{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5427496"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5427496","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"«Μελέτη πολυ-ομικών (multi-omics) μεθόδων που αξιοποιούν μηχανική μάθηση για εξατομικευμένες, φυλο-εξαρτώμενες προβλέψεις σε καρκίνο»","abstract":"Η Βιολογία Συστημάτων και η Βιοπληροφορική προσφέρουν ένα ολοκληρωμένο πλαίσιο για τη μελέτη πολύπλοκων νοσημάτων, όπως ο καρκίνος, μέσω της ανάλυσης δεδομένων multi-omics. Οι προσεγγίσεις αυτές επιτρέπουν τον συνδυασμό πληροφορίας από διαφορετικά μοριακά επίπεδα, όπως η γονιδιακή έκφραση, η έκφραση miRNA και η μεθυλίωση DNA, ωστόσο η αποτελεσματική αξιοποίηση και ερμηνεία τους παραμένει πρόκληση. Στην παρούσα μελέτη εξετάζεται ο ρόλος του βιολογικού φύλου στον καρκίνο του θυρεοειδούς, μιας μορφής καρκίνου που εμφανίζει έντονη ανισότητα μεταξύ των φύλων, με σημαντικά υψηλότερη συχνότητα στις γυναίκες. Στόχος της εργασίας είναι η διερεύνηση του κατά πόσο το φύλο αποτελεί σημαντικό παράγοντα στο μοριακό προφίλ της νόσου, καθώς και η αξιολόγηση διαφορετικών αναπαραστάσεων multi-omics δεδομένων για την εξαγωγή βιολογικά σημαντικής πληροφορίας και την υποστήριξη μοντέλων μηχανικής μάθησης. Τα δεδομένα προήλθαν από τη βάση δεδομένων GDC και περιλαμβάνουν multi-omics προφίλ (mRNA, miRNA και DNA methylation) καθώς και αντίστοιχα κλινικά δεδομένα. Για την διερεύνηση της δομής των δεδομένων εφαρμόστηκε η μέθοδος Multi-Omics Factor Analysis (MOFA), μέσω της οποίας αναδείχθηκαν λανθάνοντες παράγοντες που περιγράφουν ανεξάρτητες πηγές μεταβλητότητας. Οι παράγοντες αυτοί παρουσίασαν μεταξύ τους ανεξαρτησία, ενώ παρατηρήθηκαν διαφοροποιήσεις στη συμβολή των επιμέρους omics επιπέδων μεταξύ φυσιολογικών και καρκινικών ιστών. Στη συνέχεια πραγματοποιήθηκε ανάλυση εμπλουτισμού γονιδιακών συνόλων (GSEA) για την ερμηνεία των βιολογικών μονοπατιών που σχετίζονται με τους παραγόμενους παράγοντες. Ιδιαίτερο ενδιαφέρον παρουσίασε ένας παράγοντας ο οποίος εμφάνισε ισχυρή συσχέτιση με το βιολογικό φύλο, εύρημα που συνδέθηκε περαιτέρω με γονίδια του χρωμοσώματος Χ, υποδεικνύοντας την ύπαρξη σταθερού sex-related μοριακού σήματος. Παράλληλα, πραγματοποιήθηκε διερευνητική ανάλυση με τη μέθοδο PCA, η οποία χρησιμοποιήθηκε για την οπτικοποίηση της κατανομής των δειγμάτων στον χώρο μειωμένης διάστασης. Επιπλέον, εφαρμόστηκαν διαφορετικές μέθοδοι επιλογής χαρακτηριστικών, μεταξύ των οποίων και προσέγγιση βασισμένη στην τυπική απόκλιση, η οποία ανέδειξε σαφή διαχωρισμό των δειγμάτων ως προς το βιολογικό φύλο, σε αντίθεση με τις υπόλοιπες μεθόδους που δεν εμφάνισαν αντίστοιχο αποτέλεσμα. Για την πρόβλεψη κλινικών χαρακτηριστικών κατασκευάστηκαν δύο τύποι αναπαραστάσεων δεδομένων: διανύσματα χαρακτηριστικών βασισμένα σε διανύσματα χαρακτηριστικών βασισμένα σε δεδομένα multi-omics (γονιδιακή έκφραση και μεθυλίωση DNA) και τοπολογικά χαρακτηριστικά που προέκυψαν από γράφους, οι οποίοι αρχικά βασίστηκαν σε έναν γενικό γράφο νόσου και στη συνέχεια εξειδικεύτηκαν σε εξατομικευμένους γράφους ανά ασθενή. Οι αναπαραστάσεις αυτές χρησιμοποιήθηκαν για την εκπαίδευση μοντέλων μηχανικής μάθησης με στόχο την ταξινόμηση φυσιολογικών και καρκινικών δειγμάτων, του βιολογικού φύλου και του σταδίου της νόσου. Τα αποτελέσματα έδειξαν ότι οι διανυσματικές αναπαραστάσεις επιτυγχάνουν συνολικά υψηλή απόδοση τόσο στη διάκριση φυσιολογικού και καρκινικού ιστού όσο και στην πρόβλεψη του βιολογικού φύλου. Αντίθετα, η πρόβλεψη του σταδίου της νόσου παρέμεινε περιορισμένη σε όλες τις αναπαραστάσεις. Τα τοπολογικά χαρακτηριστικά από γράφους διατήρησαν ικανοποιητική πληροφορία για τη διάκριση ιστού, αλλά δεν αποτύπωσαν αποτελεσματικά το σήμα του φύλου. Συνολικά, η μελέτη αναδεικνύει ότι το βιολογικό φύλο αποτελεί σημαντικό και ανιχνεύσιμο στοιχείο του μοριακού προφίλ του καρκίνου του θυρεοειδούς και ότι η επιλογή αναπαράστασης δεδομένων επηρεάζει ουσιαστικά την ικανότητα ανάδειξης διαφορετικών βιολογικών σημάτων.","abstract_html":"Η Βιολογία Συστημάτων και η Βιοπληροφορική προσφέρουν ένα ολοκληρωμένο πλαίσιο για τη μελέτη πολύπλοκων νοσημάτων, όπως ο καρκίνος, μέσω της ανάλυσης δεδομένων multi-omics. Οι προσεγγίσεις αυτές επιτρέπουν τον συνδυασμό πληροφορίας από διαφορετικά μοριακά επίπεδα, όπως η γονιδιακή έκφραση, η έκφραση miRNA και η μεθυλίωση DNA, ωστόσο η αποτελεσματική αξιοποίηση και ερμηνεία τους παραμένει πρόκληση. Στην παρούσα μελέτη εξετάζεται ο ρόλος του βιολογικού φύλου στον καρκίνο του θυρεοειδούς, μιας μορφής καρκίνου που εμφανίζει έντονη ανισότητα μεταξύ των φύλων, με σημαντικά υψηλότερη συχνότητα στις γυναίκες. Στόχος της εργασίας είναι η διερεύνηση του κατά πόσο το φύλο αποτελεί σημαντικό παράγοντα στο μοριακό προφίλ της νόσου, καθώς και η αξιολόγηση διαφορετικών αναπαραστάσεων multi-omics δεδομένων για την εξαγωγή βιολογικά σημαντικής πληροφορίας και την υποστήριξη μοντέλων μηχανικής μάθησης. Τα δεδομένα προήλθαν από τη βάση δεδομένων GDC και περιλαμβάνουν multi-omics προφίλ (mRNA, miRNA και DNA methylation) καθώς και αντίστοιχα κλινικά δεδομένα. Για την διερεύνηση της δομής των δεδομένων εφαρμόστηκε η μέθοδος Multi-Omics Factor Analysis (MOFA), μέσω της οποίας αναδείχθηκαν λανθάνοντες παράγοντες που περιγράφουν ανεξάρτητες πηγές μεταβλητότητας. Οι παράγοντες αυτοί παρουσίασαν μεταξύ τους ανεξαρτησία, ενώ παρατηρήθηκαν διαφοροποιήσεις στη συμβολή των επιμέρους omics επιπέδων μεταξύ φυσιολογικών και καρκινικών ιστών. Στη συνέχεια πραγματοποιήθηκε ανάλυση εμπλουτισμού γονιδιακών συνόλων (GSEA) για την ερμηνεία των βιολογικών μονοπατιών που σχετίζονται με τους παραγόμενους παράγοντες. Ιδιαίτερο ενδιαφέρον παρουσίασε ένας παράγοντας ο οποίος εμφάνισε ισχυρή συσχέτιση με το βιολογικό φύλο, εύρημα που συνδέθηκε περαιτέρω με γονίδια του χρωμοσώματος Χ, υποδεικνύοντας την ύπαρξη σταθερού sex-related μοριακού σήματος. Παράλληλα, πραγματοποιήθηκε διερευνητική ανάλυση με τη μέθοδο PCA, η οποία χρησιμοποιήθηκε για την οπτικοποίηση της κατανομής των δειγμάτων στον χώρο μειωμένης διάστασης. Επιπλέον, εφαρμόστηκαν διαφορετικές μέθοδοι επιλογής χαρακτηριστικών, μεταξύ των οποίων και προσέγγιση βασισμένη στην τυπική απόκλιση, η οποία ανέδειξε σαφή διαχωρισμό των δειγμάτων ως προς το βιολογικό φύλο, σε αντίθεση με τις υπόλοιπες μεθόδους που δεν εμφάνισαν αντίστοιχο αποτέλεσμα. Για την πρόβλεψη κλινικών χαρακτηριστικών κατασκευάστηκαν δύο τύποι αναπαραστάσεων δεδομένων: διανύσματα χαρακτηριστικών βασισμένα σε διανύσματα χαρακτηριστικών βασισμένα σε δεδομένα multi-omics (γονιδιακή έκφραση