Μοντέλο μηχανικής μάθησης για τη μελέτη της δυναμικής βιομορίων
| datacite.contributor.RelatedPerson | Πασπαράκης, Γεώργιος | |
| datacite.contributor.RelatedPerson | Κουζούδης, Δημήτρης | |
| datacite.contributor.Supervisor | Δασκαλάκης, Βαγγέλης | |
| dc.contributor.author | Νίτας, Παναγιώτης | |
| dc.contributor.other | Nitas, Panagiotis | |
| dc.date.accessioned | 2025-07-10T10:11:27Z | |
| dc.date.available | 2025-07-10T10:11:27Z | |
| dc.date.issued | 2025-07-08 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Η πρωτονίωση των όξινων καταλοίπων μιας πρωτεΐνης αποτελεί έναν από τους πιο σημαντικούς παράγοντες που επηρεάζουν τη σταθερότητα, τη δομή και τη λειτουργία της. Παρ’ όλα αυτά, η αξιόπιστη πρόβλεψή της, ειδικά σε συνθήκες που προσομοιάζουν το βιολογικό περιβάλλον, δεν είναι καθόλου εύκολη υπόθεση. Στην παρούσα διπλωματική εργασία πραγματοποιήθηκε προσπάθεια ανάπτυξης ενός υπολογιστικού συστήματος βασισμένου σε τεχνικές μηχανικής μάθησης, με στόχο την πρόβλεψη της πρωτονιωτικής κατάστασης των όξινων καταλοίπων γλουταμικού (GLU) και ασπαρτικού (ASP), χρησιμοποιώντας στοιχεία από το μικροπεριβάλλον τους μέσα από τις τρισδιάστατες δομές των πρωτεϊνών. Για την επίτευξη αυτού του στόχου αναπτύχθηκαν από την αρχή scripts σε Python, τα οποία αναλύουν το γειτονικό περιβάλλον κάθε καταλοίπου και καταγράφουν τα χαρακτηριστικά των γειτονικών ατόμων, ώστε στη συνέχεια να τροφοδοτούνται σε ένα νευρωνικό δίκτυο για εκπαίδευση. Η εστίαση στα κατάλοιπα GLU και ASP έγινε λόγω της συχνής παρουσίας τους σε ενεργά κέντρα ενζύμων και της ιδιαίτερης συμπεριφοράς τους κοντά στο φυσιολογικό pH. Τα αποτελέσματα ήταν αρκετά ενθαρρυντικά, παρουσιάζοντας ικανοποιητική ακρίβεια στις προβλέψεις (f1score κοντά στο 0.7), ενώ παράλληλα ανέδειξαν μελλοντικές δυνατότητες εξέλιξης, όπως η επέκταση της μεθοδολογίας σε άλλα κατάλοιπα (π.χ. ιστιδίνη), η υποστήριξη περίπλοκων pdb αρχείων με υδρογόνα ή και τη αξιοποίηση δεδομένων από δυναμικές προσομοιώσεις. Συνολικά, η εργασία αυτή ανέδειξε ότι η τεχνητή νοημοσύνη μπορεί να αποτελέσει ένα ιδιαίτερα χρήσιμο εργαλείο για τις βιομοριακές μελέτες, συνεισφέροντας στην αυτοματοποίηση και στην εξοικονόμηση χρόνου. Παρά την πολυπλοκότητα που συνεπάγεται η συνεχής «κίνηση» και προσαρμογή των βιομορίων, το μοντέλο κατάφερε να ανταποκριθεί με επιτυχία, ανοίγοντας τον δρόμο για πιο σύγχρονες και αξιόπιστες εφαρμογές που θα υποστηρίξουν τη βαθύτερη κατανόηση της πρωτεϊνικής λειτουργίας στο μέλλον. | |
| dc.description.translatedabstract | The protonation state of ionizable residues of a protein is one of the most important factors affecting its stability, structure and function. However, its reliable prediction, especially under conditions simulating the biological environment, is far from easy. In this thesis, an attempt was made to develop a computational system based on machine learning techniques to predict the protonation state of glutamate (GLU) and aspartic acid residues (ASP) using data from their microenvironment, through the 3D structures of the proteins. To achieve this goal, scripts in Python were developed from the beginning, which analyse the neighborhood of each residue and record the characteristics of the neighboring individuals, so that they can then be fed into a neural network for training. The focus on GLU and ASP residues was chosen due to their frequent presence in active enzyme centers and their behavior near physiological pH. The results were quite encouraging, showing satisfactory accuracy in predictions (f1score close to 0.7), while highlighting future development possibilities, such as extending the methodology to other residues (e.g. histidine), supporting complex pdb files with hydrogen or exploiting data from dynamic simulations. Overall, this work has shown that AI can be a particularly useful tool for biomolecular studies, contributing to automation and time savings. Despite the complexity involved in the constant “movement” and adaptation of biomolecules, the model was able to successfully meet the challenges, paving the way for more modern and reliable applications that will support a deeper understanding of protein function in the future. | |
| dc.identifier.uri | https://hdl.handle.net/10889/30056 | |
| dc.language.iso | el | |
| dc.subject | Μηχανική μάθηση | |
| dc.subject | Νευρωνικά δίκτυα | |
| dc.subject | Πρωτονίωση | |
| dc.subject | Βιομόρια | |
| dc.subject.alternative | Machine Learning | |
| dc.subject.alternative | Neural networks | |
| dc.subject.alternative | Protonation | |
| dc.subject.alternative | Biomolecules | |
| dc.title | Μοντέλο μηχανικής μάθησης για τη μελέτη της δυναμικής βιομορίων | |
| dc.title.alternative | Machine learning model for the study of biomolecule dynamics |