Machine learning methods for the evaluation of biomolecular markers οf pancreatic cancer and its correlation with embryogenesisMachine learning methods for the evaluation of biomolecular markers οf pancreatic cancer and its correlation with embryogenesisΜέθοδοι μηχανικής μάθησης για την εκτίμηση μοριακών δεικτών του καρκίνου του παγκρέατος και συσχέτιση με εμβρυογένεση Διπλωματική Εργασία Diploma Work 2019-10-082019enPancreatic cancer is a highly lethal disease, accounting for many deaths every year. It is considered as one of the most aggressive types of cancer, and one of the major problems is the lack of early detection. A patient is diagnosed with pancreatic cancer only in advanced stages, when the possibility of developing a metastases is high. There is no standard procedure to diagnose high risk patients, since they remain asymptomatic in the cancer’s early stages. Surgical resection is regarded as the only potentially curative treatment, and adjuvant chemotherapy with gemcitabine or S-1, an oral fluoropyrimidine derivative, is given after surgery. Therefore, researchers focus on the procedure of its creation, at a molecular level. There are four major driver genes for pancreatic cancer: KRAS, CDKN2A, TP53, and SMAD4. KRAS mutation and alterations in CDKN2A are early events in pancreatic tumorigenesis. Recent researches suggest that there is a correlation of some critical signaling pathways that are activated during pancreatic cancer tumorigenesis with the procedure of embryogenesis. Though, the lack of an analysis that will be able to extract these genes involved in the pathways suggested, both in pancreatic cancer patients and embryogenesis samples is crucial. The aim of this thesis is to apply machine learning methods to nd the biomolecular markers that are deferentially expressed on pancreatic cancer patients and correlate them with markers from embryogenesis. Since these markers are extracted, we will use them as classifiers on different machine learning methods, to try and classify if they refer to patient or healthy subjects. Our thesis contributes a “ 25 gene signature” of biomolecular markers which are involved in signaling pathways found in both embryogenesis and pancreatic carcinogenesis, obtained via feature extraction and feature selection methods. These markers are used as classifiers for pancreatic cancer classification, and two machine learning classification models are proposed as well. The classification models achieved high accuracy levels, and we support the notion that our “25 gene signature” in its entirety can play a classification role in discriminating patients with pancreatic cancer from healthy controls.Ο καρκίνος του παγκρέατος είναι μια εξαιρετικά θανατηφόρα ασθένεια, που αντιπροσωπεύει πολλούς θανάτους κάθε χρόνο. Θεωρείται ως ένας από τους πιο επιθετικούς τύπους καρκίνου και ένα από τα σημαντικότερα προβλήματα είναι η έλλειψη έγκαιρης διάγνωσης. Ένας ασθενής διαγιγνώσκεται με καρκίνο του παγκρέατος μόνο σε προχωρημένα στάδια, όταν η πιθανότητα εμφάνισης μεταστάσεων είναι υψηλή. Δεν υπάρχει εδραιωμένη διαδικασία για τη διάγνωση ασθενών υψηλού κινδύνου, καθώς παραμένουν χωρίς συμπτώματα στα αρχικά στάδια του καρκίνου. Η χειρουργική εκτομή θεωρείται ως η μόνη δυνητικά θεραπευτική αγωγή και χορηγείται χημειοθεραπεία με γκεμσιταβίνη ή S-1, παράγωγο φθοροπυριμιδίνης από το στόμα μετά από χειρουργική επέμβαση. Ως εκ τούτου, οι ερευνητές επικεντρώνονται στη διαδικασία της δημιουργίας του, σε μοριακό επίπεδο. Υπάρχουν τέσσερα κύρια γονίδια οδηγοί για τον καρκίνο του παγκρέατος: KRAS, CDKN2A, TP53 και SMAD4. Η μετάλλαξη KRAS και οι αλλοιώσεις στο CDKN2A είναι πρώιμα γεγονότα στην παγκρεατική ογκογένεση. Πρόσφατες έρευνες υποδεικνύουν ότι υπάρχει συσχέτιση ορισμένων κρίσιμων σηματοδοτικών οδών που ενεργοποιούνται κατά τη διάρκεια της ογκογένεσης του καρκίνου του παγκρέατος με τη διαδικασία της εμβρυογένεσης. Ωστόσο, η έλλειψη μίας μελέτης που θα είναι σε θέση να εξάγει αυτά τα γονίδια που εμπλέκονται στις προτεινόμενες οδούς, τόσο στους ασθενείς με καρκίνο του παγκρέατος όσο και στα δείγματα εμβρυογενέσεως είναι σημαντική. Στόχος της παρούσας εργασίας είναι η εφαρμογή μεθόδων μηχανικής μάθησης για την εύρεση των βιομοριακών δεικτών που έχουν υψηλή διαφοροποίηση τιμής έκφρασης σε ασθενείς με καρκίνο του παγκρέατος και τη συσχέτισή τους με τους δείκτες από την εμβρυογένεση. Έχοντας εξάγει αυτούς τους δείκτες, θα τους χρησιμοποιήσουμε ως δείκτες πρόβλεψης σε διαφορετικές μεθόδους μηχανικής μάθησης, για να προσπαθήσουμε να ταξινομήσουμε αν αναφέρονται σε ασθενή ή υγιή άτομα ...Diploma Thesis created for the acquisition of BSc in Electrical and Computer Engineeringhttp://creativecommons.org/licenses/by/4.0/Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών ΥπολογιστώνTorakis_Ioannis_Dip_2019.pdfChania [Greece]Library of TUC2019-10-08application/pdf9.0 MBfree Torakis Ioannis Τορακης Ιωαννης Zervakis Michail Ζερβακης Μιχαηλ Lagoudakis Michail Λαγουδακης Μιχαηλ Chalkiadakis Georgios Χαλκιαδακης Γεωργιος Πολυτεχνείο Κρήτης Technical University of Crete Electrical and computer engineering Pancreatic cancer Machine learning Biomedical engineering