{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5428733"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5428733","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Exploring Epithelial Heterogeneity in Pancreatic Ductal Adenocarcinoma Using the MLscAN Computational Framework","abstract":"Τα κακοήθη επιθηλιακά κύτταρα του παγκρεατικού πορογενούς αδενοκαρκινώματος (PDAC) εμφανίζουν ένα συνεχές φάσμα φαινοτύπων που συνδέουν τους παραδοσιακούς «κλασικό» και «βασικό» μεταγραφικούς υποτύπους υποδεικνύοντας υψηλό βαθμό κυτταρικής πλαστικότητας. Για τη διερεύνηση αυτού του φάσματος χωρίς την επιβολή στατικών ετικετών βασισμένων σε γονιδιακούς δείκτες, η παρούσα διπλωματική εργασία αξιοποιεί το MLscAN (Machine Learning for single-cell ANalytics), ένα μη επιβλεπόμενο, πιθανοτικό υπολογιστικό πλαίσιο που αναλύει και χαρακτηρίζει τις μεταβάσεις μεταξύ καταστάσεων, το οποίο αναπτύχθηκε από την ομάδα του Καθ. Μανωλάκου στο ΕΚΠΑ. Εφαρμόσαμε την ανάλυση σε ένα σύνολο δεδομένων υψηλής ανάλυσης 106,110 κακοήθων κυττάρων από 50 ασθενείς. Ξεκινώντας με μια ενοποίηση παρτίδων (batch integration) που διαχωρίζει τα κοινά επιθηλιακά χαρακτηριστικά από την ειδική διακύμανση για κάθε ασθενή, η αμερόληπτη πιθανοτική προσέγγιση MLscAN, καθοδηγούμενη εξ ολοκλήρου από τα δεδομένα, αναγνωρίζει με αξιοπιστία τις υποκείμενες μεταγραφικές καταστάσεις και τις αλληλεπιδράσεις τους. Η ανάλυση πραγματοποιήθηκε σε συνεργασία με τη Δρ. Καλφακάκου από το εργαστήριο του Καθ. Τσιρίγου στο Ιατρικό Κέντρο του NYU, η οποία παρείχε το σύνολο δεδομένων που αναλύθηκε [1]. Η μη επιβλεπόμενη συναγωγή καταστάσεων ανέλυσε το επιθηλιακό τοπίο σε πέντε κύριες μεταγραφικές καταστάσεις. Η μοντελοποίηση τροχιών από κατάσταση σε κατάσταση αποκάλυψε δύο διακριτές εξελικτικές διαδρομές που συνδέουν το κλασικό και το βασικό πρόγραμμα. Η ανάλυση δείχνει ότι ενώ και οι δύο μεταβατικές διαδρομές ξεκινούν με μείωση της έκφρασης των δεικτών κλασικής ταυτότητας, όπως οι GATA6 και HNF4A, στη συνέχεια αποκλίνουν. Η μία διαδρομή χαρακτηρίζεται από όψιμη ενεργοποίηση του καταρράκτη πλακώδους δέσμευσης ∆Np63/TP63 σε συνδυασμό με κυτταρικό πολλαπλασιασμό. Η άλλη μετατοπίζεται προς έναν βασικό φαινότυπο μέσω ενός διαφορετικού, μη πολλαπλασιαστικού προγράμματος τελεστών (effector), το οποίο παρακάμπτει τον καταρράκτη του κύριου διακόπτη (master-switch). Τα αποτελέσματα μας αναδεικνύουν ότι η μετάβαση από το κλασικό στο βασικό πρόγραμμα περιλαμβάνει τουλάχιστον δύο ξεχωριστές βιολογικές διεργασίες. Η μελέτη αυτή εμπλουτίζει την υπάρχουσα γνώση για τη βιολογία των όγκων εντός ενός εξελικτικού μοντέλου πολλαπλών διαδρομών. Συμπερασματικά, τα αποτελέσματά μας καταδεικνύουν πώς η πιθανοτική, ρητή μοντελοποίηση των διαφόρων μεταβάσεων που επιτυγχάνεται με το MLscAN αποκαλύπτει σύνθετα εξελικτικά μοτίβα που παραμένουν κρυμμένα από τυπικές μεθόδους ομαδοποίησης (clustering). [1] D. Kalfakakou, A. Tsirigos, et al. \"Clonal Heterogeneity in Human Pancreatic Ductal Adenocarcinoma.\" bioRxiv, preprint, 2025. DOI: 10.1101/2025.02.11.637729. Available: https://www.biorxiv.org/content/10.1101/2025.02.11.637729v1","abstract_html":"Τα κακοήθη επιθηλιακά κύτταρα του παγκρεατικού πορογενούς αδενοκαρκινώματος (PDAC) εμφανίζουν ένα συνεχές φάσμα φαινοτύπων που συνδέουν τους παραδοσιακούς «κλασικό» και «βασικό» μεταγραφικούς υποτύπους υποδεικνύοντας υψηλό βαθμό κυτταρικής πλαστικότητας. Για τη διερεύνηση αυτού του φάσματος χωρίς την επιβολή στατικών ετικετών βασισμένων σε γονιδιακούς δείκτες, η παρούσα διπλωματική εργασία αξιοποιεί το MLscAN (Machine Learning for single-cell ANalytics), ένα μη επιβλεπόμενο, πιθανοτικό υπολογιστικό πλαίσιο που αναλύει και χαρακτηρίζει τις μεταβάσεις μεταξύ καταστάσεων, το οποίο αναπτύχθηκε από την ομάδα του Καθ. Μανωλάκου στο ΕΚΠΑ. Εφαρμόσαμε την ανάλυση σε ένα σύνολο δεδομένων υψηλής ανάλυσης 106,110 κακοήθων κυττάρων από 50 ασθενείς. Ξεκινώντας με μια ενοποίηση παρτίδων (batch integration) που διαχωρίζει τα κοινά επιθηλιακά χαρακτηριστικά από την ειδική διακύμανση για κάθε ασθενή, η αμερόληπτη πιθανοτική προσέγγιση MLscAN, καθοδηγούμενη εξ ολοκλήρου από τα δεδομένα, αναγνωρίζει με αξιοπιστία τις υποκείμενες μεταγραφικές καταστάσεις και τις αλληλεπιδράσεις τους. Η ανάλυση πραγματοποιήθηκε σε συνεργασία με τη Δρ. Καλφακάκου από το εργαστήριο του Καθ. Τσιρίγου στο Ιατρικό Κέντρο του NYU, η οποία παρείχε το σύνολο δεδομένων που αναλύθηκε [1]. Η μη επιβλεπόμενη συναγωγή καταστάσεων ανέλυσε το επιθηλιακό τοπίο σε πέντε κύριες μεταγραφικές καταστάσεις. Η μοντελοποίηση τροχιών από κατάσταση σε κατάσταση αποκάλυψε δύο διακριτές εξελικτικές διαδρομές που συνδέουν το κλασικό και το βασικό πρόγραμμα. Η ανάλυση δείχνει ότι ενώ και οι δύο μεταβατικές διαδρομές ξεκινούν με μείωση της έκφρασης των δεικτών κλασικής ταυτότητας, όπως οι GATA6 και HNF4A, στη συνέχεια αποκλίνουν. Η μία διαδρομή χαρακτηρίζεται από όψιμη ενεργοποίηση του καταρράκτη πλακώδους δέσμευσης ∆Np63/TP63 σε συνδυασμό με κυτταρικό πολλαπλασιασμό. Η άλλη μετατοπίζεται προς έναν βασικό φαινότυπο μέσω ενός διαφορετικού, μη πολλαπλασιαστικού προγράμματος τελεστών (effector), το οποίο παρακάμπτει τον καταρράκτη του κύριου διακόπτη (master-switch). Τα αποτελέσματα μας αναδεικνύουν ότι η μετάβαση από το κλασικό στο βασικό πρόγραμμα περιλαμβάνει τουλάχιστον δύο ξεχωριστές βιολογικές διεργασίες. Η μελέτη αυτή εμπλουτίζει την υπάρχουσα γνώση για τη βιολογία των όγκων εντός ενός εξελικτικού μοντέλου πολλαπλών διαδρομών. Συμπερασματικά, τα αποτελέσματά μας καταδεικνύουν πώς η πιθανοτική, ρητή μοντελοποίηση των διαφόρων μεταβάσεων που επιτυγχάνεται με το MLscAN αποκαλύπτει σύνθετα εξελικτικά μοτίβα που παραμένουν κρυμμένα από τυπικές μεθόδους ομαδοποίησης (clustering). [1] D. Kalfakakou, A. Tsirigos, et al. &quot;Clonal Heterogeneity in Human Pancreatic Ductal Adenocarcinoma.