Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Εύρεση της καλύτερης σύνθεσης για βιολογικές προσομοιώσεις στο PhysiBoSS

Tsolekas Marios

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/7A31F686-6AE3-4B9F-ABF7-639669AA09A4-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.89720-
Γλώσσαen-
Μέγεθος44 pagesen
Μέγεθος4,5 megabytesen
ΤίτλοςFinding the best configuration for biological simulations at PhysiBoSSen
ΤίτλοςΕύρεση της καλύτερης σύνθεσης για βιολογικές προσομοιώσεις στο PhysiBoSS el
ΔημιουργόςTsolekas Mariosen
ΔημιουργόςΤσολεκας Μαριοςel
Συντελεστής [Επιβλέπων Καθηγητής]Deligiannakis Antoniosen
Συντελεστής [Επιβλέπων Καθηγητής]Δεληγιαννακης Αντωνιοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Lagoudakis Michailen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Λαγουδακης Μιχαηλel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Samoladas Vasilisen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Σαμολαδας Βασιληςel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Electrical and Computer Engineeringen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
ΠερίληψηBiological simulations for simulating large cell populations have become a necessary tool in modern science and the software that has been developed with that goal in mind is complex, having to emulate not only how neighboring cells interact with each other, but also how external stimuli and environmental factors affect the population as a whole and how it affects groups of it. It is of no surprise then, that these simulations have a considerable execution time, which makes it time consuming to exhaustively run those simulations for different configurations in search of an optimal result. The system presented in this thesis ventures to remedy that problem by leveraging Bayesian optimization to stochastically find that optimal configuration, for PhysiBoSS’s biological simulations, that minimizes the number of alive cancer cells. By treating simulations as black box functions and modeling them based on samples selected by an acquisition function, it is possible to rapidly converge to an optimal configuration that corresponds to the desired global optima using only a small number of simulations, for example in a search space of a few thousand data points this process would require less than fifty samples.en
ΠερίληψηΟι βιολογικές προσομοιώσεις με στόχο την προσομοίωση μεγάλων πληθυσμών κυττάρων έχουν καθιερωθεί πλέον ως ένα απαραίτητο εργαλείο της μοντέρνας επιστήμης και το λογισμικό που έχει αναπτυχθεί με αυτόν τον σκοπό κατά νου είναι περίπλοκο, καθώς χρειάζεται να προσομοιώσει όχι μόνο την αλληλεπίδραση των γειτονικών κυττάρων, αλλά και το πώς επηρεάζεται το καθένα από εξωτερικούς ερεθισμούς, καθώς και πως επηρεάζονται ομάδες εξ αυτών. Βάσει των παραπάνω δεν καθιστά έκπληξη το ότι αυτές οι προσομοιώσεις έχουν αρκετά μεγάλο χρόνο εκτέλεσης, πράγμα που καθιστά δύσκολη και χρονοβόρα την εκτέλεσή τους για κάθε δυνατό συνδυασμό παραμέτρων σε αναζήτηση ενός βέλτιστου αποτελέσματος. Το σύστημα που παρουσιάζεται σε αυτή την διπλωματική εργασία έχει ως στόχο την επίλυση αυτού του προβλήματος, χρησιμοποιώντας την μέθοδο της Μπαεσιανής βελτιστοποίησης για να βρει στοχαστικά έναν βέλτιστο συνδυασμό παραμέτρων, για τις βιολογικές προσομοιώσεις του PhysiBoSS, ο οποίος θα ελαχιστοποιεί τον αριθμό των ζωντανών καρκινικών κυττάρων. Θεωρώντας τις προσομοιώσεις αυτές ως συναρτήσεις «μαύρα κουτιά» και μοντελοποιώντας τες βάσει δειγμάτων που επιλέγονται από μια συνάρτηση απόκτησης, καθίσταται δυνατό να συγκλίνει γοργά το σύστημα σε έναν βέλτιστο συνδυασμό παραμέτρων που αντιστοιχεί στο επιθυμητό ολικό μέγιστο ή ελάχιστο, εκτελώντας έναν πολύ μικρό αριθμό προσομοιώσεων, για παράδειγμα, σε έναν χώρο αναζήτησης μερικών χιλιάδων σημείων η διαδικασία αυτή θα χρειαστεί λιγότερα από πενήντα δείγματα.el
ΤύποςΔιπλωματική Εργασίαel
ΤύποςDiploma Worken
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2021-07-20-
Ημερομηνία Δημοσίευσης2021-
Θεματική ΚατηγορίαBayesian optimizationen
Θεματική ΚατηγορίαPhysiBoSSen
Βιβλιογραφική ΑναφοράMarios Tsolekas, "Finding the best configuration for biological simulations at PhysiBoSS", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2021en
Βιβλιογραφική ΑναφοράΜάριος Τσολέκας, "Εύρεση της καλύτερης σύνθεσης για βιολογικές προσομοιώσεις στο PhysiBoSS ", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2021el

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά