{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5453101"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5453101","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάπτυξη και αξιολόγηση μοντέλων μηχανικής μάθησης για την πρόβλεψη της δραστικότητας υποψήφιων αναστολέων της υδατοδιαλυτής εποξειδικής υδρολάσης","abstract":"Η διαλυτή εποξειδική υδρολάση (sEH) καταλύει την υδρόλυση λιπιδικών διαμεσολαβητών με αντιφλεγμονώδεις, αγγειοδιασταλτικές και αναλγητικές ιδιότητες και για τον λόγο αυτό, η αναστολή της δράσης της έχει προταθεί ως θεραπευτική προσέγγιση σε καρδιαγγειακές, μεταβολικές και νευροεκφυλιστικές νόσους. Στην παρούσα διπλωματική εργασία αναπτύχθηκε ένα ολοκληρωμένο υπολογιστικό πλαίσιο για την ανακάλυψη πιθανών αναστολέων της sEH, μέσω της εφαρμογής μεθόδων μηχανικής μάθησης. Πιο συγκεκριμένα, συγκρίθηκαν διαφορετικοί αλγόριθμοι μηχανικής μάθησης, οι οποίοι εκπαιδεύτηκαν σε δεδομένα δραστικότητας ενώσεων από την βάση ChEMBL, που αναπαραστάθηκαν μέσω μοριακών περιγραφητών και αποτυπωμάτων Morgan. Η πρόβλεψη οργανώθηκε σε δύο διαδοχικά στάδια, με ένα αρχικό μοντέλο ταξινόμησης να διαχωρίζει τις ενώσεις σε δραστικές και μη δραστικές και ένα μοντέλο παλινδρόμησης να εφαρμόζεται στη συνέχεια στις ενώσεις που προβλέφθηκαν ως δραστικές για την εκτίμηση της τιμής pIC50 και την περαιτέρω ιεράρχησή τους. Το XGBoost επιλέχθηκε ως τελικό μοντέλο και για τις δύο προσεγγίσεις, πετυχαίνοντας Accuracy=0.935, MCC=0.842 και ROC-AUC=0.972 στην ταξινόμηση και R2=0.70 στην παλινδρόμηση υπό τυχαίο διαχωρισμό των δεδομένων εκπαίδευσης και ελέγχου. Ωστόσο, η επίδοση μειώθηκε υπό αυστηρότερους διαχωρισμούς, οι οποίοι λαμβάνουν υπόψη την μοριακή ομοιότητα και τον κοινό δομικό σκελετό των ενώσεων, επιτρέποντας την αξιολόγηση της ικανότητας γενίκευσης των μοντέλων σε διαφορετικό χημικό χώρο. Από την εφαρμογή των μοντέλων για τον εικονικό έλεγχο φαρμακευτικών ενώσεων και αναλόγων γνωστών αναστολέων της sEH που σχεδιάστηκαν μέσω ανάλυσης Matched Molecular Pair, αναδείχθηκαν 200 ενώσεις με υψηλή προβλεπόμενη δραστικότητα, οι οποίες προχώρησαν σε μελέτη μοριακής πρόσδεσης. Με αυτόν τον τρόπο, οι ενώσεις ιεραρχήθηκαν μέσω μιας συνδυαστικής κατάταξης, από την οποία αναδείχθηκαν νέα ανάλογα και φάρμακα με δυνατότητα επαναστόχευσης για την αναστολή της sEH, που χρήζουν περαιτέρω υπολογιστικής και πειραματικής αξιολόγησης.","abstract_html":"Η διαλυτή εποξειδική υδρολάση (sEH) καταλύει την υδρόλυση λιπιδικών διαμεσολαβητών με αντιφλεγμονώδεις, αγγειοδιασταλτικές και αναλγητικές ιδιότητες και για τον λόγο αυτό, η αναστολή της δράσης της έχει προταθεί ως θεραπευτική προσέγγιση σε καρδιαγγειακές, μεταβολικές και νευροεκφυλιστικές νόσους. Στην παρούσα διπλωματική εργασία αναπτύχθηκε ένα ολοκληρωμένο υπολογιστικό πλαίσιο για την ανακάλυψη πιθανών αναστολέων της sEH, μέσω της εφαρμογής μεθόδων μηχανικής μάθησης. Πιο συγκεκριμένα, συγκρίθηκαν διαφορετικοί αλγόριθμοι μηχανικής μάθησης, οι οποίοι εκπαιδεύτηκαν σε δεδομένα δραστικότητας ενώσεων από την βάση ChEMBL, που αναπαραστάθηκαν μέσω μοριακών περιγραφητών και αποτυπωμάτων Morgan. Η πρόβλεψη οργανώθηκε σε δύο διαδοχικά στάδια, με ένα αρχικό μοντέλο ταξινόμησης να διαχωρίζει τις ενώσεις σε δραστικές και μη δραστικές και ένα μοντέλο παλινδρόμησης να εφαρμόζεται στη συνέχεια στις ενώσεις που προβλέφθηκαν ως δραστικές για την εκτίμηση της τιμής pIC50 και την περαιτέρω ιεράρχησή τους. Το XGBoost επιλέχθηκε ως τελικό μοντέλο και για τις δύο προσεγγίσεις, πετυχαίνοντας Accuracy=0.935, MCC=0.842 