&quot; bioRxiv, preprint, 2025. DOI: 10.1101/2025.02.11.637729. Available: https://www.biorxiv.org/content/10.1101/2025.02.11.637729v1","abstract_has_math":false,"creators":["ΓΚΙΚΑ ΒΙΟΛΕΤΤΑ","GKIKA VIOLETTA"],"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":"2026-11-19T05:20:26Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5428733"],"render_values":[{"text":"uoadl:5428733","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5428733","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5428733","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%3A5428733","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΓΚΙΚΑ ΒΙΟΛΕΤΤΑ","GKIKA VIOLETTA"]}]},{"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:5428733","https://pergamos.lib.uoa.gr/uoa/dl/object/5428733"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα κακοήθη επιθηλιακά κύτταρα του παγκρεατικού πορογενούς αδενοκαρκινώματος (PDAC) εμφανίζουν ένα συνεχές φάσμα φαινοτύπων που συνδέουν τους παραδοσιακούς «κλασικό» και «βασικό» μεταγραφικούς υποτύπους υποδεικνύοντας υψηλό βαθμό κυτταρικής πλαστικότητας. Για τη διερεύνηση αυτού του φάσματος χωρίς την επιβολή στατικών ετικετών βασισμένων σε γονιδιακούς δείκτες, η παρούσα διπλωματική εργασία αξιοποιεί το MLscAN (Machine Learning for single-cell ANalytics), ένα μη επιβλεπόμενο, πιθανοτικό υπολογιστικό πλαίσιο που αναλύει και χαρακτηρίζει τις μεταβάσεις μεταξύ καταστάσεων, το οποίο αναπτύχθηκε από την ομάδα του Καθ. Μανωλάκου στο ΕΚΠΑ. Εφαρμόσαμε την ανάλυση σε ένα σύνολο δεδομένων υψηλής ανάλυσης 106,110 κακοήθων κυττάρων από 50 ασθενείς. Ξεκινώντας με μια ενοποίηση παρτίδων (batch integration) που διαχωρίζει τα κοινά επιθηλιακά χαρακτηριστικά από την ειδική διακύμανση για κάθε ασθενή, η αμερόληπτη πιθανοτική προσέγγιση MLscAN, καθοδηγούμενη εξ ολοκλήρου από τα δεδομένα, αναγνωρίζει με αξιοπιστία τις υποκείμενες μεταγραφικές καταστάσεις και τις αλληλεπιδράσεις τους. Η ανάλυση πραγματοποιήθηκε σε συνεργασία με τη Δρ. Καλφακάκου από το εργαστήριο του Καθ. Τσιρίγου στο Ιατρικό Κέντρο του NYU, η οποία παρείχε το σύνολο δεδομένων που αναλύθηκε [1]. Η μη επιβλεπόμενη συναγωγή καταστάσεων ανέλυσε το επιθηλιακό τοπίο σε πέντε κύριες μεταγραφικές καταστάσεις. Η μοντελοποίηση τροχιών από κατάσταση σε κατάσταση αποκάλυψε δύο διακριτές εξελικτικές διαδρομές που συνδέουν το κλασικό και το βασικό πρόγραμμα. Η ανάλυση δείχνει ότι ενώ και οι δύο μεταβατικές διαδρομές ξεκινούν με μείωση της έκφρασης των δεικτών κλασικής ταυτότητας, όπως οι GATA6 και HNF4A, στη συνέχεια αποκλίνουν. Η μία διαδρομή χαρακτηρίζεται από όψιμη ενεργοποίηση του καταρράκτη πλακώδους δέσμευσης ∆Np63/TP63 σε συνδυασμό με κυτταρικό πολλαπλασιασμό. Η άλλη μετατοπίζεται προς έναν βασικό φαινότυπο μέσω ενός διαφορετικού, μη πολλαπλασιαστικού προγράμματος τελεστών (effector), το οποίο παρακάμπτει τον καταρράκτη του κύριου διακόπτη (master-switch). Τα αποτελέσματα μας αναδεικνύουν ότι η μετάβαση από το κλασικό στο βασικό πρόγραμμα