Forecasting promising biological simulations at PhysiBoSSForecasting promising biological simulations at PhysiBoSSΠρόβλεψη ελπιδοφόρων βιολογικών προσομοιώσεων στο εργαλείο PhysiBoSS Διπλωματική Εργασία Diploma Work 2020-02-272020enSince 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.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. http://creativecommons.org/licenses/by/4.0/Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών ΥπολογιστώνAnesti_Effrosyni_Dip_2020.pdfChania [Greece]Library of TUC2020-02-26application/pdf1.5 MBfree Anesti Effrosyni Ανεστη Ευφροσυνη Deligiannakis Antonios Δεληγιαννακης Αντωνιος Lagoudakis Michail Λαγουδακης Μιχαηλ Samoladas Vasilis Σαμολαδας Βασιλης Πολυτεχνείο Κρήτης Technical University of Crete PhysiBoSS TNF Cancer Cells Simulations Data analysis Distributed system