Finding the best configuration for biological simulations at PhysiBoSSFinding the best configuration for biological simulations at PhysiBoSSΕύρεση της καλύτερης σύνθεσης για βιολογικές προσομοιώσεις στο PhysiBoSS Διπλωματική Εργασία Diploma Work 2021-07-202021enBiological 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.Οι 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.http://creativecommons.org/licenses/by/4.0/Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών ΥπολογιστώνTsolekas_Marios_Dip_2021.pdfChania [Greece]Library of TUC2021-07-20application/pdf4.8 MBfree Tsolekas Marios Τσολεκας Μαριος Deligiannakis Antonios Δεληγιαννακης Αντωνιος Lagoudakis Michail Λαγουδακης Μιχαηλ Samoladas Vasilis Σαμολαδας Βασιλης Πολυτεχνείο Κρήτης Technical University of Crete Bayesian optimization PhysiBoSS