περιλαμβάνει τουλάχιστον δύο ξεχωριστές βιολογικές διεργασίες. Η μελέτη αυτή εμπλουτίζει την υπάρχουσα γνώση για τη βιολογία των όγκων εντός ενός εξελικτικού μοντέλου πολλαπλών διαδρομών. Συμπερασματικά, τα αποτελέσματά μας καταδεικνύουν πώς η πιθανοτική, ρητή μοντελοποίηση των διαφόρων μεταβάσεων που επιτυγχάνεται με το MLscAN αποκαλύπτει σύνθετα εξελικτικά μοτίβα που παραμένουν κρυμμένα από τυπικές μεθόδους ομαδοποίησης (clustering). [1] D. Kalfakakou, A. Tsirigos, et al. \"Clonal Heterogeneity in Human Pancreatic Ductal Adenocarcinoma.\" bioRxiv, preprint, 2025. DOI: 10.1101/2025.02.11.637729. Available: https://www.biorxiv.org/content/10.1101/2025.02.11.637729v1","Malignant epithelial cells in pancreatic ductal adenocarcinoma (PDAC) exhibit a continuous range of phenotypes that appear to connect the traditional “classical” and “basal” transcriptional subtypes, suggesting high cellular plasticity rather than fixed binary categories. To explore this spectrum without forcing static labels based on gene markers alone, this thesis employs MLscAN (Machine Learning for single-cell ANalytics), an unbiased, unsupervised, probabilistic, and transition-aware computational framework developed by Prof. Manolakos’s team at NKUA. We applied the analysis to a high-resolution dataset of 106.110 malignant cells from 50 patients. Starting from a batch-integrated embedding that separates common epithelial features from patient-specific variation, the probabilistic approach robustly identifies the underlying transcriptional cancer states and their interactions, driven entirely by the data. This analysis was done in collaboration with Dr.Kalfakakou from Prof. Tsirigos’s lab at NYU Medical Center, who also provided the dataset [1]. Unsupervised state inference resolved the epithelial landscape into five main transcriptional states. State-to-state trajectory modeling revealed two distinct evolutionary routes connecting the classical and basal programs. The analysis shows that both transitional paths start with a decline in classical identity markers like GATA6 and HNF4A, but then diverge. One path features late activation of the ∆Np63/TP63 squamous commitment cascade combined with cell proliferation. The other shifts toward a basal phenotype via a different, non-proliferative effector program that avoids the master-switch cascade altogether. By showing that the classical-to-basal transition involves at least two separate biological processes, our results advance the discussion of a multi-routed evolutionary model in tumor biology. Moreover, this study underscores the value of the MLscAN framework, illustrating how probabilistic, explicit modeling of state transitions can reveal complex evolutionary patterns often hidden by standard clustering methods. [1] D. Kalfakakou, A. Tsirigos, et al. \"Clonal Heterogeneity in Human Pancreatic Ductal Adenocarcinoma.\" bioRxiv, preprint, 2025. DOI: 10.1101/2025.02.11.637729. Available: https://www.biorxiv.org/content/10.1101/2025.02.11.637729v1"]},{"key":"dc:title","label":"Title","values":["Exploring Epithelial Heterogeneity in Pancreatic Ductal Adenocarcinoma Using the MLscAN Computational Framework"]}]}],"canonical_facts":{"dc:creator":["ΓΚΙΚΑ ΒΙΟΛΕΤΤΑ","GKIKA VIOLETTA"],"dc:date":["2026"],"dc:description":["Τα κακοήθη επιθηλιακά κύτταρα του παγκρεατικού πορογενούς αδενοκαρκινώματος (PDAC) εμφανίζουν ένα συνεχές φάσμα φαινοτύπων που συνδέουν τους παραδοσιακούς «κλασικό» και «βασικό» μεταγραφικούς υποτύπους υποδεικνύοντας υψηλό βαθμό κυτταρικής πλαστικότητας. Για τη διερεύνηση αυτού του φάσματος χωρίς την επιβολή στατικών ετικετών βασισμένων σε γονιδιακούς δείκτες, η παρούσα διπλωματική εργασία αξιοποιεί το MLscAN (Machine Learning for single-cell ANalytics), ένα μη επιβλεπόμενο, πιθανοτικό υπολογιστικό πλαίσιο που αναλύει και χαρακτηρίζει τις μεταβάσεις μεταξύ καταστάσεων, το οποίο αναπτύχθηκε από την ομάδα του Καθ. Μανωλάκου στο ΕΚΠΑ. Εφαρμόσαμε την ανάλυση σε ένα σύνολο δεδομένων υψηλής ανάλυσης 106,110 κακοήθων κυττάρων από 50 ασθενείς. Ξεκινώντας με μια ενοποίηση παρτίδων (batch integration) που διαχωρίζει τα κοινά επιθηλιακά χαρακτηριστικά από την ειδική διακύμανση για κάθε ασθενή, η αμερόληπτη πιθανοτική προσέγγιση MLscAN, καθοδηγούμενη εξ ολοκλήρου από τα δεδομένα, αναγνωρίζει με αξιοπιστία τις υποκείμενες μεταγραφικές καταστάσεις και τις αλληλεπιδράσεις τους. Η ανάλυση πραγματοποιήθηκε σε συνεργασία με τη Δρ. Καλφακάκου από το εργαστήριο του Καθ. Τσιρίγου στο Ιατρικό Κέντρο του NYU, η οποία παρείχε το σύνολο δεδομένων που αναλύθηκε [1]. Η μη επιβλεπόμενη συναγωγή καταστάσεων ανέλυσε το επιθηλιακό τοπίο σε πέντε κύριες μεταγραφικές καταστάσεις. Η μοντελοποίηση τροχιών από κατάσταση σε κατάσταση αποκάλυψε δύο διακριτές εξελικτικές διαδρομές που συνδέουν το κλασικό και το βασικό πρόγραμμα. Η ανάλυση δείχνει ότι ενώ και οι δύο μεταβατικές διαδρομές ξεκινούν με μείωση της έκφρασης των δεικτών κλασικής ταυτότητας, όπως οι GATA6 και HNF4A, στη συνέχεια αποκλίνουν. Η μία διαδρομή χαρακτηρίζεται από όψιμη ενεργοποίηση του καταρράκτη πλακώδους δέσμευσης ∆Np63/TP63 σε συνδυασμό με κυτταρικό πολλαπλασιασμό. Η άλλη μετατοπίζεται προς έναν βασικό φαινότυπο μέσω ενός διαφορετικού, μη πολλαπλασιαστικού προγράμματος τελεστών (effector), το οποίο παρακάμπτει τον καταρράκτη του κύριου διακόπτη (master-switch). Τα αποτελέσματα μας αναδεικνύουν ότι η μετάβαση από το κλασικό στο βασικό πρόγραμμα περιλαμβάνει τουλάχιστον δύο ξεχωριστές βιολογικές διεργασίες. Η μελέτη αυτή εμπλουτίζει την υπάρχουσα γνώση για τη βιολογία των όγκων εντός ενός εξελικτικού μοντέλου πολλαπλών διαδρομών. Συμπερασματικά, τα αποτελέσματά μας καταδεικνύουν πώς η πιθανοτική, ρητή μοντελοποίηση των διαφόρων μεταβάσεων που επιτυγχάνεται με το MLscAN αποκαλύπτει σύνθετα εξελικτικά μοτίβα που παραμένουν κρυμμένα από τυπικές μεθόδους ομαδοποίησης (clustering). [1] D. Kalfakakou, A. Tsirigos, et al. \"Clonal Heterogeneity in Human Pancreatic Ductal Adenocarcinoma.