και μεθυλίωση DNA) και τοπολογικά χαρακτηριστικά που προέκυψαν από γράφους, οι οποίοι αρχικά βασίστηκαν σε έναν γενικό γράφο νόσου και στη συνέχεια εξειδικεύτηκαν σε εξατομικευμένους γράφους ανά ασθενή. Οι αναπαραστάσεις αυτές χρησιμοποιήθηκαν για την εκπαίδευση μοντέλων μηχανικής μάθησης με στόχο την ταξινόμηση φυσιολογικών και καρκινικών δειγμάτων, του βιολογικού φύλου και του σταδίου της νόσου. Τα αποτελέσματα έδειξαν ότι οι διανυσματικές αναπαραστάσεις επιτυγχάνουν συνολικά υψηλή απόδοση τόσο στη διάκριση φυσιολογικού και καρκινικού ιστού όσο και στην πρόβλεψη του βιολογικού φύλου. Αντίθετα, η πρόβλεψη του σταδίου της νόσου παρέμεινε περιορισμένη σε όλες τις αναπαραστάσεις. Τα τοπολογικά χαρακτηριστικά από γράφους διατήρησαν ικανοποιητική πληροφορία για τη διάκριση ιστού, αλλά δεν αποτύπωσαν αποτελεσματικά το σήμα του φύλου. Συνολικά, η μελέτη αναδεικνύει ότι το βιολογικό φύλο αποτελεί σημαντικό και ανιχνεύσιμο στοιχείο του μοριακού προφίλ του καρκίνου του θυρεοειδούς και ότι η επιλογή αναπαράστασης δεδομένων επηρεάζει ουσιαστικά την ικανότητα ανάδειξης διαφορετικών βιολογικών σημάτων.","abstract_has_math":false,"creators":["ΣΠΥΡΑΤΟΥ ΜΑΡΙΑ-ΚΩΝΣΤΑΝΤΙΝΑ","SPYRATOU MARIA-KONSTANTINA"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:20:23Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5427496"],"render_values":[{"text":"uoadl:5427496","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5427496","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5427496","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%3A5427496","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΣΠΥΡΑΤΟΥ ΜΑΡΙΑ-ΚΩΝΣΤΑΝΤΙΝΑ","SPYRATOU MARIA-KONSTANTINA"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"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:5427496","https://pergamos.lib.uoa.gr/uoa/dl/object/5427496"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η Βιολογία Συστημάτων και η Βιοπληροφορική προσφέρουν ένα ολοκληρωμένο πλαίσιο για τη μελέτη πολύπλοκων νοσημάτων, όπως ο καρκίνος, μέσω της ανάλυσης δεδομένων multi-omics. Οι προσεγγίσεις αυτές επιτρέπουν τον συνδυασμό πληροφορίας από διαφορετικά μοριακά επίπεδα, όπως η γονιδιακή έκφραση, η έκφραση miRNA και η μεθυλίωση DNA, ωστόσο η αποτελεσματική αξιοποίηση και ερμηνεία τους παραμένει πρόκληση. Στην παρούσα μελέτη εξετάζεται ο ρόλος του βιολογικού φύλου στον καρκίνο του θυρεοειδούς, μιας μορφής καρκίνου που εμφανίζει έντονη ανισότητα μεταξύ των φύλων, με σημαντικά υψηλότερη συχνότητα στις γυναίκες. Στόχος της εργασίας είναι η διερεύνηση του κατά πόσο το φύλο αποτελεί σημαντικό παράγοντα στο μοριακό προφίλ της νόσου, καθώς και η αξιολόγηση διαφορετικών αναπαραστάσεων multi-omics δεδομένων για την εξαγωγή βιολογικά σημαντικής πληροφορίας και την υποστήριξη μοντέλων μηχανικής μάθησης. Τα δεδομένα προήλθαν από τη βάση δεδομένων GDC και περιλαμβάνουν multi-omics προφίλ (mRNA, miRNA και DNA methylation) καθώς και αντίστοιχα κλινικά δεδομένα. Για την διερεύνηση της δομής των δεδομένων εφαρμόστηκε η μέθοδος Multi-Omics Factor Analysis (MOFA), μέσω της οποίας αναδείχθηκαν λανθάνοντες παράγοντες που περιγράφουν ανεξάρτητες πηγές μεταβλητότητας. Οι παράγοντες αυτοί παρουσίασαν μεταξύ τους ανεξαρτησία, ενώ παρατηρήθηκαν διαφοροποιήσεις