{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5461816"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5461816","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Markov State Models for the Analysis of Molecular Dynamics Simulations of Intrinsically Disordered Proteins","abstract":"Οι εγγενώς αποδιοργανωμένες πρωτεΐνες (IDPs) βρίσκονται σε εκτεταμένα διαμορφωτικά τοπία (conformational landscapes) γεγονός που αποτρέπει τον χαρακτηρισμό τους μέσω συμβατικών δομικών μεθόδων, καθιστώντας τις προσομοιώσεις μοριακής δυναμικής (MD) σε συνδυασμό με ακριβείς κινητικές αναλύσεις απαραίτητες για την κατανόηση της συμπεριφοράς τους. Η παρούσα εργασία παρουσιάζει ένα ημι-αυτοματοποιημένο υπολογιστικό pipeline για την κατασκευή Μοντέλων Μαρκοβιανών Καταστάσεων (MSMs) από μακρόχρονες αμερόληπτες προσομοιώσεις MD, ενσωματώνοντας αναπαράξιμες επιλογές υπερπαραμέτρων, εντοπισμό μεταβατικών καταστάσεων βάσει εντροπίας Shannon και εξαγωγή αντιπροσωπευτικών medoids μέσω αλγορίθμου πλησιέστερου γείτονα — εφαρμοζόμενη με σε επτά χημικά διαφορετικά συστήματα που καλύπτουν από πλήρως ανοργάνωτα πεπτίδια μέχρι και ταχέως αναδιπλούμενες μικροπρωτεΐνες. Για τα μη-IDP συστήματα, οι χρόνοι χαλάρωσης που προκύπτουν από τα MSMs συνάδουν με τους πειραματικούς δείκτες αναδίπλωσης, επικυρώνοντας το pipeline έναντι γνωστών σημείων αναφοράς. Για τα συστήματα IDP, τα αποτελέσματα αποτελούν διερευνητικούς χαρακτηρισμούς του διαμορφωτικού τοπίου του δυναμικού πεδίου τους, αντανακλώντας τους θεμελιώδεις περιορισμούς χρονικής κλίμακας των κλασικών MD αντί για τις ελλείψεις του ιδίου του pipeline. Τα εξαγόμενα medoids των μακροκαταστάσεων λειτουργούν ως δομικές αφετηρίες υψηλής πιστότητας για μεταγενέστερες μεθόδους ενισχυμένης δειγματοληψίας (ehnanced sampling), παρέχοντας μια μαθηματικά τεκμηριωμένη διεπαφή μεταξύ της κλασικής MD και πιο υπολογιστικά απαιτητικών αναλύσεων.","abstract_html":"Οι εγγενώς αποδιοργανωμένες πρωτεΐνες (IDPs) βρίσκονται σε εκτεταμένα διαμορφωτικά τοπία (conformational landscapes) γεγονός που αποτρέπει τον χαρακτηρισμό τους μέσω συμβατικών δομικών μεθόδων, καθιστώντας τις προσομοιώσεις μοριακής δυναμικής (MD) σε συνδυασμό με ακριβείς κινητικές αναλύσεις απαραίτητες για την κατανόηση της συμπεριφοράς τους. Η παρούσα εργασία παρουσιάζει ένα ημι-αυτοματοποιημένο υπολογιστικό pipeline για την κατασκευή Μοντέλων Μαρκοβιανών Καταστάσεων (MSMs) από μακρόχρονες αμερόληπτες προσομοιώσεις MD, ενσωματώνοντας αναπαράξιμες επιλογές υπερπαραμέτρων, εντοπισμό μεταβατικών καταστάσεων βάσει εντροπίας Shannon και εξαγωγή αντιπροσωπευτικών medoids μέσω αλγορίθμου πλησιέστερου γείτονα — εφαρμοζόμενη με σε επτά χημικά διαφορετικά συστήματα που καλύπτουν από πλήρως ανοργάνωτα πεπτίδια μέχρι και ταχέως αναδιπλούμενες μικροπρωτεΐνες. Για τα μη-IDP συστήματα, οι χρόνοι χαλάρωσης που προκύπτουν από τα MSMs συνάδουν με τους πειραματικούς δείκτες αναδίπλωσης, επικυρώνοντας το pipeline έναντι γνωστών σημείων αναφοράς. Για τα συστήματα IDP, τα αποτελέσματα αποτελούν διερευνητικούς χαρακτηρισμούς του διαμορφωτικού τοπίου του δυναμικού πεδίου τους, αντανακλώντας τους θεμελιώδεις περιορισμούς χρονικής κλίμακας των κλασικών MD αντί για τις ελλείψεις του ιδίου του pipeline. Τα εξαγόμενα medoids των μακροκαταστάσεων λειτουργούν ως δομικές αφετηρίες υψηλής πιστότητας για μεταγενέστερες μεθόδους ενισχυμένης δειγματοληψίας (ehnanced sampling), παρέχοντας μια μαθηματικά τεκμηριωμένη διεπαφή μεταξύ της κλασικής MD και πιο υπολογιστικά απαιτητικών αναλύσεων.","abstract_has_math":false,"creators":["Κωνσταντινίδης