\" bioRxiv, preprint, 2025. DOI: 10.1101/2025.02.11.637729. Available: https://www.biorxiv.org/content/10.1101/2025.02.11.637729v1","Malignant epithelial cells in pancreatic ductal adenocarcinoma (PDAC) exhibit a continuous range of phenotypes that appear to connect the traditional “classical” and “basal” transcriptional subtypes, suggesting high cellular plasticity rather than fixed binary categories. To explore this spectrum without forcing static labels based on gene markers alone, this thesis employs MLscAN (Machine Learning for single-cell ANalytics), an unbiased, unsupervised, probabilistic, and transition-aware computational framework developed by Prof. Manolakos’s team at NKUA. We applied the analysis to a high-resolution dataset of 106.110 malignant cells from 50 patients. Starting from a batch-integrated embedding that separates common epithelial features from patient-specific variation, the probabilistic approach robustly identifies the underlying transcriptional cancer states and their interactions, driven entirely by the data. This analysis was done in collaboration with Dr.Kalfakakou from Prof. Tsirigos’s lab at NYU Medical Center, who also provided the dataset [1]. Unsupervised state inference resolved the epithelial landscape into five main transcriptional states. State-to-state trajectory modeling revealed two distinct evolutionary routes connecting the classical and basal programs. The analysis shows that both transitional paths start with a decline in classical identity markers like GATA6 and HNF4A, but then diverge. One path features late activation of the ∆Np63/TP63 squamous commitment cascade combined with cell proliferation. The other shifts toward a basal phenotype via a different, non-proliferative effector program that avoids the master-switch cascade altogether. By showing that the classical-to-basal transition involves at least two separate biological processes, our results advance the discussion of a multi-routed evolutionary model in tumor biology. Moreover, this study underscores the value of the MLscAN framework, illustrating how probabilistic, explicit modeling of state transitions can reveal complex evolutionary patterns often hidden by standard clustering methods. [1] D. Kalfakakou, A. Tsirigos, et al. \"Clonal Heterogeneity in Human Pancreatic Ductal Adenocarcinoma.\" bioRxiv, preprint, 2025. DOI: 10.1101/2025.02.11.637729. Available: https://www.biorxiv.org/content/10.1101/2025.02.11.637729v1"],"dc:identifier":["uoadl:5428733","https://pergamos.lib.uoa.gr/uoa/dl/object/5428733"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Exploring Epithelial Heterogeneity in Pancreatic Ductal Adenocarcinoma Using the MLscAN Computational Framework"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:26Z"}