Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/40442Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Μητρογιώργος, Δημήτριος | el |
| dc.date.accessioned | 2026-10-05T08:22:32Z | - |
| dc.date.available | 2026-10-05T08:22:32Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/40442 | - |
| dc.identifier.uri | http://dx.doi.org/10.26268/heal.uoi.20080 | - |
| dc.rights | Attribution-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nd/3.0/us/ | * |
| dc.subject | πρόβλεψη αλληλεπιδράσεων πρωτεϊνών | el |
| dc.subject | βαθιά μάθηση | |
| dc.subject | σιαμέζικο νευρωνικό δίκτυο | |
| dc.subject | αναπαραστάσεις αλληλουχιών | |
| dc.subject | ProtT5 | |
| dc.subject | βάση STRING | |
| dc.subject | βιοπληροφορική | |
| dc.title | Πρόβλεψη αλληλεπιδράσεων πρωτεϊνών από αλληλουχίες αμινοξέων με χρήση βαθιάς μάθησης | el |
| dc.type | masterThesis | en |
| heal.type | masterThesis | el |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.dateAvailable | 2026-10-05T08:23:33Z | - |
| heal.language | el | el |
| heal.access | free | el |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.publicationDate | 2026-09-20 | - |
| heal.abstract | Η πρόβλεψη αλληλεπιδράσεων πρωτεΐνης-πρωτεΐνης (ΑΠΠ) αποτελεί κρίσιμο πρόβλημα της βιοπληροφορικής, με άμεσες εφαρμογές στην κατανόηση κυτταρικών μηχανισμών και στην ανακάλυψη νέων θεραπευτικών στόχων. Στην παρούσα εργασία διερευνάται η δυνατότητα πρόβλεψης ΑΠΠ αποκλειστικά από αλληλουχίες αμινοξέων, αξιοποιώντας αναπαραστάσεις που παράγονται από το προ-εκπαιδευμένο γλωσσικό μοντέλο πρωτεϊνών ProtT5. Συγκεντρώθηκε σύνολο δεδομένων άνω των 330.000 ζευγών πρωτεϊνών από επτά διαφορετικά είδη, με βαθμολογίες αλληλεπίδρασης προερχόμενες από τη βάση δεδομένων STRING. Αναπτύχθηκαν και συγκρίθηκαν δύο αρχιτεκτονικές βαθιάς μάθησης: ένα Αντίληπτρο Βαθιάς Μάθησης, το οποίο συνδυάζει τις αναπαραστάσεις των δύο πρωτεϊνών μέσω του γινομένου Hadamard και της απόλυτης διαφοράς τους, και ένας Σιαμέζικος Ταξινομητής με κοινόχρηστο κωδικοποιητή, ο οποίος προβάλλει τις δύο πρωτεΐνες σε έναν κοινό λανθάνοντα χώρο πριν από τη σύγκρισή τους. Η αξιολόγηση των μοντέλων πραγματοποιήθηκε σε τρία πειραματικά σενάρια: ανά είδος ξεχωριστά, στο σύνολο του ενοποιημένου συνόλου δεδομένων, και σε είδη που απουσίαζαν πλήρως από την εκπαίδευση. Ο Σιαμέζικος Ταξινομητής υπερτερούσε σταθερά στα δύο πρώτα σενάρια, πετυχαίνοντας ακρίβεια 96% και F1 87,22% στο ενοποιημένο σύνολο δεδομένων, ενώ στο σενάριο γενίκευσης σε άγνωστα είδη παρουσίασε υψηλότερο AUC και ανάκληση, υποδεικνύοντας ισχυρή και μεταφέρσιμη διακριτική ικανότητα. Τα ευρήματα επιβεβαιώνουν ότι οι αναπαραστάσεις ProtT5 φέρουν επαρκή βιολογική πληροφορία για αξιόπιστη πρόβλεψη ΑΠΠ, ακόμη και χωρίς ρητή μοντελοποίηση της τρισδιάστατης δομής των πρωτεϊνών. | el |
| heal.abstract | Protein-protein interaction (PPI) prediction is a fundamental problem in bioinformatics, with direct implications for understanding cellular mechanisms and identifying novel therapeutic targets. This thesis investigates the feasibility of predicting PPIs directly from amino acid sequences, using representations generated by the pre-trained protein language model ProtT5. A dataset of over 330,000 protein pairs was compiled from seven different species, with interaction confidence scores obtained from the STRING database. Two deep learning architectures were developed and compared: a Deep Learning Perceptron, which combines the two protein representations through a Hadamard product and their absolute difference, and a Siamese Classifier with a shared encoder, which projects both proteins into a common latent space prior to their comparison. Model evaluation was carried out under three experimental scenarios: per-species cross-validation, cross-validation on the unified dataset, and generalization to species entirely absent from training. The Siamese Classifier consistently outperformed the perceptron in the first two scenarios, achieving 96% accuracy and an F1-score of 87.22% on the unified dataset, while in the cross-species generalization scenario it exhibited higher AUC and recall, indicating strong and transferable discriminative ability. These findings confirm that ProtT5 embeddings encode sufficient biological information to enable reliable PPI prediction, even without explicit modeling of protein three-dimensional structure. | en |
| heal.advisorName | Καρβέλης, Πέτρος | el |
| heal.committeeMemberName | Στύλιος, Χρυσόστομος | el |
| heal.committeeMemberName | Τσούλος, Ιωάννης | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.academicPublisherID | uoi | el |
| heal.numberOfPages | 69 | el |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΤΠΤ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| masters.pdf | 2.81 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
