Forecasting promising biological simulations at PhysiBoSS

Anesti Effrosyni

URI	http://purl.tuc.gr/dl/dias/5735281B-B012-4329-A4EE-6BD07DFC7464	-
Identifier	https://doi.org/10.26233/heallink.tuc.84787	-
Language	en	-
Extent	43 pages	el
Title	Forecasting promising biological simulations at PhysiBoSS	en
Title	Πρόβλεψη ελπιδοφόρων βιολογικών προσομοιώσεων στο εργαλείο PhysiBoSS	el
Creator	Anesti Effrosyni	en
Creator	Ανεστη Ευφροσυνη	el
Contributor [Thesis Supervisor]	Deligiannakis Antonios	en
Contributor [Thesis Supervisor]	Δεληγιαννακης Αντωνιος	el
Contributor [Committee Member]	Lagoudakis Michail	en
Contributor [Committee Member]	Λαγουδακης Μιχαηλ	el
Contributor [Committee Member]	Samoladas Vasilis	en
Contributor [Committee Member]	Σαμολαδας Βασιλης	el
Publisher	Πολυτεχνείο Κρήτης	el
Publisher	Technical University of Crete	en
Academic Unit	Technical University of Crete::School of Electrical and Computer Engineering	en
Academic Unit	Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
Content Summary	Since the existing biological multicellular systems are characterized by high complexity and heterogeneity, coupled with the fact that there has been a remarkable upsurge in computer science, in-silico methods based on mathematical models are in a great use. Specifically, they are particularly helpful when we must deal with diseases that have abnormal and unpredicted behavior, such as cancer or auto-immune ones. The need for understanding and curing such kind of diseases, led us to the integration of different modelling frameworks that take into account the intra- and the extra-cellular environment, as well as, the interplay between cells. Such an example is PhysiBoSS, that combines two other well-established frameworks to support its whole functionality and provide us a cell-fate decision model with an accurate representation of cells’ population variance through the time under a specific treatment and conditions. Considering the fact that not all PhysiBoSS simulations are hopeful, to facilitate the procedure of results’ collection and examination, the bad simulations must be excluded. This thesis’ goal is to design a distributed and parallel system that implements a forecasting algorithm on a great amount of real-time running simulations and decides about the sustainability or not of a simulation’s execution and finally maintains only the top k hopeful ones out of all the initial simulations. The algorithm’s performance was evaluated both locally and remotely/distributively, giving us very positive results.	en
Content Summary	Το γεγονός ότι η ύπαρξη βιολογικών πολυκύτταρων συστημάτων χαρακτηρίζεται από υψηλή πολυπλοκότητα και ετερογένεια, σε συνδυασμό με τη σημαντική εξέλιξη της επιστήμης των υπολογιστών, οδήγησαν στην αυξημένη χρήση των in-silico μεθόδων, βασισμένων σε μαθηματικά μοντέλα. Συγκεκριμένα, είναι ιδιαίτερα χρήσιμα όταν πρόκειται να μιλήσουμε για ασθένειες με μη φυσιολογική και απρόβλεπτη απόκριση, όπως είναι ο καρκίνος ή τα αυτό-άνοσα νοσήματα. Η ανάγκη για την κατανόηση και θεραπεία τέτοιου είδους ασθενειών, οδήγησε στη δημιουργία διαφορετικών μοντελοποιημένων εργαλείων, τα οποία συνυπολογίζουν το ενδο- και εξω-κυτταρικό περιβάλλον, καθώς και την αλληλεπίδραση μεταξύ των κυττάρων. Ένα τέτοιο παράδειγμα είναι το PhysiBoSS, το οποίο συνδυάζει δύο (2) άλλα ήδη σαφώς ορισμένα εργαλεία, για να υποστηρίξει την όλη λειτουργικότητά του και να παράξει τελικά, ένα μοντέλο απόφασης περί κυτταρικής μοίρας μέσω μίας ακριβής αναπαράστασης της μεταβολής του πληθυσμού των κυττάρων στο διάστημα του χρόνου, υπό ορισμένες συνθήκες και θεραπεία. Λαμβάνοντας υπόψιν το γεγονός ότι δεν είναι ελπιδοφόρες όλες οι προσομοιώσεις του εργαλείου, προκειμένου να διευκολύνουμε τη διαδικασία της διαλογής και μελέτης των αποτελεσμάτων, οι κακές προσομοιώσεις πρέπει να εξαιρεθούν. Επομένως, ο στόχος της παρούσας διπλωματικής είναι η σχεδίαση ενός παράλληλου και κατανεμημένου συστήματος, το οποίο εφαρμόζει έναν αλγόριθμο πρόβλεψης σε ένα μεγάλο πλήθος τρεχουσών προσομοιώσεων και αποφασίζει για τη συνέχιση ή όχι της εκτέλεσής της και τέλος ανιχνεύει και κρατά μόνο τις k πιο ελπιδοφόρες εκ του ομαδοποιημένου συνόλου προσομοιώσεων. Κλείνοντας, η απόδοση του αλγορίθμου ελέγχθηκε τοπικά και απομακρυσμένα, επιφέροντας θετικά αποτελέσματα.	el
Type of Item	Διπλωματική Εργασία	el
Type of Item	Diploma Work	en
License	http://creativecommons.org/licenses/by/4.0/	en
Date of Item	2020-02-27	-
Date of Publication	2020	-
Subject	PhysiBoSS	en
Subject	TNF	en
Subject	Cancer	en
Subject	Cells	en
Subject	Simulations	en
Subject	Data analysis	en
Subject	Distributed system	en
Bibliographic Citation	Effrosyni Anesti, "Forecasting promising biological simulations at PhysiBoSS", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2020	en
Bibliographic Citation	Ευφροσύνη Ανέστη, "Πρόβλεψη ελπιδοφόρων βιολογικών προσομοιώσεων στο εργαλείο PhysiBoSS", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2020	el

Search

Browse

My Space

Forecasting promising biological simulations at PhysiBoSS

Anesti Effrosyni

Available Files

Services

Export

Share

Statistics

Metadata & Content in a METS Package:

Metadata in Format: