Μηχανική μάθηση για την ανάλυση μεγάλων βιολογικών δεδομένων

Περίληψη

H παρούσα διδακτορική διατριβή εντάσσεται στα πλαίσια των ερευνητικών περιοχών της Βιοπληροφορικής και της Ανάλυσης Μεγάλων Δεδομένων με Μηχανική Μάθηση. Πρωταρχικό στόχο αποτελεί η ανάπτυξη υπολογιστικών μοντέλων ικανών να εξάγουν χρήσιμες πληροφορίες από την επεξεργασία βιολογικών δεδομένων, που θα οδηγήσουν στη διεύρυνση της γνώσης σε ανοιχτά βιολογικά ζητήματα. Η έρευνα εστιάζει σε δύο βιολογικούς στόχους, στην αναγνώριση μικρών ανοικτών παραθύρων ανάγνωσης (sORFs) που κωδικοποιούν πρωτεΐνες και στη ρύθμιση της έκφρασης κωδικών και μη κωδικών γονιδίων. Τα τελευταία χρόνια έχει αναγνωριστεί μια αυξανόμενη ποικιλία πεπτιδίων μικρότερων των 100 κωδικονίων σε διάφορους οργανισμούς, από βακτήρια έως ανθρώπους, τα οποία δρουν ως ρυθμιστές πολλών κρίσιμων διαδικασιών όπως ο μεταβολισμός, η ανάπτυξη, και ο κυτταρικός θάνατος. Επιπρόσθετα με τις αλληλουχίες που κωδικοποιούν μεγάλες πρωτεΐνες, υπάρχουν πολλά μικρά ανοιχτά πλαίσια ανάγνωσης που επεξεργάζονται από τον μεταφραστικό μηχανισμό τ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

This doctoral dissertation is part of the research areas of Bioinformatics and Big Data Analysis with Machine Learning. The primary goal is to develop computer models capable of extracting useful information from the processing of biological data, which will lead to the expansion of knowledge on open biological issues. The research focuses on two biological objectives, the functional characterization of small open reading frames (sORFs) and the regulation of coding and non-coding gene expression. Recently, an increasing variety of peptides of less than 100 codons have been identified in various organisms, from bacteria to humans, which act as regulators of many critical processes such as metabolism, growth, and cell death. In addition to the sequences encoding large proteins, there are many small open reading frames that are processed by the cell translation mechanism to produce small peptides. Small peptide chains are usually not recorded in proteomic annotations as due to their small ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/48802
ND
48802
Εναλλακτικός τίτλος
Machine learning for big biological data analysis
Συγγραφέας
Περδικοπάνης, Νικόλαος του Παναγιώτης
Ημερομηνία
2021
Ίδρυμα
Πανεπιστήμιο Θεσσαλίας. Σχολή Πολυτεχνική. Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Ηλεκτρονικών Υπολογιστών
Εξεταστική επιτροπή
Χατζηγεωργίου Άρτεμις
Σταμούλης Γεώργιος
Τσομπανοπούλου Παναγιώτα
Μπάγκος Παντελεήμων
Βασιλάκης Κωνσταντίνος
Γιαννακάκης Αντώνιος
Λέπουρας Γεώργιος
Επιστημονικό πεδίο
Φυσικές ΕπιστήμεςΕπιστήμες Ηλεκτρονικών Υπολογιστών & Πληροφορικής ➨ Διεπιστημονικές εφαρμογές επιστήμης ηλεκτρονικών υπολογιστών
Φυσικές ΕπιστήμεςΒιολογία ➨ Μαθηματική και Υπολογιστική βιολογία
Λέξεις-κλειδιά
Μηχανική μάθηση; Βιοπληροφορική; Υποκινητής ΕΑ, ΕΒ γονιδίου; Ανοικτά πλαίσια ανάγνωσης
Χώρα
Ελλάδα
Γλώσσα
Ελληνικά
Άλλα στοιχεία
145 σ., εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)