Κωνσταντίνος","Konstantinidis Konstantinos"],"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":"2026-11-19T05:21:17Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5461816"],"render_values":[{"text":"uoadl:5461816","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5461816","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5461816","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%3A5461816","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κωνσταντινίδης Κωνσταντίνος","Konstantinidis Konstantinos"]}]},{"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:5461816","https://pergamos.lib.uoa.gr/uoa/dl/object/5461816"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Οι εγγενώς αποδιοργανωμένες πρωτεΐνες (IDPs) βρίσκονται σε εκτεταμένα διαμορφωτικά τοπία (conformational landscapes) γεγονός που αποτρέπει τον χαρακτηρισμό τους μέσω συμβατικών δομικών μεθόδων, καθιστώντας τις προσομοιώσεις μοριακής δυναμικής (MD) σε συνδυασμό με ακριβείς κινητικές αναλύσεις απαραίτητες για την κατανόηση της συμπεριφοράς τους. Η παρούσα εργασία παρουσιάζει ένα ημι-αυτοματοποιημένο υπολογιστικό pipeline για την κατασκευή Μοντέλων Μαρκοβιανών Καταστάσεων (MSMs) από μακρόχρονες αμερόληπτες προσομοιώσεις MD, ενσωματώνοντας αναπαράξιμες επιλογές υπερπαραμέτρων, εντοπισμό μεταβατικών καταστάσεων βάσει εντροπίας Shannon και εξαγωγή αντιπροσωπευτικών medoids μέσω αλγορίθμου πλησιέστερου γείτονα — εφαρμοζόμενη με σε επτά χημικά διαφορετικά συστήματα που καλύπτουν από πλήρως ανοργάνωτα πεπτίδια μέχρι και ταχέως αναδιπλούμενες μικροπρωτεΐνες. Για τα μη-IDP συστήματα, οι χρόνοι χαλάρωσης που προκύπτουν από τα MSMs συνάδουν με τους πειραματικούς δείκτες αναδίπλωσης, επικυρώνοντας το pipeline έναντι γνωστών σημείων αναφοράς. Για τα συστήματα IDP, τα αποτελέσματα αποτελούν διερευνητικούς χαρακτηρισμούς του διαμορφωτικού τοπίου του δυναμικού πεδίου τους, αντανακλώντας τους θεμελιώδεις περιορισμούς χρονικής κλίμακας των κλασικών MD αντί για τις ελλείψεις του ιδίου του pipeline. Τα εξαγόμενα medoids των μακροκαταστάσεων λειτουργούν ως δομικές αφετηρίες υψηλής πιστότητας για μεταγενέστερες μεθόδους ενισχυμένης δειγματοληψίας (ehnanced sampling), παρέχοντας μια μαθηματικά τεκμηριωμένη διεπαφή μεταξύ της κλασικής MD και πιο υπολογιστικά απαιτητικών αναλύσεων.","Intrinsically disordered proteins (IDPs) sample vast conformational landscapes that resist characterisation by conventional structural methods, making molecular dynamics (MD) simulations combined with rigorous kinetic analysis essential for understanding their behaviour. This thesis presents a semi-automated computational pipeline for constructing Markov State Models (MSMs) from long unbiased MD simulations, incorporating reproducible hyperparameter selection, Shannon entropy-based transition state identification, and nearest-neighbor medoid extraction — applied consistently across seven chemically diverse systems spanning fully disordered peptides and fast-folding miniproteins. For the structured systems, MSM-derived relaxation timescales agree with experimental folding rates, validating the pipeline against known benchmarks. For the IDP systems, the results constitute exploratory characterisations of the force-field conformational landscape, reflecting fundamental timescale limitations of unbiased classical MD rather than pipeline deficiencies. The extracted macrostate medoids serve as high-fidelity structural seeds for downstream enhanced sampling methods, providing a principled interface between classical MD and more computationally demanding analyses."]