και ROC-AUC=0.972 στην ταξινόμηση και R2=0.70 στην παλινδρόμηση υπό τυχαίο διαχωρισμό των δεδομένων εκπαίδευσης και ελέγχου. Ωστόσο, η επίδοση μειώθηκε υπό αυστηρότερους διαχωρισμούς, οι οποίοι λαμβάνουν υπόψη την μοριακή ομοιότητα και τον κοινό δομικό σκελετό των ενώσεων, επιτρέποντας την αξιολόγηση της ικανότητας γενίκευσης των μοντέλων σε διαφορετικό χημικό χώρο. Από την εφαρμογή των μοντέλων για τον εικονικό έλεγχο φαρμακευτικών ενώσεων και αναλόγων γνωστών αναστολέων της sEH που σχεδιάστηκαν μέσω ανάλυσης Matched Molecular Pair, αναδείχθηκαν 200 ενώσεις με υψηλή προβλεπόμενη δραστικότητα, οι οποίες προχώρησαν σε μελέτη μοριακής πρόσδεσης. Με αυτόν τον τρόπο, οι ενώσεις ιεραρχήθηκαν μέσω μιας συνδυαστικής κατάταξης, από την οποία αναδείχθηκαν νέα ανάλογα και φάρμακα με δυνατότητα επαναστόχευσης για την αναστολή της sEH, που χρήζουν περαιτέρω υπολογιστικής και πειραματικής αξιολόγησης.","abstract_has_math":false,"creators":["Καραμήτρου Μαριάννα Στυλιανή","Karamitrou Marianna Styliani"],"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":"2026-11-19T05:20:52Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5453101"],"render_values":[{"text":"uoadl:5453101","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5453101","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5453101","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%3A5453101","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Καραμήτρου Μαριάννα Στυλιανή","Karamitrou Marianna Styliani"]}]},{"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":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5453101","https://pergamos.lib.uoa.gr/uoa/dl/object/5453101"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η διαλυτή εποξειδική υδρολάση (sEH) καταλύει την υδρόλυση λιπιδικών διαμεσολαβητών με αντιφλεγμονώδεις, αγγειοδιασταλτικές και αναλγητικές ιδιότητες και για τον λόγο αυτό, η αναστολή της δράσης της έχει προταθεί ως θεραπευτική προσέγγιση σε καρδιαγγειακές, μεταβολικές και νευροεκφυλιστικές νόσους. Στην παρούσα διπλωματική εργασία αναπτύχθηκε ένα ολοκληρωμένο υπολογιστικό πλαίσιο για την ανακάλυψη πιθανών αναστολέων της sEH, μέσω της εφαρμογής μεθόδων μηχανικής μάθησης. Πιο συγκεκριμένα, συγκρίθηκαν διαφορετικοί αλγόριθμοι μηχανικής μάθησης, οι οποίοι εκπαιδεύτηκαν σε δεδομένα δραστικότητας ενώσεων από την βάση ChEMBL, που αναπαραστάθηκαν μέσω μοριακών περιγραφητών και αποτυπωμάτων Morgan. Η πρόβλεψη οργανώθηκε σε δύο διαδοχικά στάδια, με ένα αρχικό μοντέλο ταξινόμησης να διαχωρίζει τις ενώσεις σε δραστικές και μη δραστικές και ένα μοντέλο παλινδρόμησης να εφαρμόζεται στη συνέχεια στις ενώσεις που προβλέφθηκαν ως δραστικές για την εκτίμηση της τιμής pIC50 και την περαιτέρω ιεράρχησή τους. Το XGBoost επιλέχθηκε ως τελικό μοντέλο και για τις δύο προσεγγίσεις, πετυχαίνοντας Accuracy=0.935, MCC=0.842 και ROC-AUC=0.972 στην ταξινόμηση και R2=0.70 στην παλινδρόμηση υπό τυχαίο διαχωρισμό των δεδομένων εκπαίδευσης και ελέγχου. Ωστόσο, η επίδοση μειώθηκε υπό αυστηρότερους διαχωρισμούς, οι οποίοι λαμβάνουν υπόψη την μοριακή ομοιότητα και τον κοινό δομικό σκελετό των ενώσεων, επιτρέποντας την αξιολόγηση της ικανότητας γενίκευσης των μοντέλων σε διαφορετικό χημικό χώρο. Από την εφαρμογή των μοντέλων για τον εικονικό έλεγχο φαρμακευτικών ενώσεων και αναλόγων γνωστών αναστολέων της sEH που σχεδιάστηκαν μέσω ανάλυσης Matched Molecular Pair, αναδείχθηκαν 200 ενώσεις με υψηλή προβλεπόμενη δραστικότητα, οι οποίες προχώρησαν σε μελέτη μοριακής