Ανάπτυξη και εφαρμογή παραγωγικών ανταγωνιστικών δικτύων (Generative advarsarial networks, “GANs”) σε βιολογικά δεδομένα
| datacite.contributor.RelatedPerson | Μακρής, Χρήστος | |
| datacite.contributor.RelatedPerson | Σιούτας, Σπυρίδων | |
| datacite.contributor.Supervisor | Μαυρουδή, Σεφερίνα | |
| dc.contributor.author | Χατζηνικολάου, Μάρκος | |
| dc.contributor.other | Chatzinikolaou, Markos | |
| dc.date.accessioned | 2025-11-04T09:49:09Z | |
| dc.date.available | 2025-11-04T09:49:09Z | |
| dc.date.issued | 2025-10-19 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | H Τεχνητή Νοημοσύνη έχει μετασχηματίσει ραγδαία πολλά επιστημονικά πεδία και τα Παραγωγικά Ανταγωνιστικά Δίκτυα (GANs) αποτελούν μια αποτελεσματική τεχνική για τη δημιουργία συνθετικών δεδομένων που είναι αδιαχώριστα από τα αληθινά. Αν και τα GANs έχουν χρησιμοποιηθεί κυρίως στη παραγωγή εικόνων, οι πιθανές τους εφαρμογές στο να παραγάγουν βιολογικές ακολουθίες παραμένει ως επί των πλείστων ανεξερεύνητη. Επειδή η διαδικασία προσκόμισης αλληλουχιών και ορθού χαρακτηρισμού τους μέσω ετικετών είναι δαπανηρή και χρονοβόρα, υπάρχει μια διαρκής έλλειψη επισημασμένων σύντομων ακολουθιών RNA, ζήτημα που πραγματεύεται η παρούσα διατριβή. Η προσέγγιση που προτείνουμε βασίζεται σε GANs, για την παραγωγή των υποψηφίων συνθετικών ακολουθιών RNA που είναι βιολογικά υλοποιήσιμες προσφέροντας μια επεκτάσιμη και οικονομικότερη εναλλακτική λύση στην συνήθης προσκόμιση συνόλων δεδομένων. Τρεις διακριτές προσεγγίσεις εφαρμόστηκαν σε διάφορα στάδια λειτουργίας των GANs -πριν, κατά τη διάρκεια, και μετά τη δημιουργία- με στόχο τη βέλτιστη απόδοση, και η ακρίβεια και η αποδοτικότητά τους αξιολογήθηκαν συστηματικά. Τα αποτελέσματα που συλλέξαμε δείχνουν ότι τα βελτιστοποιημένα GANs μπορούν να παραγάγουν συνθετικές ακολουθίες RNA κατάλληλες για μελλοντική χρήση σε πειράματά, μειώνοντας σημαντικά τα εμπόδια που προκύπτουν από περιορισμένα σύνολα δεδομένων. Η εργασία αυτή θέτει μια μεθοδολογική βάση για μελλοντικές εφαρμογές της τεχνητής νοημοσύνης στην έρευνα που βασίζεται σε ακολουθίες και αναδεικνύει τις δυνατότητες των γενετικών μοντέλων στη βιοπληροφορική. | |
| dc.description.translatedabstract | Artificial intelligence (AI) has quickly transformed many scientific fields and Generative Adversarial Networks (GANs) have become a potent technique for creating realistic synthetic data. Although GANs have been used extensively in picture synthesis, little is known about the extent to which they can generate biological sequences. Because sequencing is expensive and time-consuming, there is a continuing lack of labeled short RNA sequences, which will be addressed in this thesis. We provide a GAN-based approach to produce synthetic RNA candidates that are biologically viable, offering a scalable and economic alternative for conventional dataset curation. Three distinct approaches were applied at various points in the GAN pipeline - before, during, and after generation - to achieve the best performance, and their accuracy and efficiency were consistently assessed. The results we obtained indicate that optimized GANs can generate synthetic RNA sequences suitable for experimental use later on, greatly reducing obstacles that result from sparse datasets. This work sets up a methodological basis for future AI applications in sequence-based research and demonstrates the potential of generative models in computational biology. | |
| dc.identifier.uri | https://hdl.handle.net/10889/30935 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial-ShareAlike 3.0 Greece | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | |
| dc.subject | Μηχανική μάθηση | |
| dc.subject | Νευρωνικά δίκτυα | |
| dc.subject | Παραγωγικά ανταγωνιστικά δίκτυα | |
| dc.subject | Βιοπληροφορική | |
| dc.subject.alternative | Machine learning | |
| dc.subject.alternative | Neural networks | |
| dc.subject.alternative | ncRNA | |
| dc.subject.alternative | Bioinformatics | |
| dc.title | Ανάπτυξη και εφαρμογή παραγωγικών ανταγωνιστικών δικτύων (Generative advarsarial networks, “GANs”) σε βιολογικά δεδομένα | |
| dc.title.alternative | Application and optimization of GANs for use in biological data |