Τεχνικές Μηχανικής Μάθησης για τη διανυσματική αναπαράσταση Γράφων Βιολογικών Δεδομένων
Φόρτωση...
Ημερομηνία
Συγγραφείς
Καραδήμας, Οδυσσέας
Karadimas, Odysseas
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών
Τμήμα Πληροφορικής και Τηλεπικοινωνιών
Τμήμα Πληροφορικής και Τηλεπικοινωνιών
Περίληψη
Τύπος
Είδος δημοσίευσης σε συνέδριο
Είδος περιοδικού
Είδος εκπαιδευτικού υλικού
Όνομα συνεδρίου
Όνομα περιοδικού
Όνομα βιβλίου
Σειρά βιβλίου
Έκδοση βιβλίου
Συμπληρωματικός/δευτερεύων τίτλος
Περιγραφή
Ο αυξανόμενος όγκος βιολογικών δεδομένων που παράγονται από πειράματα παρουσιάζει
σημαντικές προκλήσεις για την ανάλυση και την ερμηνεία, ενώ συχνά αφήνει ανεξερεύνητες
πολύτιμες γνώσεις λόγω υπολογιστικών περιορισμών. Η αναπαράσταση μεγάλων
βιολογικών συνόλων δεδομένων σε διανυσματική μορφή αποτελεί μια κρίσιμη προσέγγιση
για την αντιμετώπιση αυτών των προκλήσεων, προσφέροντας ένα κλιμακούμενο και
αποτελεσματικό μέσο για την επεξεργασία και την ανάλυση πολύπλοκων δεδομένων. Η
παρούσα διατριβή επικεντρώνεται στην αναπαράσταση δεδομένων πρωτεϊνικής
αλληλεπίδρασης (Protein – Protein Interactions, PPI), τα οποία δομούνται σε μορφή γράφου,
γεγονός που δημιουργεί σημαντικές δυσκολίες για τις καθιερωμένες μεθοδολογίες
ανάλυσης της θεωρίας γράφων, όταν εφαρμόζονται σε σύνολα δεδομένων μεγάλης
κλίμακας.
Η έρευνα αυτή αναδεικνύει τη σημασία της διανυσματικής αναπαράστασης στην υπέρβαση
αυτών των περιορισμών, παρέχοντας μια νέα προσέγγιση που αξιοποιεί προηγμένες τεχνικές
μείωσης των διαστάσεων για την οπτικοποίηση δεδομένων υψηλής διάστασης σε
διαχειρίσιμες μορφές. Με τη μετατροπή των δεδομένων PPI σε διανυσματική μορφή,
επιτρέπουμε την αποτελεσματικότερη ομαδοποίηση και τον εντοπισμό λειτουργικών
σχέσεων μεταξύ πρωτεϊνών, διευκολύνοντας την ανακάλυψη κρυμμένων μοτίβων και
γνώσεων. Η εργασία αυτή αποτελεί σημαντική πρόοδο στον τομέα της βιοπληροφορικής,
προσφέροντας ισχυρά εργαλεία για την ανάλυση πολύπλοκων βιολογικών συστημάτων και
ανοίγοντας το δρόμο για μελλοντικές έρευνες και ανακαλύψεις.
The increasing volume of biological data generated from experiments presents significant challenges for analysis and interpretation, often leaving valuable insights undiscovered due to computational limitations. Representing large biological datasets in vector form is a crucial approach to address these challenges, offering a scalable and efficient means to process and analyze complex data. This thesis focuses on the representation of ProteinProtein Interaction (PPI) data, traditionally structured in graph format, which poses significant difficulties for traditional graph theory approaches, when applied to large-scale datasets. Our research highlights the importance of vector representation in overcoming these limitations, providing a novel approach that leverages advanced dimensionality reduction techniques to visualize high-dimensional data in manageable forms. By converting PPI data into vector form, we enable more effective clustering and identification of functional relationships between proteins, facilitating the discovery of hidden patterns and insights. This work represents a significant advancement in the field of bioinformatics, offering powerful tools for the analysis of complex biological systems and paving the way for future research and breakthroughs.
The increasing volume of biological data generated from experiments presents significant challenges for analysis and interpretation, often leaving valuable insights undiscovered due to computational limitations. Representing large biological datasets in vector form is a crucial approach to address these challenges, offering a scalable and efficient means to process and analyze complex data. This thesis focuses on the representation of ProteinProtein Interaction (PPI) data, traditionally structured in graph format, which poses significant difficulties for traditional graph theory approaches, when applied to large-scale datasets. Our research highlights the importance of vector representation in overcoming these limitations, providing a novel approach that leverages advanced dimensionality reduction techniques to visualize high-dimensional data in manageable forms. By converting PPI data into vector form, we enable more effective clustering and identification of functional relationships between proteins, facilitating the discovery of hidden patterns and insights. This work represents a significant advancement in the field of bioinformatics, offering powerful tools for the analysis of complex biological systems and paving the way for future research and breakthroughs.
Περιγραφή
Λέξεις-κλειδιά
Βιολογικά δεδομένα, Διανυσματοποίηση, Πρωτεϊνικές αλληλεπιδράσεις, Γράφοι, Μηχανική μάθηση, Βιοπληροφορική, Biological data, Vectorization, Protein interactions, Graphs, Machine learning, Bioinformatics
Θεματική κατηγορία
Παραπομπή
Σύνδεσμος
Γλώσσα
el
Εκδίδον τμήμα/τομέας
Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών
Τμήμα Πληροφορικής και Τηλεπικοινωνιών
Τμήμα Πληροφορικής και Τηλεπικοινωνιών
Όνομα επιβλέποντος
Καρβέλης, Πέτρος
Εξεταστική επιτροπή
Στύλιος, Χρυσόστομος
Σκορίλας, Ανδρέας
Σκορίλας, Ανδρέας
Γενική Περιγραφή / Σχόλια
Ίδρυμα και Σχολή/Τμήμα του υποβάλλοντος
Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών
Τμήμα Πληροφορικής και Τηλεπικοινωνιών
Τμήμα Πληροφορικής και Τηλεπικοινωνιών
Πίνακας περιεχομένων
Χορηγός
Βιβλιογραφική αναφορά
Ονόματα συντελεστών
Αριθμός σελίδων
118
Λεπτομέρειες μαθήματος
item.page.endorsement
item.page.review
item.page.supplemented
item.page.referenced
Άδεια Creative Commons
Άδεια χρήσης της εγγραφής: Attribution-NonCommercial-NoDerivs 3.0 United States