στη συμβολή των επιμέρους omics επιπέδων μεταξύ φυσιολογικών και καρκινικών ιστών. Στη συνέχεια πραγματοποιήθηκε ανάλυση εμπλουτισμού γονιδιακών συνόλων (GSEA) για την ερμηνεία των βιολογικών μονοπατιών που σχετίζονται με τους παραγόμενους παράγοντες. Ιδιαίτερο ενδιαφέρον παρουσίασε ένας παράγοντας ο οποίος εμφάνισε ισχυρή συσχέτιση με το βιολογικό φύλο, εύρημα που συνδέθηκε περαιτέρω με γονίδια του χρωμοσώματος Χ, υποδεικνύοντας την ύπαρξη σταθερού sex-related μοριακού σήματος. Παράλληλα, πραγματοποιήθηκε διερευνητική ανάλυση με τη μέθοδο PCA, η οποία χρησιμοποιήθηκε για την οπτικοποίηση της κατανομής των δειγμάτων στον χώρο μειωμένης διάστασης. Επιπλέον, εφαρμόστηκαν διαφορετικές μέθοδοι επιλογής χαρακτηριστικών, μεταξύ των οποίων και προσέγγιση βασισμένη στην τυπική απόκλιση, η οποία ανέδειξε σαφή διαχωρισμό των δειγμάτων ως προς το βιολογικό φύλο, σε αντίθεση με τις υπόλοιπες μεθόδους που δεν εμφάνισαν αντίστοιχο αποτέλεσμα. Για την πρόβλεψη κλινικών χαρακτηριστικών κατασκευάστηκαν δύο τύποι αναπαραστάσεων δεδομένων: διανύσματα χαρακτηριστικών βασισμένα σε διανύσματα χαρακτηριστικών βασισμένα σε δεδομένα multi-omics (γονιδιακή έκφραση και μεθυλίωση DNA) και τοπολογικά χαρακτηριστικά που προέκυψαν από γράφους, οι οποίοι αρχικά βασίστηκαν σε έναν γενικό γράφο νόσου και στη συνέχεια εξειδικεύτηκαν σε εξατομικευμένους γράφους ανά ασθενή. Οι αναπαραστάσεις αυτές χρησιμοποιήθηκαν για την εκπαίδευση μοντέλων μηχανικής μάθησης με στόχο την ταξινόμηση φυσιολογικών και καρκινικών δειγμάτων, του βιολογικού φύλου και του σταδίου της νόσου. Τα αποτελέσματα έδειξαν ότι οι διανυσματικές αναπαραστάσεις επιτυγχάνουν συνολικά υψηλή απόδοση τόσο στη διάκριση φυσιολογικού και καρκινικού ιστού όσο και στην πρόβλεψη του βιολογικού φύλου. Αντίθετα, η πρόβλεψη του σταδίου της νόσου παρέμεινε περιορισμένη σε όλες τις αναπαραστάσεις. Τα τοπολογικά χαρακτηριστικά από γράφους διατήρησαν ικανοποιητική πληροφορία για τη διάκριση ιστού, αλλά δεν αποτύπωσαν αποτελεσματικά το σήμα του φύλου. Συνολικά, η μελέτη αναδεικνύει ότι το βιολογικό φύλο αποτελεί σημαντικό και ανιχνεύσιμο στοιχείο του μοριακού προφίλ του καρκίνου του θυρεοειδούς και ότι η επιλογή αναπαράστασης δεδομένων επηρεάζει ουσιαστικά την ικανότητα ανάδειξης διαφορετικών βιολογικών σημάτων.","Systems Biology and Bioinformatics provide a comprehensive framework for studying complex diseases such as cancer through the analysis of multi-omics data. These approaches enable the integration of information from different molecular layers, including gene expression, miRNA expression, and DNA methylation; however, their effective utilization and interpretation remain challenging. In this study, we investigate the role of biological sex in thyroid cancer, a disease that exhibits a strong sex imbalance, with significantly higher incidence in females. The aim of this work is to assess whether sex represents an important factor in the molecular profile of the disease, as well as to evaluate different multi-omics data representations for extracting biologically meaningful information and supporting machine learning models. The data were obtained from the GDC database and include multi-omics profiles (mRNA, miRNA, and DNA methylation) along with