βασικών φλεγμονωδών στόχων (COX-1, COX-2, 5-LOX, 12-LOX, 15-LOX) και φαρμάκων με ένδειξη στη θεραπεία του δερματικού καρκίνου. Για την επικύρωση τον μοντέλων επελέγησαν 16 αντικαρκινικά φάρμακα με θεραπευτική ένδειξη σε δερματικούς καρκίνους με σκοπό την εκτίμηση της θεωρητικής ανασταλτικής δράσης έναντι των φλεγμονωδών στόχων που αναφέρθηκαν προηγουμένως. Τα αποτελέσματα των μοντέλων ταξινόμησης έδειξαν αξιόλογη ικανότητα διάκρισης μεταξύ δραστικών και μη δραστικών ενώσεων, επιτυγχάνοντας σημαντική γενίκευση όταν εφαρμόστηκαν σε άγνωστα δεδομένα. Ιδιαίτερο ενδιαφέρον παρουσίασε το μοντέλο των αντικαρκινικών για την κατηγορία φαρμάκων με μέτρια δράση, η οποία αποτελεί τη δυνατότερη κλάση του μοντέλου, με σταθερά υψηλές τιμές σε precision, recall και F1- score, κάτι που μαρτυρά ότι οι ενώσεις μέτριας βιολογικής δραστικότητας εντοπίζονται με αξιοπιστία. Τα μοντέλα παλινδρόμησης ήταν πιο σταθερά για αντιφλεγμονώδεις στόχους, με αποδοτικότερη συμπεριφορά για τον LOX-15 (R² = 0.62 στο test set), ενώ για στόχους όπως COX-1 και LOX-12 η απόδοση ήταν χαμηλότερη, λόγω περιορισμένης ποιότητας και ποσότητας δεδομένων. Η δομική σύγκριση μέσω Tanimoto ανέδειξε ενώσεις όπως η θυμίνη, με σημαντική ομοιότητα προς τη 5-φθοριοουρακίλη, ενισχύοντας την υπόθεση για αναξιοποίητη φαρμακολογική δυναμική καλλυντικών μορίων. Η προσέγγιση αυτή αποκαλύπτει τη δυνατότητα επαναστόχευσης ασφαλών μορίων για νέα θεραπευτική χρήση, μειώνοντας το κόστος και τον χρόνο ανάπτυξης φαρμάκων. Παρά τους εγγενείς περιορισμούς των υπολογιστικών μοντέλων, τα ευρήματα θέτουν τις βάσεις για μελλοντική in vitro/in vivo επικύρωση και περαιτέρω διεπιστημονική διερεύνηση. Η εργασία προτείνει ένα καινοτόμο επιστημονικό πλαίσιο που γεφυρώνει την υπολογιστική φαρμακολογία, την τεχνητή νοημοσύνη και την κοσμητολογία, αναδεικνύοντας τη δυναμική της διπλής στόχευσης ως στρατηγική για πιο ανεκτές και αποτελεσματικές θεραπείες στον δερματικό καρκίνο.","abstract_html":"Η σύνδεση μεταξύ φλεγμονής και καρκίνου έχει αναδειχθεί τα τελευταία χρόνια ως ένας κρίσιμος βιολογικός άξονας με σημαντικές θεραπευτικές προεκτάσεις. Ιδιαίτερα στον τομέα του δερματικού καρκίνου, οι ανεπιθύμητες φλεγμονώδεις αντιδράσεις που προκαλούνται από τις αντικαρκινικές θεραπείες συνιστούν περιοριστικό παράγοντα για την ανοχή και την αποτελεσματικότητά τους. Η παρούσα διπλωματική εργασία στοχεύει στην ανάπτυξη υπολογιστικών μοντέλων με τη χρήση τεχνητής νοημοσύνης (AI) για την in silico πρόβλεψη της διπλής αντικαρκινικής και αντιφλεγμονώδους δράσης φαρμακευτικών μορίων, εστιάζοντας σε μόρια που είναι είτε ήδη εγκεκριμένα είτε εν δυνάμει αξιοποιήσιμα στον χώρο των καλλυντικών (βάση COSING). Η μελέτη ενσωματώνει τεχνικές μηχανικής μάθησης (machine learning), αναλύοντας μοριακούς περιγραφητές (descriptors) που εξάγονται από SMILES, σε συνδυασμό με δεδομένα από τις βάσεις ChEMBL και COSING. Δημιουργήθηκαν και επικυρώθηκαν μοντέλα ταξινόμησης και παλινδρόμησης, για να εξεταστεί η συσχέτιση μοριακών χαρακτηριστικών με δραστικότητα έναντι πέντε βασικών φλεγμονωδών στόχων (COX-1, COX-2, 5-LOX, 12-LOX, 15-LOX) και φαρμάκων με ένδειξη στη θεραπεία του δερματικού καρκίνου. Για την επικύρωση τον μοντέλων επελέγησαν 16 αντικαρκινικά φάρμακα με θεραπευτική ένδειξη σε δερματικούς καρκίνους με σκοπό την εκτίμηση της θεωρητικής ανασταλτικής δράσης έναντι των φλεγμονωδών στόχων που αναφέρθηκαν προηγουμένως. Τα αποτελέσματα των μοντέλων ταξινόμησης έδειξαν αξιόλογη ικανότητα διάκρισης μεταξύ δραστικών και μη δραστικών ενώσεων, επιτυγχάνοντας σημαντική γενίκευση όταν εφαρμόστηκαν σε άγνωστα δεδομένα. Ιδιαίτερο ενδιαφέρον παρουσίασε το μοντέλο των αντικαρκινικών για την κατηγορία φαρμάκων με μέτρια δράση, η οποία αποτελεί τη δυνατότερη κλάση του μοντέλου, με σταθερά υψηλές τιμές σε precision, recall και F1- score, κάτι που μαρτυρά ότι οι ενώσεις μέτριας βιολογικής δραστικότητας εντοπίζονται με αξιοπιστία. Τα μοντέλα παλινδρόμησης ήταν πιο σταθερά για αντιφλεγμονώδεις στόχους, με αποδοτικότερη συμπεριφορά για τον LOX-15 (R² = 0.62 στο test set), ενώ για στόχους όπως COX-1 και LOX-12 η απόδοση ήταν χαμηλότερη, λόγω περιορισμένης ποιότητας και ποσότητας δεδομένων. Η δομική σύγκριση μέσω Tanimoto ανέδειξε ενώσεις όπως η θυμίνη, με σημαντική ομοιότητα προς τη 5-φθοριοουρακίλη, ενισχύοντας την υπόθεση για αναξιοποίητη φαρμακολογική δυναμική καλλυντικών μορίων. Η προσέγγιση αυτή αποκαλύπτει τη δυνατότητα επαναστόχευσης ασφαλών μορίων για νέα θεραπευτική χρήση, μειώνοντας το κόστος και τον χρόνο ανάπτυξης φαρμάκων. Παρά τους εγγενείς περιορισμούς των υπολογιστικών μοντέλων, τα ευρήματα θέτουν τις βάσεις για μελλοντική in vitro/in vivo επικύρωση και περαιτέρω διεπιστημονική διερεύνηση. Η εργασία προτείνει ένα καινοτόμο επιστημονικό πλαίσιο που γεφυρώνει την υπολογιστική φαρμακολογία, την τεχνητή νοημοσύνη και την κοσμητολογία, αναδεικνύοντας τη δυναμική της διπλής στόχευσης ως στρατηγική για πιο ανεκτές και αποτελεσματικές θεραπείες στον δερματικό καρκίνο.","abstract_has_math":false,"creators":["Αθανασοπούλου Μυρσίνη","Athanasopoulou Myrsini"],"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":"2026-11-19T06:40:56Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5314532"],"render_values":[{"text":"uoadl:5314532","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5314532","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5314532","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%3A5314532","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Αθανασοπούλου Μυρσίνη","Athanasopoulou Myrsini"]}]},{"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:5314532","https://pergamos.lib.uoa.gr/uoa/dl/object/5314532"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η σύνδεση μεταξύ φλεγμονής και καρκίνου έχει αναδειχθεί τα τελευταία χρόνια ως ένας κρίσιμος βιολογικός άξονας με σημαντικές θεραπευτικές προεκτάσεις. Ιδιαίτερα στον τομέα του δερματικού καρκίνου, οι ανεπιθύμητες φλεγμονώδεις αντιδράσεις που προκαλούνται από τις αντικαρκινικές θεραπείες συνιστούν περιοριστικό παράγοντα για την ανοχή και την αποτελεσματικότητά τους. Η παρούσα διπλωματική εργασία στοχεύει στην ανάπτυξη υπολογιστικών μοντέλων με τη χρήση τεχνητής νοημοσύνης (AI) για την in silico πρόβλεψη της διπλής αντικαρκινικής και αντιφλεγμονώδους δράσης φαρμακευτικών μορίων, εστιάζοντας σε μόρια που είναι είτε ήδη εγκεκριμένα είτε εν δυνάμει αξιοποιήσιμα στον χώρο των καλλυντικών (βάση COSING). Η μελέτη ενσωματώνει τεχνικές μηχανικής μάθησης (machine learning), αναλύοντας μοριακούς περιγραφητές (descriptors) που εξάγονται από SMILES, σε συνδυασμό με δεδομένα από τις βάσεις ChEMBL και COSING. Δημιουργήθηκαν και επικυρώθηκαν μοντέλα ταξινόμησης και παλινδρόμησης, για να εξεταστεί η συσχέτιση μοριακών χαρακτηριστικών με δραστικότητα έναντι πέντε βασικών φλεγμονωδών στόχων (COX-1, COX-2, 5-LOX, 12-LOX, 15-LOX) και φαρμάκων με ένδειξη στη θεραπεία του δερματικού καρκίνου. Για την επικύρωση τον μοντέλων επελέγησαν 16 αντικαρκινικά φάρμακα με θεραπευτική ένδειξη σε δερματικούς καρκίνους με σκοπό την εκτίμηση της θεωρητικής ανασταλτικής δράσης έναντι των φλεγμονωδών στόχων που αναφέρθηκαν προηγουμένως. Τα αποτελέσματα των μοντέλων ταξινόμησης έδειξαν αξιόλογη ικανότητα διάκρισης μεταξύ δραστικών και μη δραστικών ενώσεων, επιτυγχάνοντας σημαντική γενίκευση όταν εφαρμόστηκαν σε άγνωστα δεδομένα. Ιδιαίτερο ενδιαφέρον παρουσίασε το μοντέλο των αντικαρκινικών για την κατηγορία φαρμάκων με μέτρια δράση, η οποία αποτελεί τη δυνατότερη κλάση του μοντέλου, με σταθερά υψηλές τιμές σε precision, recall και F1- score, κάτι που μαρτυρά ότι οι ενώσεις μέτριας βιολογικής δραστικότητας εντοπίζονται με αξιοπιστία. Τα μοντέλα παλινδρόμησης ήταν πιο σταθερά για αντιφλεγμονώδεις στόχους, με αποδοτικότερη συμπεριφορά για τον LOX-15 (R² = 0.62 στο test set), ενώ για στόχους όπως COX-1 και LOX-12 η απόδοση ήταν χαμηλότερη, λόγω περιορισμένης ποιότητας και ποσότητας δεδομένων. Η δομική σύγκριση μέσω Tanimoto ανέδειξε ενώσεις όπως η θυμίνη, με σημαντική ομοιότητα προς τη 5-φθοριοουρακίλη, ενισχύοντας την υπόθεση για αναξιοποίητη φαρμακολογική δυναμική καλλυντικών μορίων. Η προσέγγιση αυτή αποκαλύπτει τη δυνατότητα επαναστόχευσης ασφαλών μορίων για νέα θεραπευτική χρήση, μειώνοντας το κόστος και τον χρόνο ανάπτυξης φαρμάκων. Παρά τους εγγενείς περιορισμούς των υπολογιστικών μοντέλων, τα ευρήματα θέτουν τις βάσεις για μελλοντική in vitro/in vivo επικύρωση και περαιτέρω διεπιστημονική διερεύνηση. Η εργασία προτείνει ένα καινοτόμο επιστημονικό πλαίσιο που γεφυρώνει την υπολογιστική φαρμακολογία, την τεχνητή νοημοσύνη και την κοσμητολογία, αναδεικνύοντας τη δυναμική της διπλής στόχευσης ως στρατηγική για πιο ανεκτές και αποτελεσματικές θεραπείες στον δερματικό καρκίνο.","The connecton between inflammaton and cancer has emerged in recent years as a critcal biological axis with significant therapeutc implicatons. Partcularly in the field of skin cancer, undesirable inflammatory responses triggered by antcancer treatments consttute a limitng factor for their tolerance and effectveness. This thesis aims to develop computatonal models using artficial intelligence (AI) for the in-silico predicton of the dual antcancer and ant- inflammatory actvity of pharmaceutcal compounds, focusing on molecules that are either already approved or potentally applicable in the cosmetcs sector (based on the COSING database). The study integrates machine learning techniques, analyzing molecular descriptors extracted from SMILES, in combinaton with data from the ChEMBL and COSING databases. Classificaton and regression models were developed and validated to investgate the correlaton between molecular features and actvity against five key inflammatory targets (COX-1, COX-2, 5-LOX, 12-LOX, 15-LOX), as well as with drugs indicated for the treatment of skin cancer. To validate the models, a set of 16 antcancer drugs indicated for the treatment of skin cancers was selected, aiming to assess the predicted inhibitory actvity against the inflammatory targets mentoned above. The results of the classificaton models demonstrated notable ability to distnguish between actve and inactve compounds, achieving strong generalizaton when applied to previously unseen data. The antcancer model demonstrated its strongest performance in the drug category with moderate actvity, consistently achieving high precision, recall, and F1-score indicatng reliable identficaton of compounds with moderate biological actvity. The regression models showed greater stability for ant- inflammatory targets, performing best for 15-LOX (R² = 0.62 on the test set), while performance for targets such as COX-1 and 12-LOX was lower, mainly due to the limited quality and quantty of available data. Structural comparison using the Tanimoto coefficient highlighted compounds such as thymine, which showed significant similarity to 5-fluorouracil, reinforcing the hypothesis of untapped pharmacological potental in cosmetc compounds. This approach demonstrates the potental of repurposing safe compounds for new therapeutc applicatons, thereby reducing both the cost and tme of drug development. Despite the inherent limitatons of computatonal models, the findings lay the groundwork for future in vitro/in vivo validaton and further interdisciplinary investgaton. The thesis introduces an innovatve scientfic framework bridging computatonal pharmacology, artficial intelligence, and cosmetology, highlightng the potental of dual targetng as a strategy for more tolerable and effectve treatments for skin cancer."]},{"key":"dc:title","label":"Title","values":["In silico συσχέτιση αντικαρκινικών φαρμάκων με αντιφλεγμονώδη δράση με τη χρήση Τεχνητής Νοημοσύνης"]}]}],"canonical_facts":{"dc:creator":["Αθανασοπούλου Μυρσίνη","Athanasopoulou Myrsini"],"dc:date":["2025"],"dc:description":["Η σύνδεση μεταξύ φλεγμονής και καρκίνου έχει αναδειχθεί τα τελευταία χρόνια ως ένας κρίσιμος βιολογικός άξονας με σημαντικές θεραπευτικές προεκτάσεις. Ιδιαίτερα στον τομέα του δερματικού καρκίνου, οι ανεπιθύμητες φλεγμονώδεις αντιδράσεις που προκαλούνται από τις αντικαρκινικές θεραπείες συνιστούν περιοριστικό παράγοντα για την ανοχή και την αποτελεσματικότητά τους. Η παρούσα διπλωματική εργασία στοχεύει στην ανάπτυξη υπολογιστικών μοντέλων με τη χρήση τεχνητής νοημοσύνης (AI) για την in silico πρόβλεψη της διπλής αντικαρκινικής και αντιφλεγμονώδους δράσης φαρμακευτικών μορίων, εστιάζοντας σε μόρια που είναι είτε ήδη εγκεκριμένα είτε εν δυνάμει αξιοποιήσιμα στον χώρο των καλλυντικών (βάση COSING). Η μελέτη ενσωματώνει τεχνικές μηχανικής μάθησης (machine learning), αναλύοντας μοριακούς περιγραφητές (descriptors) που εξάγονται από SMILES, σε συνδυασμό με δεδομένα από τις βάσεις ChEMBL και COSING. Δημιουργήθηκαν και επικυρώθηκαν μοντέλα ταξινόμησης και παλινδρόμησης, για να εξεταστεί η συσχέτιση μοριακών χαρακτηριστικών με δραστικότητα έναντι πέντε βασικών φλεγμονωδών στόχων (COX-1, COX-2, 5-LOX, 12-LOX, 15-LOX) και φαρμάκων με ένδειξη στη θεραπεία του δερματικού καρκίνου. Για την επικύρωση τον μοντέλων επελέγησαν 16 αντικαρκινικά φάρμακα με θεραπευτική ένδειξη σε δερματικούς καρκίνους με σκοπό την εκτίμηση της θεωρητικής ανασταλτικής δράσης έναντι των φλεγμονωδών στόχων που αναφέρθηκαν προηγουμένως. Τα αποτελέσματα των μοντέλων ταξινόμησης έδειξαν αξιόλογη ικανότητα διάκρισης μεταξύ δραστικών και μη δραστικών ενώσεων, επιτυγχάνοντας σημαντική γενίκευση όταν εφαρμόστηκαν σε άγνωστα δεδομένα. Ιδιαίτερο ενδιαφέρον παρουσίασε το μοντέλο των αντικαρκινικών για την κατηγορία φαρμάκων με μέτρια δράση, η οποία αποτελεί τη δυνατότερη κλάση του μοντέλου, με σταθερά υψηλές τιμές σε precision, recall και F1- score, κάτι που μαρτυρά ότι οι ενώσεις μέτριας βιολογικής δραστικότητας εντοπίζονται με αξιοπιστία. Τα μοντέλα παλινδρόμησης ήταν πιο σταθερά για αντιφλεγμονώδεις στόχους, με αποδοτικότερη συμπεριφορά για τον LOX-15 (R² = 0.62 στο test set), ενώ για στόχους όπως COX-1 και LOX-12 η απόδοση ήταν χαμηλότερη, λόγω περιορισμένης ποιότητας και ποσότητας δεδομένων. Η δομική σύγκριση μέσω Tanimoto ανέδειξε ενώσεις όπως η θυμίνη, με σημαντική ομοιότητα προς τη 5-φθοριοουρακίλη, ενισχύοντας την υπόθεση για αναξιοποίητη φαρμακολογική δυναμική καλλυντικών μορίων. Η προσέγγιση αυτή αποκαλύπτει τη δυνατότητα επαναστόχευσης ασφαλών μορίων για νέα θεραπευτική χρήση, μειώνοντας το κόστος και τον χρόνο ανάπτυξης φαρμάκων. Παρά τους εγγενείς περιορισμούς των υπολογιστικών μοντέλων, τα ευρήματα θέτουν τις βάσεις για μελλοντική in vitro/in vivo επικύρωση και περαιτέρω διεπιστημονική διερεύνηση. Η εργασία προτείνει ένα καινοτόμο επιστημονικό πλαίσιο που γεφυρώνει την υπολογιστική φαρμακολογία, την τεχνητή νοημοσύνη και την κοσμητολογία, αναδεικνύοντας τη δυναμική της διπλής στόχευσης ως στρατηγική για πιο ανεκτές και αποτελεσματικές θεραπείες στον δερματικό καρκίνο.","The connecton between inflammaton and cancer has emerged in recent years as a critcal biological axis with significant therapeutc implicatons. Partcularly in the field of skin cancer, undesirable inflammatory responses triggered by antcancer treatments consttute a limitng factor for their tolerance and effectveness. This thesis aims to develop computatonal models using artficial intelligence (AI) for the in-silico predicton of the dual antcancer and ant- inflammatory actvity of pharmaceutcal compounds, focusing on molecules that are either already approved or potentally applicable in the cosmetcs sector (based on the COSING database). The study integrates machine learning techniques, analyzing molecular descriptors extracted from SMILES, in combinaton with data from the ChEMBL and COSING databases. Classificaton and regression models were developed and validated to investgate the correlaton between molecular features and actvity against five key inflammatory targets (COX-1, COX-2, 5-LOX, 12-LOX, 15-LOX), as well as with drugs indicated for the treatment of skin cancer. To validate the models, a set of 16 antcancer drugs indicated for the treatment of skin cancers was selected, aiming to assess the predicted inhibitory actvity against the inflammatory targets mentoned above. The results of the classificaton models demonstrated notable ability to distnguish between actve and inactve compounds, achieving strong generalizaton when applied to previously unseen data. The antcancer model demonstrated its strongest performance in the drug category with moderate actvity, consistently achieving high precision, recall, and F1-score indicatng reliable identficaton of compounds with moderate biological actvity. The regression models showed greater stability for ant- inflammatory targets, performing best for 15-LOX (R² = 0.62 on the test set), while performance for targets such as COX-1 and 12-LOX was lower, mainly due to the limited quality and quantty of available data. Structural comparison using the Tanimoto coefficient highlighted compounds such as thymine, which showed significant similarity to 5-fluorouracil, reinforcing the hypothesis of untapped pharmacological potental in cosmetc compounds. This approach demonstrates the potental of repurposing safe compounds for new therapeutc applicatons, thereby reducing both the cost and tme of drug development. Despite the inherent limitatons of computatonal models, the findings lay the groundwork for future in vitro/in vivo validaton and further interdisciplinary investgaton. The thesis introduces an innovatve scientfic framework bridging computatonal pharmacology, artficial intelligence, and cosmetology, highlightng the potental of dual targetng as a strategy for more tolerable and effectve treatments for skin cancer."],"dc:identifier":["uoadl:5314532","https://pergamos.lib.uoa.gr/uoa/dl/object/5314532"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["In silico συσχέτιση αντικαρκινικών φαρμάκων με αντιφλεγμονώδη δράση με τη χρήση Τεχνητής Νοημοσύνης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:40:56Z"}