Η παρούσα διπλωματική εργασία διερευνά το ρόλο των εξωσωμάτων που προέρχονται από τον εγκέφαλο στην κατανόηση των μοριακών μηχανισμών που επηρεάζουν την κυτταρική ομοιόσταση, χρησιμοποιώντας προηγμένες βιοπληροφορικής και τεχνικές μηχανικής μάθησης. Τα εξωσώματα, μικρά εξωκυτταρικά κυστίδια, είναι κρίσιμα για την κυτταρική επικοινωνία εντός του κεντρικού νευρικού συστήματος, επηρεάζοντας διαδικασίες όπως η απόπτωση, ο κυτταρικός πολλαπλασιασμός και οι φλεγμονώδεις αντιδράσεις. Η μελέτη αυτή επικεντρώνεται στην εσωτερίκευση και την ενδοκυτταρική μεταφορά των εξωσωμάτων σε μικρογλοία και αστροκύτταρα, χρησιμοποιώντας εικόνες που παράγονται από συνεστιακή μικροσκοπία και επεξεργάζονται με το λογισμικό Imaris για την εξαγωγή σχετικών στατιστικών πληροφοριών.
Χρησιμοποιήσαμε την Τοπολογική Ανάλυση Δεδομένων (TDA) και διάφορους ταξινομητές μηχανικής μάθησης για να αναλύσουμε το σύνολο δεδομένων. Αρχικά, εφαρμόστηκε η τεχνική Mapper, μια προσέγγιση TDA, για τον εντοπισμό υποκατηγοριών εντός προκαθορισμένων ομάδων θεραπείας. Ωστόσο, λόγω της υψηλής συσχέτισης και της έλλειψης επαρκών δεδομένων, αυτή η προσέγγιση δεν μπόρεσε να διακρίνει αποτελεσματικά τις υπάρχουσες κατηγορίες. Στη συνέχεια, χρησιμοποιήσαμε επιβλεπόμενες μεθόδους μηχανικής μάθησης όπως η πολυκατηγορική ταξινόμηση για την κατασκευή ενός μοντέλου πρόβλεψης ικανού να ταξινομήσει εικόνες σε τέσσερις κατηγορίες θεραπείας. Πραγματοποιήθηκε βελτιστοποίηση των υπερπαραμέτρων χρησιμοποιώντας το GridSearch και τη διασταυρούμενη επικύρωση για τη βελτίωση της ακρίβειας του μοντέλου.
Η μελέτη ενσωμάτωσε επίσης μεθόδους συνδυαστικής μάθησης, συγκεκριμένα το bagging και το stacking, για τη βελτίωση της ανθεκτικότητας και της απόδοσης του μοντέλου. Παρά τις προσπάθειες αυτές, η καλύτερη ακρίβεια που επιτεύχθηκε ήταν 0.64%, υποδεικνύοντας την ανάγκη για περαιτέρω βελτιώσεις. Χρησιμοποιήθηκε η Μέθοδος Αποκλεισμού Χαρακτηριστικών (RFE) για την ταυτοποίηση και αφαίρεση λιγότερο σημαντικών χαρακτηριστικών, η οποία δεν βελτίωσε σημαντικά τα αποτελέσματα. Ωστόσο, εστιάζοντας στα κύτταρα που αντιμετωπίστηκαν με κυτοκαλασίνη και τα κύτταρα τα οποία βρίσκονταν στη φυσική τους κατάσταση, που αντικατοπτρίζουν ότι η εσωτερίκευση είναι εξαρτώμενη από την ακτίνη, η ακρίβεια βελτιώθηκε σημαντικά, φθάνοντας το 0.91% με τη μέθοδο k-nearest neighbors (k-NN) και το 0.93% με τη μέθοδο με αντικατάσταση δειγμάτων.
Η έρευνα αυτή αναδεικνύει τις πολυπλοκότητες των μηχανισμών εσωτερίκευσης των εξωσωμάτων και υπογραμμίζει τη δυνατότητα συνδυασμού προσεγγίσεων τοπολογικής και μηχανικής μάθησης για την ενίσχυση της κατανόησης των κυτταρικών διαδικασιών. Οι μελλοντικές εργασίες θα στοχεύουν στην περαιτέρω βελτίωση αυτών των μεθοδολογιών, με έμφαση στην επέκταση του συνόλου δεδομένων και στη διερεύνηση πρόσθετων τεχνικών μηχανικής εκμάθησης για τη βελτίωση της προγνωστικής ακρίβειας και την αποκάλυψη βαθύτερων γνώσεων για το ρόλο των εξωσωμάτων στην κυτταρική ομοιόσταση.
(EL)
This thesis explores the role of brain-derived exosomes in understanding molecular mechanisms affecting cellular homeostasis, employing advanced bioinformatics and machine learning techniques. Exosomes, small extracellular vesicles, are integral in cellular communication within the central nervous system (CNS), influencing processes such as apoptosis, cell proliferation, and inflammatory responses. This study focuses on the internalization and endocytic trafficking of exosomes in microglia and astrocytes, using images generated from confocal microscopy and processed with Imaris software to extract relevant statistical information.
We utilized Topological Data Analysis (TDA) and various machine learning classifiers to analyze the dataset. Initially, the Mapper technique, a TDA approach, was applied to identify subcategories within predefined treatment groups. However, due to the high correlation and lack of sufficient data, this approach could not effectively distinguish the existing categories. Subsequently, we employed supervised machine learning methods like multiclass classification to build a predictive model capable of classifying images into four treatment classes. Hyper-parameter optimization using GridSearch and cross-validation was performed to enhance model accuracy.
The study also incorporated ensemble learning methods, specifically bagging and stacking, to improve model robustness and performance. Despite these efforts, the best accuracy achieved was 0.64%, indicating a need for further refinement. Recursive Feature Elimination (RFE) was used to identify and remove less significant features, which did not significantly improve the results. However, focusing on cytochalasin-treated and non-treated cells, reflecting actin-dependent internalization, led to a notable accuracy improvement, achieving 0.91% with k-nearest neighbors (k-NN) and 0.93% with bagging.
This research highlights the complexities of exosome internalization mechanisms and underscores the potential of combining topological and machine learning approaches to enhance our understanding of cellular processes. Future work will aim to refine these methodologies further, with a focus on expanding the dataset and exploring additional machine learning techniques to improve predictive accuracy and uncover deeper insights into the role of exosomes in cellular homeostasis.
(EN)
/aggregator-openarchives/portal/institutions/uoa
