Μέθοδοι μηχανικής εκμάθησης από δεδομένα μεγάλης κλίμακας με εφαρμογή στην ανάλυση δικτύων της μοριακής βιολογίας και των νευροεπιστημών

Περίληψη

Σε αυτή τη Διδακτορική Διατριβή ο σκοπός ήταν η δημιουργία και η ανάλυση βιολογικών δικτύων με χρήση μεθόδων Μηχανικής Εκμάθησης. Προς αυτή την κατεύθυνση αναπτύχθηκαν νέες μεθοδολογίες για την μοντελοποίηση, την ανακατασκευή και την ανάλυση των δικτύων, παρέχοντας έγκυρα βιολογικά αποτελέσματα. Διάφορες τεχνικές, όπως συσταδοποίηση, ταξινόμηση, παλινδρόμηση και επιλογή χαρακτηριστικών συνδυάστηκαν επιτυχώς με την ανάλυση της θεωρίας γράφων για την μελέτη διαφορετικών ειδών βιολογικών δικτύων. Συγκεκριμένα, εξετάστηκαν δίκτυα από μικροσκοπική κλίμακα σε επίπεδο κυττάρου ως μακροσκοπική κλίμακα σε επίπεδο εγκεφαλικών δικτύων, προερχόμενα από δεδομένα της Μοριακής Βιολογίας και των Νευροεπιστημών, αντίστοιχα. Η Συστημική Βιολογία μελετά τους μηχανισμούς του κυττάρου ως σύστημα, με κύριο εργαλείο την θεωρία γράφων και τη χρήση ετερογενών πειραματικών δεδομένων της Μοριακής Βιολογίας. Στα δίκτυα της Μοριακής Βιολογίας θεωρούνται τα γονίδια, τα μόρια RNA και οι πρωτεΐνες ως κόμβοι για την μ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

In this PhD Dissertation, the aim was creation and analysis of biological networks using Machine Learning methods. Towards this direction, new methodologies were developed for modelling, reconstruction and analysis of networks, providing valid biological results. Different techniques, such as clustering, classification, regression and feature selection were successfully combined with graph theoretical analysis to study different kinds of biological networks. Specifically, the examined networks varied from microscopic scale at the level of the cell to macroscopic scale at the level of the brain, derived from Molecular Biology and Neuroscience data, respectively.Systems Biology studies the cellular mechanisms as a system, using as a key tool the graph theory on heterogeneous experimental data of Molecular Biology. In Molecular Biology networks, genes, RNA molecules and proteins are considered as nodes for modelling the complex interaction of these entities and for analyzing their behavio ...
περισσότερα
Πρέπει να είστε εγγεγραμένος χρήστης για έχετε πρόσβαση σε όλες τις υπηρεσίες του ΕΑΔΔ  Είσοδος /Εγγραφή

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/43575
ND
43575
Εναλλακτικός τίτλος
Machine learning methods on large scale data with application in network analysis in molecular biology and neuroscience
Συγγραφέας
Δημητρακόπουλος, Γεώργιος Νικόλαος
Ημερομηνία
2018
Ίδρυμα
Πανεπιστήμιο Πατρών. Σχολή Πολυτεχνική. Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών. Εργαστήριο Ενσύρματης Τηλεπικοινωνίας
Εξεταστική επιτροπή
Σγάρμπας Κυριάκος
Μπεζεριάνος Αναστάσιος
Δερματάς Ευάγγελος
Μεγαλοοικονόμου Βασίλειος
Πέππας Παύλος
Μουστάκας Κωνσταντίνος
Μακρής Χρήστος
Επιστημονικό πεδίο
Φυσικές Επιστήμες
Επιστήμες Ηλεκτρονικών Υπολογιστών & Πληροφορικής
Μηχανική & Τεχνολογία
Βιοϊατρική Μηχανική
Λέξεις-κλειδιά
Μηχανική εκμάθηση; Γράφοι; Συστημική βιολογία; Υπολογιστικές νευροεπιστήμες
Χώρα
Ελλάδα
Γλώσσα
Ελληνικά
Άλλα στοιχεία
140 σ., εικ., πιν., σχημ., γραφ.
Ειδικοί όροι χρήσης/διάθεσης
Το έργο παρέχεται υπό τους όρους της δημόσιας άδειας του νομικού προσώπου Creative Commons Corporation:Creative Commons Αναφορά Δημιουργού Μη εμπορική Χρήση 3.0 Ελλάδα