corresponding clinical information. To explore the structure of the data, Multi-Omics Factor Analysis (MOFA) was applied, identifying latent factors that capture independent sources of variability. These factors showed mutual independence, while differences were observed in the contribution of individual omics layers between normal and tumour tissues. Subsequently, Gene Set Enrichment Analysis (GSEA) was performed to interpret the biological pathways associated with the derived factors. Of particular interest was a factor strongly associated with biological sex, which was further linked to genes located on the X chromosome, suggesting a stable sex-related molecular signal. In addition, exploratory analysis was performed using PCA to visualize the distribution of samples in a reduced-dimensional space. Furthermore, different feature selection approaches were applied, including a method based on standard deviation, which revealed a clear separation of samples with respect to biological sex, in contrast to other methods that did not show similar behavior. For the prediction of clinical outcomes, two types of data representations were constructed: feature vectors based on multi-omics data (gene expression and DNA methylation) and topological features derived from graphs, which were initially based on a general disease graph and subsequently refined into patient-specific graphs. These representations were used to train machine learning models for the classification of normal versus tumour samples, biological sex, and disease stage. The results showed that feature vector- based representations achieved consistently high performance in distinguishing normal from tumour samples as well as in predicting biological sex. In contrast, disease stage prediction remained limited across all representations. Graph-based topological features preserved sufficient information for tissue classification but failed to effectively capture the sex-related signal. Overall, this study highlights that biological sex represents an important and detectable component of the molecular profile of thyroid cancer, and that the choice of data representation significantly influences the ability to capture different biological signals."]},{"key":"dc:title","label":"Title","values":["«Μελέτη πολυ-ομικών (multi-omics) μεθόδων που αξιοποιούν μηχανική μάθηση για εξατομικευμένες, φυλο-εξαρτώμενες προβλέψεις σε καρκίνο»"]}]}],"canonical_facts":{"dc:creator":["ΣΠΥΡΑΤΟΥ ΜΑΡΙΑ-ΚΩΝΣΤΑΝΤΙΝΑ","SPYRATOU MARIA-KONSTANTINA"],"dc:date":["2026"],"dc:description":["Η Βιολογία Συστημάτων και η Βιοπληροφορική προσφέρουν ένα ολοκληρωμένο πλαίσιο για τη μελέτη πολύπλοκων νοσημάτων, όπως ο καρκίνος, μέσω της ανάλυσης δεδομένων multi-omics. Οι προσεγγίσεις αυτές επιτρέπουν τον συνδυασμό πληροφορίας από διαφορετικά μοριακά επίπεδα, όπως η γονιδιακή έκφραση, η έκφραση miRNA και η μεθυλίωση DNA, ωστόσο η αποτελεσματική αξιοποίηση και ερμηνεία τους παραμένει πρόκληση. Στην παρούσα μελέτη εξετάζεται ο ρόλος του βιολογικού φύλου στον καρκίνο του θυρεοειδούς, μιας μορφής καρκίνου που εμφανίζει έντονη ανισότητα μεταξύ των φύλων, με σημαντικά υψηλότερη συχνότητα στις γυναίκες. Στόχος της εργασίας είναι η διερεύνηση του κατά πόσο το φύλο αποτελεί