πρόσδεσης. Με αυτόν τον τρόπο, οι ενώσεις ιεραρχήθηκαν μέσω μιας συνδυαστικής κατάταξης, από την οποία αναδείχθηκαν νέα ανάλογα και φάρμακα με δυνατότητα επαναστόχευσης για την αναστολή της sEH, που χρήζουν περαιτέρω υπολογιστικής και πειραματικής αξιολόγησης.","Soluble epoxide hydrolase (sEH) catalyzes the hydrolysis of lipid mediators with anti-inflammatory, vasodilatory and analgesic properties. Therefore, inhibition of its activity has been proposed as a therapeutic approach for cardiovascular, metabolic, and neurodegenerative diseases. In the present thesis, a computational pipeline was developed for the discovery of potential sEH inhibitors through the application of machine learning methods. More specifically, different machine learning algorithms were compared and trained on activity assays data obtained from the ChEMBL database, with the compounds represented using molecular descriptors and Morgan fingerprints. The prediction workflow was organized into two sequential stages: an initial classification model was used to distinguish active from inactive compounds, followed by a regression model applied to compounds predicted to be active, in order to estimate their pIC50 values and further prioritize them. XGBoost was selected as the final model for both approaches, achieving Accuracy=0.935, MCC=0.842 and ROC-AUC=0.972 for classification, and R2=0.70 for regression under a random split of the training and test datasets. However, model performance decreased under more challenging splitting strategies that account for molecular similarity and shared structural scaffolds among compounds, thereby enabling the assessment of model generalization to different chemical spaces. The developed models were subsequently applied to the virtual screening of drug compounds and analogues of known sEH inhibitors designed through Matched Molecular Pair analysis. This process identified 200 compounds with high predicted activity, which were subsequently subjected to molecular docking studies. The compounds were then prioritized using a consensus ranking approach, leading to the identification of novel analogues and repurposable drugs with potential for sEH inhibition, which warrant further computational and experimental evaluation."]},{"key":"dc:title","label":"Title","values":["Ανάπτυξη και αξιολόγηση μοντέλων μηχανικής μάθησης για την πρόβλεψη της δραστικότητας υποψήφιων αναστολέων της υδατοδιαλυτής εποξειδικής υδρολάσης"]}]}],"canonical_facts":{"dc:creator":["Καραμήτρου Μαριάννα Στυλιανή","Karamitrou Marianna Styliani"],"dc:date":["2026"],"dc:description":["Η διαλυτή εποξειδική υδρολάση (sEH) καταλύει την υδρόλυση λιπιδικών διαμεσολαβητών με αντιφλεγμονώδεις, αγγειοδιασταλτικές και αναλγητικές ιδιότητες και για τον λόγο αυτό, η αναστολή της δράσης της έχει προταθεί ως θεραπευτική προσέγγιση σε καρδιαγγειακές, μεταβολικές και νευροεκφυλιστικές νόσους. Στην παρούσα διπλωματική εργασία αναπτύχθηκε ένα ολοκληρωμένο υπολογιστικό πλαίσιο για την ανακάλυψη πιθανών αναστολέων της sEH, μέσω της εφαρμογής μεθόδων μηχανικής μάθησης. Πιο συγκεκριμένα, συγκρίθηκαν διαφορετικοί αλγόριθμοι μηχανικής μάθησης, οι οποίοι εκπαιδεύτηκαν σε δεδομένα δραστικότητας ενώσεων από την βάση ChEMBL, που αναπαραστάθηκαν μέσω μοριακών περιγραφητών και αποτυπωμάτων Morgan. Η πρόβλεψη οργανώθηκε σε δύο διαδοχικά στάδια, με ένα αρχικό μοντέλο ταξινόμησης να διαχωρίζει τις ενώσεις σε δραστικές και μη δραστικές και ένα μοντέλο παλινδρόμησης να εφαρμόζεται