Big data analytics for exposomics: ionizing radiation, data harvesting, and environmental modulation

Abstract

This doctoral dissertation develops an integrated computational framework for exposomics, the study of how environmental exposures accumulate and interact over time to influence biological function and human health. The research focuses on two physical environmental factors, ultraviolet and ionizing radiation, which are examined not as isolated risk variables but as dynamic, structured signals acting across molecular, biological, and population levels. The theoretical and methodological foundation of the dissertation is systems radiobiology. In contrast to classical approaches that focus on individual endpoints, the proposed framework uses gene expression, biological pathway activity, and molecular network behavior to identify subtle, nonlinear, and temporally distributed responses to low-dose radiation. This approach requires analytical infrastructures capable of handling large, heterogeneous, and high-dimensional datasets, with particular emphasis on reproducibility and interpretability. The first major contribution investigates ultraviolet radiation as a seasonal environmental modulator of COVID-19 dynamics. A multivariable dataset was developed by integrating epidemiological, environmental, socioeconomic, and policy-related indicators across multiple countries and time periods. Through time-series analysis, normalization, non-parametric association measures, lagged correlations, and comparisons between the two hemispheres, consistent seasonal and hemispheric patterns were identified. These findings are compatible with the hypothesis that ultraviolet radiation acts as one of several environmental factors shaping epidemic dynamics. The second contribution is the development of BRIDE v2, a curated gene collection designed to support the study of low-dose ionizing-radiation responses in the mammalian brain. The resource integrates dispersed transcriptomic evidence and is organized according to recurrence of findings, biological coherence, and relevance to critical processes, including DNA-damage response, oxidative stress, immune signaling, mitochondrial function, and neuroinflammation. The third contribution is the Composite Morbidity Index (CMI), an interpretable composite indicator that integrates normalized epidemiological and environmental features. The index was developed using XGBoost and SHAP so that the contribution of each variable remains transparent and can be compared across regions, time periods, and seasonal conditions. Overall, the dissertation brings these contributions together within a multi-layer analytics and decision-support framework connecting environmental exposure, biological response, and population-level morbidity. Exposure signals, molecular responses, and epidemiological indicators are maintained as distinct but interacting analytical layers rather than being collapsed into a single opaque model. A central principle throughout the dissertation is that interpretability is not an optional technical feature but a fundamental scientific requirement. In complex exposure environments, meaningful analysis must extend beyond correlation and prediction toward reasoning that is transparent, biologically grounded, reproducible, and useful for decision-making in public health, environmental regulation, occupational health, and biomedical research.

Η παρούσα διδακτορική διατριβή αναπτύσσει ένα ολοκληρωμένο υπολογιστικό πλαίσιο για την exposomics, δηλαδή τη μελέτη του τρόπου με τον οποίο οι περιβαλλοντικές εκθέσεις, καθώς συσσωρεύονται και αλληλεπιδρούν στον χρόνο, επηρεάζουν τη βιολογική λειτουργία και την ανθρώπινη υγεία. Η έρευνα εστιάζει σε δύο φυσικούς περιβαλλοντικούς παράγοντες, την υπεριώδη και την ιοντίζουσα ακτινοβολία, οι οποίοι εξετάζονται όχι ως απομονωμένες μεταβλητές κινδύνου, αλλά ως δυναμικά και δομημένα σήματα με επιδράσεις σε μοριακό, βιολογικό και πληθυσμιακό επίπεδο. Το θεωρητικό και μεθοδολογικό υπόβαθρο της διατριβής θεμελιώνεται στη συστημική ακτινοβιολογία. Σε αντίθεση με τις κλασικές προσεγγίσεις, που επικεντρώνονται σε μεμονωμένα τελικά σημεία, η προτεινόμενη προσέγγιση αξιοποιεί τη γονιδιακή έκφραση, τη δραστηριότητα βιολογικών μονοπατιών και τη συμπεριφορά μοριακών δικτύων, ώστε να αναδειχθούν λεπτές, μη γραμμικές και χρονικά κατανεμημένες αποκρίσεις σε χαμηλές δόσεις ακτινοβολίας. Η προσέγγιση αυτή απαιτεί υποδομές ανάλυσης μεγάλων, ετερογενών και υψηλής διαστασιμότητας δεδομένων, με έμφαση στην αναπαραγωγιμότητα και την ερμηνευσιμότητα. Η πρώτη κύρια συμβολή αφορά τη διερεύνηση της υπεριώδους ακτινοβολίας ως εποχικού περιβαλλοντικού διαμορφωτή της δυναμικής της COVID-19. Αναπτύχθηκε πολυμεταβλητό σύνολο δεδομένων που συνδύασε επιδημιολογικούς, περιβαλλοντικούς, κοινωνικοοικονομικούς και πολιτικούς δείκτες σε πολλές χώρες και χρονικές περιόδους. Μέσω ανάλυσης χρονοσειρών, κανονικοποίησης, μη παραμετρικών συσχετίσεων, χρονικών υστερήσεων και συγκρίσεων μεταξύ των δύο ημισφαιρίων, εντοπίστηκαν συνεπή εποχικά και ημισφαιρικά μοτίβα, συμβατά με την υπόθεση ότι η υπεριώδης ακτινοβολία λειτουργεί ως ένας από τους περιβαλλοντικούς παράγοντες που διαμορφώνουν την επιδημική δυναμική. Η δεύτερη συμβολή είναι η ανάπτυξη του BRIDE v2, μιας επιμελημένης συλλογής γονιδίων για τη μελέτη αποκρίσεων χαμηλής δόσης ιοντίζουσας ακτινοβολίας στον εγκέφαλο των θηλαστικών. Η συλλογή ενοποιεί διάσπαρτα μεταγραφομικά δεδομένα και οργανώνεται με βάση την επανεμφάνιση των ευρημάτων, τη βιολογική συνοχή και τη συνάφεια με κρίσιμες λειτουργίες, όπως η απόκριση σε βλάβες DNA, το οξειδωτικό στρες, η ανοσολογική σηματοδότηση, η μιτοχονδριακή λειτουργία και η νευροφλεγμονή. Η τρίτη συμβολή είναι ο Composite Morbidity Index (CMI), ένας ερμηνεύσιμος σύνθετος δείκτης που ενσωματώνει κανονικοποιημένα επιδημιολογικά και περιβαλλοντικά χαρακτηριστικά. Ο δείκτης αναπτύχθηκε με XGBoost και SHAP, ώστε η συμβολή κάθε μεταβλητής να είναι διαφανής και συγκρίσιμη μεταξύ περιοχών και εποχών. Συνολικά, η διατριβή συνθέτει τις παραπάνω συνεισφορές σε ένα πολυεπίπεδο πλαίσιο ανάλυσης και υποστήριξης αποφάσεων, το οποίο συνδέει την περιβαλλοντική έκθεση, τη βιολογική απόκριση και τη νοσηρότητα σε επίπεδο πληθυσμού. Κεντρική θέση κατέχει η αρχή ότι η ερμηνευσιμότητα δεν αποτελεί πρόσθετο τεχνικό χαρακτηριστικό, αλλά βασική επιστημονική απαίτηση για την αξιόπιστη αξιοποίηση σύνθετων δεδομένων στη δημόσια υγεία, την περιβαλλοντική ρύθμιση, την επαγγελματική υγεία και τη βιοϊατρική έρευνα.