σημαντικό παράγοντα στο μοριακό προφίλ της νόσου, καθώς και η αξιολόγηση διαφορετικών αναπαραστάσεων multi-omics δεδομένων για την εξαγωγή βιολογικά σημαντικής πληροφορίας και την υποστήριξη μοντέλων μηχανικής μάθησης. Τα δεδομένα προήλθαν από τη βάση δεδομένων GDC και περιλαμβάνουν multi-omics προφίλ (mRNA, miRNA και DNA methylation) καθώς και αντίστοιχα κλινικά δεδομένα. Για την διερεύνηση της δομής των δεδομένων εφαρμόστηκε η μέθοδος Multi-Omics Factor Analysis (MOFA), μέσω της οποίας αναδείχθηκαν λανθάνοντες παράγοντες που περιγράφουν ανεξάρτητες πηγές μεταβλητότητας. Οι παράγοντες αυτοί παρουσίασαν μεταξύ τους ανεξαρτησία, ενώ παρατηρήθηκαν διαφοροποιήσεις στη συμβολή των επιμέρους omics επιπέδων μεταξύ φυσιολογικών και καρκινικών ιστών. Στη συνέχεια πραγματοποιήθηκε ανάλυση εμπλουτισμού γονιδιακών συνόλων (GSEA) για την ερμηνεία των βιολογικών μονοπατιών που σχετίζονται με τους παραγόμενους παράγοντες. Ιδιαίτερο ενδιαφέρον παρουσίασε ένας παράγοντας ο οποίος εμφάνισε ισχυρή συσχέτιση με το βιολογικό φύλο, εύρημα που συνδέθηκε περαιτέρω με γονίδια του χρωμοσώματος Χ, υποδεικνύοντας την ύπαρξη σταθερού sex-related μοριακού σήματος. Παράλληλα, πραγματοποιήθηκε διερευνητική ανάλυση με τη μέθοδο PCA, η οποία χρησιμοποιήθηκε για την οπτικοποίηση της κατανομής των δειγμάτων στον χώρο μειωμένης διάστασης. Επιπλέον, εφαρμόστηκαν διαφορετικές μέθοδοι επιλογής χαρακτηριστικών, μεταξύ των οποίων και προσέγγιση βασισμένη στην τυπική απόκλιση, η οποία ανέδειξε σαφή διαχωρισμό των δειγμάτων ως προς το βιολογικό φύλο, σε αντίθεση με τις υπόλοιπες μεθόδους που δεν εμφάνισαν αντίστοιχο αποτέλεσμα. Για την πρόβλεψη κλινικών χαρακτηριστικών κατασκευάστηκαν δύο τύποι αναπαραστάσεων δεδομένων: διανύσματα χαρακτηριστικών βασισμένα σε διανύσματα χαρακτηριστικών βασισμένα σε δεδομένα multi-omics (γονιδιακή έκφραση και μεθυλίωση DNA) και τοπολογικά χαρακτηριστικά που προέκυψαν από γράφους, οι οποίοι αρχικά βασίστηκαν σε έναν γενικό γράφο νόσου και στη συνέχεια εξειδικεύτηκαν σε εξατομικευμένους γράφους ανά ασθενή. Οι αναπαραστάσεις αυτές χρησιμοποιήθηκαν για την εκπαίδευση μοντέλων μηχανικής μάθησης με στόχο την ταξινόμηση φυσιολογικών και καρκινικών δειγμάτων, του βιολογικού φύλου και του σταδίου της νόσου. Τα αποτελέσματα έδειξαν ότι οι διανυσματικές αναπαραστάσεις επιτυγχάνουν συνολικά υψηλή απόδοση τόσο στη διάκριση φυσιολογικού και καρκινικού ιστού όσο και στην πρόβλεψη του βιολογικού φύλου. Αντίθετα, η πρόβλεψη του σταδίου της νόσου παρέμεινε περιορισμένη σε όλες τις αναπαραστάσεις. Τα τοπολογικά χαρακτηριστικά από γράφους διατήρησαν ικανοποιητική πληροφορία για τη διάκριση ιστού, αλλά δεν αποτύπωσαν αποτελεσματικά το σήμα του φύλου. Συνολικά, η μελέτη αναδεικνύει ότι το βιολογικό φύλο αποτελεί σημαντικό και ανιχνεύσιμο στοιχείο του μοριακού προφίλ του καρκίνου του θυρεοειδούς και ότι η επιλογή αναπαράστασης δεδομένων επηρεάζει ουσιαστικά την ικανότητα ανάδειξης διαφορετικών βιολογικών σημάτων.","Systems Biology and Bioinformatics provide a comprehensive framework for studying complex diseases such as cancer through the analysis of multi-omics data. These approaches enable the integration of information from different molecular layers, including gene expression, miRNA expression, and DNA