στη συνέχεια στις ενώσεις που προβλέφθηκαν ως δραστικές για την εκτίμηση της τιμής pIC50 και την περαιτέρω ιεράρχησή τους. Το XGBoost επιλέχθηκε ως τελικό μοντέλο και για τις δύο προσεγγίσεις, πετυχαίνοντας Accuracy=0.935, MCC=0.842 και ROC-AUC=0.972 στην ταξινόμηση και R2=0.70 στην παλινδρόμηση υπό τυχαίο διαχωρισμό των δεδομένων εκπαίδευσης και ελέγχου. Ωστόσο, η επίδοση μειώθηκε υπό αυστηρότερους διαχωρισμούς, οι οποίοι λαμβάνουν υπόψη την μοριακή ομοιότητα και τον κοινό δομικό σκελετό των ενώσεων, επιτρέποντας την αξιολόγηση της ικανότητας γενίκευσης των μοντέλων σε διαφορετικό χημικό χώρο. Από την εφαρμογή των μοντέλων για τον εικονικό έλεγχο φαρμακευτικών ενώσεων και αναλόγων γνωστών αναστολέων της sEH που σχεδιάστηκαν μέσω ανάλυσης Matched Molecular Pair, αναδείχθηκαν 200 ενώσεις με υψηλή προβλεπόμενη δραστικότητα, οι οποίες προχώρησαν σε μελέτη μοριακής πρόσδεσης. Με αυτόν τον τρόπο, οι ενώσεις ιεραρχήθηκαν μέσω μιας συνδυαστικής κατάταξης, από την οποία αναδείχθηκαν νέα ανάλογα και φάρμακα με δυνατότητα επαναστόχευσης για την αναστολή της sEH, που χρήζουν περαιτέρω υπολογιστικής και πειραματικής αξιολόγησης.","Soluble epoxide hydrolase (sEH) catalyzes the hydrolysis of lipid mediators with anti-inflammatory, vasodilatory and analgesic properties. Therefore, inhibition of its activity has been proposed as a therapeutic approach for cardiovascular, metabolic, and neurodegenerative diseases. In the present thesis, a computational pipeline was developed for the discovery of potential sEH inhibitors through the application of machine learning methods. More specifically, different machine learning algorithms were compared and trained on activity assays data obtained from the ChEMBL database, with the compounds represented using molecular descriptors and Morgan fingerprints. The prediction workflow was organized into two sequential stages: an initial classification model was used to distinguish active from inactive compounds, followed by a regression model applied to compounds predicted to be active, in order to estimate their pIC50 values and further prioritize them. XGBoost was selected as the final model for both approaches, achieving Accuracy=0.935, MCC=0.842 and ROC-AUC=0.972 for classification, and R2=0.70 for regression under a random split of the training and test datasets. However, model performance decreased under more challenging splitting strategies that account for molecular similarity and shared structural scaffolds among compounds, thereby enabling the assessment of model generalization to different chemical spaces. The developed models were subsequently applied to the virtual screening of drug compounds and analogues of known sEH inhibitors designed through Matched Molecular Pair analysis. This process identified 200 compounds with high predicted activity, which were subsequently subjected to molecular docking studies. The compounds were then prioritized using a consensus ranking approach, leading to the identification of novel analogues and repurposable drugs with potential for sEH inhibition, which warrant further computational and experimental evaluation."],"dc:identifier":["uoadl:5453101","https://pergamos.lib.uoa.gr/uoa/dl/object/5453101"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Ανάπτυξη και αξιολόγηση μοντέλων μηχανικής μάθησης για την πρόβλεψη της δραστικότητας υποψήφιων αναστολέων της υδατοδιαλυτής εποξειδικής υδρολάσης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:52Z"}