},{"key":"dc:title","label":"Title","values":["Markov State Models for the Analysis of Molecular Dynamics Simulations of Intrinsically Disordered Proteins"]}]}],"canonical_facts":{"dc:creator":["Κωνσταντινίδης Κωνσταντίνος","Konstantinidis Konstantinos"],"dc:date":["2026"],"dc:description":["Οι εγγενώς αποδιοργανωμένες πρωτεΐνες (IDPs) βρίσκονται σε εκτεταμένα διαμορφωτικά τοπία (conformational landscapes) γεγονός που αποτρέπει τον χαρακτηρισμό τους μέσω συμβατικών δομικών μεθόδων, καθιστώντας τις προσομοιώσεις μοριακής δυναμικής (MD) σε συνδυασμό με ακριβείς κινητικές αναλύσεις απαραίτητες για την κατανόηση της συμπεριφοράς τους. Η παρούσα εργασία παρουσιάζει ένα ημι-αυτοματοποιημένο υπολογιστικό pipeline για την κατασκευή Μοντέλων Μαρκοβιανών Καταστάσεων (MSMs) από μακρόχρονες αμερόληπτες προσομοιώσεις MD, ενσωματώνοντας αναπαράξιμες επιλογές υπερπαραμέτρων, εντοπισμό μεταβατικών καταστάσεων βάσει εντροπίας Shannon και εξαγωγή αντιπροσωπευτικών medoids μέσω αλγορίθμου πλησιέστερου γείτονα — εφαρμοζόμενη με σε επτά χημικά διαφορετικά συστήματα που καλύπτουν από πλήρως ανοργάνωτα πεπτίδια μέχρι και ταχέως αναδιπλούμενες μικροπρωτεΐνες. Για τα μη-IDP συστήματα, οι χρόνοι χαλάρωσης που προκύπτουν από τα MSMs συνάδουν με τους πειραματικούς δείκτες αναδίπλωσης, επικυρώνοντας το pipeline έναντι γνωστών σημείων αναφοράς. Για τα συστήματα IDP, τα αποτελέσματα αποτελούν διερευνητικούς χαρακτηρισμούς του διαμορφωτικού τοπίου του δυναμικού πεδίου τους, αντανακλώντας τους θεμελιώδεις περιορισμούς χρονικής κλίμακας των κλασικών MD αντί για τις ελλείψεις του ιδίου του pipeline. Τα εξαγόμενα medoids των μακροκαταστάσεων λειτουργούν ως δομικές αφετηρίες υψηλής πιστότητας για μεταγενέστερες μεθόδους ενισχυμένης δειγματοληψίας (ehnanced sampling), παρέχοντας μια μαθηματικά τεκμηριωμένη διεπαφή μεταξύ της κλασικής MD και πιο υπολογιστικά απαιτητικών αναλύσεων.","Intrinsically disordered proteins (IDPs) sample vast conformational landscapes that resist characterisation by conventional structural methods, making molecular dynamics (MD) simulations combined with rigorous kinetic analysis essential for understanding their behaviour. This thesis presents a semi-automated computational pipeline for constructing Markov State Models (MSMs) from long unbiased MD simulations, incorporating reproducible hyperparameter selection, Shannon entropy-based transition state identification, and nearest-neighbor medoid extraction — applied consistently across seven chemically diverse systems spanning fully disordered peptides and fast-folding miniproteins. For the structured systems, MSM-derived relaxation timescales agree with experimental folding rates, validating the pipeline against known benchmarks. For the IDP systems, the results constitute exploratory characterisations of the force-field conformational landscape, reflecting fundamental timescale limitations of unbiased classical MD rather than pipeline deficiencies. The extracted macrostate medoids serve as high-fidelity structural seeds for downstream enhanced sampling methods, providing a principled interface between classical MD and more computationally demanding analyses."],"dc:identifier":["uoadl:5461816","https://pergamos.lib.uoa.gr/uoa/dl/object/5461816"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Markov State Models for the Analysis of Molecular Dynamics Simulations of Intrinsically Disordered Proteins"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:21:17Z"}