Τεχνικές Μηχανικής Μάθησης για τη διανυσματική αναπαράσταση Γράφων Βιολογικών Δεδομένων

Καραδήμας, Οδυσσέας; Karadimas, Odysseas

Τεχνικές Μηχανικής Μάθησης για τη διανυσματική αναπαράσταση Γράφων Βιολογικών Δεδομένων

dc.contributor.author	Καραδήμας, Οδυσσέας	el
dc.contributor.author	Karadimas, Odysseas	en
dc.date.accessioned	2024-10-11T09:53:53Z
dc.date.available	2024-10-11T09:53:53Z
dc.identifier.uri	https://olympias.lib.uoi.gr/jspui/handle/123456789/38446
dc.identifier.uri	http://dx.doi.org/10.26268/heal.uoi.18151
dc.rights	Attribution-NonCommercial-NoDerivs 3.0 United States	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/us/	*
dc.subject	Βιολογικά δεδομένα	el
dc.subject	Διανυσματοποίηση	el
dc.subject	Πρωτεϊνικές αλληλεπιδράσεις	el
dc.subject	Γράφοι	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Βιοπληροφορική	el
dc.subject	Biological data	en
dc.subject	Vectorization
dc.subject	Protein interactions
dc.subject	Graphs
dc.subject	Machine learning
dc.subject	Bioinformatics
dc.title	Τεχνικές Μηχανικής Μάθησης για τη διανυσματική αναπαράσταση Γράφων Βιολογικών Δεδομένων	el
dc.title	Machine Learning Techniques for vectorized representation of Biological Data Graphs	en
dc.type	masterThesis	en
heal.abstract	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.	el
heal.abstract	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.	en
heal.academicPublisher	Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών	el
heal.academicPublisher	Τμήμα Πληροφορικής και Τηλεπικοινωνιών	el
heal.academicPublisherID	uoi	el
heal.access	free	el
heal.advisorName	Καρβέλης, Πέτρος	el
heal.committeeMemberName	Στύλιος, Χρυσόστομος	el
heal.committeeMemberName	Σκορίλας, Ανδρέας	el
heal.dateAvailable	2024-10-11T09:54:53Z
heal.fullTextAvailability	true
heal.language	el	el
heal.numberOfPages	118	el
heal.publicationDate	2024-10-04
heal.recordProvider	Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών	el
heal.recordProvider	Τμήμα Πληροφορικής και Τηλεπικοινωνιών	el
heal.type	masterThesis	el
heal.type.el	Μεταπτυχιακή εργασία	el
heal.type.en	Master thesis	en

Αρχεία

Πρωτότυπος φάκελος/πακέτο

Προβολή: 1 - 1 of 1

Ονομα:: Μ.Ε. Καραδήμας Οδυσσέας (2024).pdf
Μέγεθος:: 6.37 MB
Μορφότυπο:: Adobe Portable Document Format
Περιγραφή:

Κατεβάστε

Φάκελος/Πακέτο αδειών

Προβολή: 1 - 1 of 1

Ονομα:: license.txt
Μέγεθος:: 3.22 KB
Μορφότυπο:: Item-specific license agreed upon to submission
Περιγραφή:

Κατεβάστε

Συλλογές

Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΠΤΠ