Τμήμα Πληροφορικής & Τηλεπικοινωνιών
Πληροφορική

2019-09-17

2019

ΚΑΛΗΜΕΡΗΣ ΑΛΕΞΑΝΔΡΟΣ

Ιωάννης Εμίρης, Καθηγητής, Τμήμα Πληροφορικής και Τηλεπικοινωνιών, Εθνικό Καποδιστριακό Πανεπιστήμιο Αθηνών

Deep Learning on Point Clouds for 3D Protein Classification Based on Secondary Structure

Αγγλικά

Βαθιά Μάθηση σε Νέφη Σημείων για Ταξινόμηση 3D πρωτεϊνών με Βάση τη Δευτερεύουσα Δομή

Οι πρωτεΐνες είναι μακρομόρια που ρυθμίζουν πληθώρα βιολογικών διεργασιών. Η χωρική δομή των πρωτεϊνών είναι ο κύριος καθοριστικός παράγοντας της βιολογικής λειτουργίας τους. Συνεπώς, η εύρεση νέων αποτελεσματικών μεθόδων ταξινόμησης πρωτεϊνών με βάση την τρισδιάστατη δομή τους είναι ένα σημαντικό έργο με εφαρμογές σε πολλά επιστημονικά πεδία. Στο πλαίσιο αυτής της πτυχιακής εργασίας, εξερευνούμε και εξετάζουμε τις δυνατότητες των Βαθιών Νευρωνικών Δικτύων όσον αφορά την εκτέλεση εργασιών ταξινόμησης σε σύνθετα τρισδιάστατα σχήματα πρωτεϊνών. Για τους σκοπούς αυτούς, αναλύσαμε υπάρχουσες αρχιτεκτονικές βαθιάς μάθησης που έδειξαν πολλά υποσχόμενα αποτελέσματα. Επιπλέον, δοκιμάζουμε την αποτελεσματικότητα αυτών των αρχιτεκτονικών με την εκτέλεση μιας σειράς πειραμάτων ταξινόμησης πρωτεϊνών. Στα πειράματά μας, αντιπροσωπεύουμε το γεωμετρικό τρισδιάστατο σχήμα των πρωτεϊνών ως νέφη σημείων, μια ευέλικτη γεωμετρική αναπαράσταση δεδομένων. Ακόμα, λόγω του ότι οι πρωτεΐνες διαφέρουν μεταξύ τους ως προς το μέγεθος και οι αρχιτεκτονικές βαθιάς μάθησης που εξερευνούμε δεν μπορούν να δεχθούν είσοδο δυναμικού μεγέθους, δοκιμάζουμε τρόπους για την κανονικοποίηση των πρωτεϊνών σε ένα κοινό σταθερό μέγεθος. Τέλος, παρουσιάζουμε ολοκληρωμένα τα αποτελέσματα της δουλειάς μας και τα αξιολογούμε.

Τεχνολογία – Πληροφορική

Κατηγοριοποίηση Πρωτεϊνών, Βαθιά Νευρωνικά Δίκτυα, Νέφη Σημείων, Δευτερεύουσα Δομή Πρωτεϊνών, Αναγνώριση τρισδιάστατων γεωμετρικών σχημάτων

Ναι

6

Ναι

24

41

https://pergamos.lib.uoa.gr/uoa/dl/object/2880834/file.pdf

https://pergamos.lib.uoa.gr/uoa/dl/object/2880834