methylation; however, their effective utilization and interpretation remain challenging. In this study, we investigate the role of biological sex in thyroid cancer, a disease that exhibits a strong sex imbalance, with significantly higher incidence in females. The aim of this work is to assess whether sex represents an important factor in the molecular profile of the disease, as well as to evaluate different multi-omics data representations for extracting biologically meaningful information and supporting machine learning models. The data were obtained from the GDC database and include multi-omics profiles (mRNA, miRNA, and DNA methylation) along with corresponding clinical information. To explore the structure of the data, Multi-Omics Factor Analysis (MOFA) was applied, identifying latent factors that capture independent sources of variability. These factors showed mutual independence, while differences were observed in the contribution of individual omics layers between normal and tumour tissues. Subsequently, Gene Set Enrichment Analysis (GSEA) was performed to interpret the biological pathways associated with the derived factors. Of particular interest was a factor strongly associated with biological sex, which was further linked to genes located on the X chromosome, suggesting a stable sex-related molecular signal. In addition, exploratory analysis was performed using PCA to visualize the distribution of samples in a reduced-dimensional space. Furthermore, different feature selection approaches were applied, including a method based on standard deviation, which revealed a clear separation of samples with respect to biological sex, in contrast to other methods that did not show similar behavior. For the prediction of clinical outcomes, two types of data representations were constructed: feature vectors based on multi-omics data (gene expression and DNA methylation) and topological features derived from graphs, which were initially based on a general disease graph and subsequently refined into patient-specific graphs. These representations were used to train machine learning models for the classification of normal versus tumour samples, biological sex, and disease stage. The results showed that feature vector- based representations achieved consistently high performance in distinguishing normal from tumour samples as well as in predicting biological sex. In contrast, disease stage prediction remained limited across all representations. Graph-based topological features preserved sufficient information for tissue classification but failed to effectively capture the sex-related signal. Overall, this study highlights that biological sex represents an important and detectable component of the molecular profile of thyroid cancer, and that the choice of data representation significantly influences the ability to capture different biological signals."],"dc:identifier":["uoadl:5427496","https://pergamos.lib.uoa.gr/uoa/dl/object/5427496"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["«Μελέτη πολυ-ομικών (multi-omics) μεθόδων που αξιοποιούν μηχανική μάθηση για εξατομικευμένες, φυλο-εξαρτώμενες προβλέψεις σε καρκίνο»"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:23Z"}