Εντοπίστηκε ένα σφάλμα στη λειτουργία της ΠΥΞΙΔΑΣ όταν χρησιμοποιείται μέσω του προγράμματος περιήγησης Safari. Μέχρι να αποκατασταθεί το πρόβλημα, προτείνουμε τη χρήση εναλλακτικού browser όπως ο Chrome ή ο Firefox. A bug has been identified in the operation of the PYXIDA platform when accessed via the Safari browser. Until the problem is resolved, we recommend using an alternative browser such as Chrome or Firefox.
Λογότυπο αποθετηρίου

Πλοήγηση ανά Επιβλέπων "Papastamoulis, Panagiotis"

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Φιλτράρετε τα αποτελέσματα πληκτρολογώντας τα πρώτα γράμματα
Τώρα δείχνει 1 - 1 από 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Microarray data analysis
    (2025-03-13) Κασιάν-Παναγιωτοπούλου, Αλίνα; Kasian-Panagiotopoulou, Alina; Demiris, Nikolaos; Pedeli, Xanthi; Papastamoulis, Panagiotis
    Η τεχνολογία μικροσυστοιχιών έχει φέρει επανάσταση στον τομέα της γονιδιωματικής, επιτρέποντας την ποσοτική μέτρηση των επιπέδων έκφρασης χιλιάδων γονιδίων σε ένα μόνο πείραμα. Αυτή η τεχνολογία υψηλής διαπερατότητας υπήρξε καθοριστική για την κατανόηση βιολογικών διεργασιών, την αναγνώριση βιοδεικτών για ασθένειες και τη μελέτη μοριακών μονοπατιών πολλών καταστάσεων. Ωστόσο, η ανάλυση δεδομένων μικροσυστοιχιών, αν και εξαιρετικά ισχυρή, συνοδεύεται από σοβαρά στατιστικά προβλήματα λόγω της υψηλής διάστασης των δεδομένων, της εγγενούς μεταβλητότητας και της ανάγκης για ανθεκτικές μεθόδους που να μπορούν να εξάγουν ουσιαστικές βιολογικές πληροφορίες. Μία από τις σημαντικότερες προκλήσεις στην ανάλυση δεδομένων μικροσυστοιχιών είναι αυτή των πολλαπλών υποθέσεων. Με χιλιάδες γονίδια να εξετάζονται ταυτόχρονα για διαφορική έκφραση, η εφαρμογή παραδοσιακών στατιστικών μεθόδων οδηγεί σε αύξηση των ψευδώς θετικών ευρημάτων, γεγονός που καθιστά αναγκαία τη χρήση διορθώσεων που εξισορροπούν το πλήθος των ψευδών ανακαλύψεων με τη στατιστική ισχύ. Η προσέγγιση του Ρυθμού Ψευδών Ανακαλύψεων (False Discovery Rate - FDR) των Benjamini και Hochberg (1995) αποτελεί μία από τις πιο διαδεδομένες μεθόδους για τη ρύθμιση των ψευδών θετικών αποτελεσμάτων και την επίτευξη υψηλής ευαισθησίας. Στην παρούσα διπλωματική εργασία εξετάζονται διάφορες μέθοδοι ελέγχου πολλαπλών υποθέσεων, από τις ιδιαίτερα συντηρητικές παραδοσιακές προσεγγίσεις όπως η διόρθωση Bonferroni έως τις πλέον σύγχρονες και εξελιγμένες στρατηγικές βασισμένες στο FDR, και αξιολογείται η εφαρμογή τους σε δεδομένα μικροσυστοιχιών. Ένα ακόμη κεντρικό ζήτημα στην ανάλυση μικροσυστοιχιών αποτελεί η αναγνώριση διαφορετικά εκφραζόμενων γονιδίων (Differentially Expressed – DE). Το πακέτο limma, το οποίο βασίζεται σε γραμμικά μοντέλα και εμπειρική εξομάλυνση της διασποράς μέσω Bayes, έχει καθιερωθεί ως πρότυπο για την ανίχνευση διαφορικής έκφρασης σε μελέτες μικροσυστοιχιών. Στην παρούσα εργασία, το limma συγκρίνεται με τα παραδοσιακά t-tests και η απόδοσή τους αξιολογείται υπό διάφορες συνθήκες, όπως διαφορετικά μεγέθη επίδρασης, δείγματος και επίπεδα θορύβου. Μέσω διαφορετικών σεναρίων προσομοίωσης και εφαρμογής των μεθόδων σε πραγματικά δεδομένα μικροσυστοιχιών, αναδεικνύονται τα πλεονεκτήματα των εμπειρικών μεθόδων Bayes όσον αφορά τη μείωση της αβεβαιότητας στην εκτίμηση της διασποράς και την αύξηση της στατιστικής ισχύος. Πέρα από την ανάλυση διαφορικής έκφρασης, το clustering παίζει καθοριστικό ρόλο στην αναγνώριση προτύπων στα γονιδιακά δεδομένα έκφρασης. Οι παραδοσιακές μέθοδοι, όπως hierachical clustering και το k-means, χρησιμοποιούνται ευρέως αλλά παρουσιάζουν σημαντικούς περιορισμούς, όπως ευαισθησία στο θόρυβο και αδυναμία προσδιορισμού του βέλτιστου αριθμού clusters. Για την αντιμετώπιση αυτών των προκλήσεων, χρησιμοποιούνται μεθοδολογίες βασισμένες σε μοντέλα όπως τα Gaussian Mixture Models - GMMs και προχωρημένες Bayesian προσεγγίσεις όπως το PUMA-CLUST, οι οποίες προσφέρουν ένα μαθηματικό πλαίσιο για την ανάλυση clusters σε δεδομένα μικροσυστοιχιών. Στην εργασία αυτή εξετάζονται διάφορες τεχνικές clustering, αξιολογείται η απόδοσή τους υπό διαφορετικές συνθήκες και αναδεικνύεται η συμβολή των πιθανοθεωρητικών μοντέλων στη βελτίωση της σταθερότητας και της ερμηνευσιμότητας των clusters. Συνολικά, η εργασία παρουσιάζει μία εκτενή επισκόπηση στατιστικών και υπολογιστικών μεθόδων για την ανάλυση δεδομένων μικροσυστοιχιών, καλύπτοντας τις θεματικές των πολλαπλών υποθέσεων, της διαφορικής έκφρασης και του clustering. Μέσα από τον συνδυασμό θεωρίας και εφαρμογής, αποσαφηνίζονται τα πλεονεκτήματα και οι περιορισμοί κάθε μεθόδου, προσφέροντας ένα δομημένο πλαίσιο για την ανάλυση υψηλής διάστασης γονιδιακών εκφράσεων. Τα συμπεράσματα της εργασίας συμβάλλουν στην ανάπτυξη πιο αξιόπιστων και ισχυρών μεθοδολογιών για την εξαγωγή βιολογικά ερμηνεύσιμων πληροφοριών από πειράματα μικροσυστοιχιών.