Κατεύθυνση Βιοπληροφορική-Επιστήμη Βιοϊατρικών Δεδομένων
Πληροφορική

2024-07-31

2024

Πεζά Αλεξάνδρα

Δρ. Κωνσταντίνος Βεκρέλλης, Ερευνητής Α' Ίδρυμα Ιατροβιολογικών Ερευνών Ακαδημίας Αθηνών (ΙΙΒΕΑΑ)
Δρ. Αναστάσιος Δελής, Μεταδιδακτορικός Ερευνητής, Ίδρυμα Ιατροβιολογικών Ερευνών Ακαδημίας Αθηνών (ΙΙΒΕΑΑ)
Δρ. Θεόδωρος Δαλαμάγκας, Κύριος Ερευνητής, Ινστιτούτο Πληροφοριακών Συστημάτων Ερευνητικού Κέντρου «ΑΘΗΝΑ» (ΕΚ «Αθηνά»)

Brain-derived exosomes as means to examine molecular mechanisms that affect cellular homeostasis. An informatics approach.

Αγγλικά

Εξωσώματα που προέρχονται από τον εγκέφαλο ως μέσο για την εξέταση μοριακών μηχανισμών που επηρεάζουν την κυτταρική ομοιόσταση. Μια προσέγγιση πληροφορικής.

Η παρούσα διπλωματική εργασία διερευνά το ρόλο των εξωσωμάτων που προέρχονται από τον εγκέφαλο στην κατανόηση των μοριακών μηχανισμών που επηρεάζουν την κυτταρική ομοιόσταση, χρησιμοποιώντας προηγμένες βιοπληροφορικής και τεχνικές μηχανικής μάθησης. Τα εξωσώματα, μικρά εξωκυτταρικά κυστίδια, είναι κρίσιμα για την κυτταρική επικοινωνία εντός του κεντρικού νευρικού συστήματος, επηρεάζοντας διαδικασίες όπως η απόπτωση, ο κυτταρικός πολλαπλασιασμός και οι φλεγμονώδεις αντιδράσεις. Η μελέτη αυτή επικεντρώνεται στην εσωτερίκευση και την ενδοκυτταρική μεταφορά των εξωσωμάτων σε μικρογλοία και αστροκύτταρα, χρησιμοποιώντας εικόνες που παράγονται από συνεστιακή μικροσκοπία και επεξεργάζονται με το λογισμικό Imaris για την εξαγωγή σχετικών στατιστικών πληροφοριών.
Χρησιμοποιήσαμε την Τοπολογική Ανάλυση Δεδομένων (TDA) και διάφορους ταξινομητές μηχανικής μάθησης για να αναλύσουμε το σύνολο δεδομένων. Αρχικά, εφαρμόστηκε η τεχνική Mapper, μια προσέγγιση TDA, για τον εντοπισμό υποκατηγοριών εντός προκαθορισμένων ομάδων θεραπείας. Ωστόσο, λόγω της υψηλής συσχέτισης και της έλλειψης επαρκών δεδομένων, αυτή η προσέγγιση δεν μπόρεσε να διακρίνει αποτελεσματικά τις υπάρχουσες κατηγορίες. Στη συνέχεια, χρησιμοποιήσαμε επιβλεπόμενες μεθόδους μηχανικής μάθησης όπως η πολυκατηγορική ταξινόμηση για την κατασκευή ενός μοντέλου πρόβλεψης ικανού να ταξινομήσει εικόνες σε τέσσερις κατηγορίες θεραπείας. Πραγματοποιήθηκε βελτιστοποίηση των υπερπαραμέτρων χρησιμοποιώντας το GridSearch και τη διασταυρούμενη επικύρωση για τη βελτίωση της ακρίβειας του μοντέλου.
Η μελέτη ενσωμάτωσε επίσης μεθόδους συνδυαστικής μάθησης, συγκεκριμένα το bagging και το stacking, για τη βελτίωση της ανθεκτικότητας και της απόδοσης του μοντέλου. Παρά τις προσπάθειες αυτές, η καλύτερη ακρίβεια που επιτεύχθηκε ήταν 0.64%, υποδεικνύοντας την ανάγκη για περαιτέρω βελτιώσεις. Χρησιμοποιήθηκε η Μέθοδος Αποκλεισμού Χαρακτηριστικών (RFE) για την ταυτοποίηση και αφαίρεση λιγότερο σημαντικών χαρακτηριστικών, η οποία δεν βελτίωσε σημαντικά τα αποτελέσματα. Ωστόσο, εστιάζοντας στα κύτταρα που αντιμετωπίστηκαν με κυτοκαλασίνη και τα κύτταρα τα οποία βρίσκονταν στη φυσική τους κατάσταση, που αντικατοπτρίζουν ότι η εσωτερίκευση είναι εξαρτώμενη από την ακτίνη, η ακρίβεια βελτιώθηκε σημαντικά, φθάνοντας το 0.91% με τη μέθοδο k-nearest neighbors (k-NN) και το 0.93% με τη μέθοδο με αντικατάσταση δειγμάτων.
Η έρευνα αυτή αναδεικνύει τις πολυπλοκότητες των μηχανισμών εσωτερίκευσης των εξωσωμάτων και υπογραμμίζει τη δυνατότητα συνδυασμού προσεγγίσεων τοπολογικής και μηχανικής μάθησης για την ενίσχυση της κατανόησης των κυτταρικών διαδικασιών. Οι μελλοντικές εργασίες θα στοχεύουν στην περαιτέρω βελτίωση αυτών των μεθοδολογιών, με έμφαση στην επέκταση του συνόλου δεδομένων και στη διερεύνηση πρόσθετων τεχνικών μηχανικής εκμάθησης για τη βελτίωση της προγνωστικής ακρίβειας και την αποκάλυψη βαθύτερων γνώσεων για το ρόλο των εξωσωμάτων στην κυτταρική ομοιόσταση.

Θετικές Επιστήμες

εξωσώματα, ανάλυση τοπολογικών δεδομένων, μηχανική μάθηση, ταξινόμηση πολλαπλών τάξεων, μέθοδοι συνόλου, μέθοδος με αντικατάσταση δειγμάτων, συνδυασμός δυαδικών ταξινομητών, μέθοδος στοίβαξης

Όχι

0

Ναι

3

74

Δεν επιτρέπεται η πρόσβαση στο αρχείο έως 2025-07-31.

https://pergamos.lib.uoa.gr/uoa/dl/object/3413077