{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5371062"},"canonical_url":"https://search.dev.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5371062","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Πρόγνωση μεμβρανικών πρωτεϊνών με μεθόδους βαθιάς μάθησης","abstract":"Κίνητρο: Η ακριβής πρόβλεψη των διαμεμβρανικών (ΤΜ) περιοχών και των πεπτιδίων σήματος (SPs) είναι κρίσιμη για τον σχολιασμό πρωτεϊνών, ωστόσο τα τρέχοντα εργαλεία συνήθως αντιμετωπίζουν αυτά τα δύο προβλήματα χωριστά. Αποτελέσματα: Παρουσιάζουμε το PRED-TMSdeep, μια μέθοδο βαθιάς μάθησης που προβλέπει από κοινού την TM τοπολογία και τρεις διαφορετικές κλάσεις SP (Sec/SPI, Sec/SPII/LIPO, Tat/SPI). Ένας νέος αλγόριθμος που χρησιμοποιεί αποκωδικοποιητή Viterbi για δύο βημάτα και ενσωματώνει περιορισμούς μήκους για τα διάφορα διαμεμβρανικά τμήματα και τα τμήματα των διαφορετικών πεπτιδίων σήματος, βελτιώνει τη συνέπεια της τοπολογίας και τον εντοπισμό της θέσης αποκοπής. Σε σύνολα δεδομένων μειωμένου πλεονασμού (non-redundant), από την OPM και την PDBTM, το PRED-TMSdeep διατηρεί επιδόσεις αχιμής (state of the art) σε επίπεδο τμήματος, συγκρίσιμες με το TMbed, ενώ επιτυγχάνει υψηλότερη ακρίβεια στην ταξινόμηση τύπων SP από το SignalP 6.0. Βελτιώνει επίσης συνολικά τον εντοπισμό της θέσης αποκοπής, με ακρίβεια top-1 89,2%, έναντι 84,7% για το TMbed και 88,0% για το SignalP 6.0, διατηρώντας παράλληλα ισχυρή απόδοση ταξινόμησης σε επίπεδο πρωτεΐνης με χαμηλά ποσοστά ψευδώς θετικών. Διαθεσιμότητα: Ο πηγαίος κώδικας διατίθεται στο https://github.com/pbagos/TMSdeep. Διατίθεται επίσης ένας Web Server για προβλέψεις με το εργαλείο PRED-TMSdeep στο http://195.251.108.230/PRED- TMSdeep/index.php.","abstract_html":"Κίνητρο: Η ακριβής πρόβλεψη των διαμεμβρανικών (ΤΜ) περιοχών και των πεπτιδίων σήματος (SPs) είναι κρίσιμη για τον σχολιασμό πρωτεϊνών, ωστόσο τα τρέχοντα εργαλεία συνήθως αντιμετωπίζουν αυτά τα δύο προβλήματα χωριστά. Αποτελέσματα: Παρουσιάζουμε το PRED-TMSdeep, μια μέθοδο βαθιάς μάθησης που προβλέπει από κοινού την TM τοπολογία και τρεις διαφορετικές κλάσεις SP (Sec/SPI, Sec/SPII/LIPO, Tat/SPI). Ένας νέος αλγόριθμος που χρησιμοποιεί αποκωδικοποιητή Viterbi για δύο βημάτα και ενσωματώνει περιορισμούς μήκους για τα διάφορα διαμεμβρανικά τμήματα και τα τμήματα των διαφορετικών πεπτιδίων σήματος, βελτιώνει τη συνέπεια της τοπολογίας και τον εντοπισμό της θέσης αποκοπής. Σε σύνολα δεδομένων μειωμένου πλεονασμού (non-redundant), από την OPM και την PDBTM, το PRED-TMSdeep διατηρεί επιδόσεις αχιμής (state of the art) σε επίπεδο τμήματος, συγκρίσιμες με το TMbed, ενώ επιτυγχάνει υψηλότερη ακρίβεια στην ταξινόμηση τύπων SP από το SignalP 6.0. Βελτιώνει επίσης συνολικά τον εντοπισμό της θέσης αποκοπής, με ακρίβεια top-1 89,2%, έναντι 84,7% για το TMbed και 88,0% για το SignalP 6.0, διατηρώντας παράλληλα ισχυρή απόδοση ταξινόμησης σε επίπεδο πρωτεΐνης με χαμηλά ποσοστά ψευδώς θετικών. Διαθεσιμότητα: Ο πηγαίος κώδικας διατίθεται στο https://github.com/pbagos/TMSdeep. Διατίθεται επίσης ένας Web Server για προβλέψεις με το εργαλείο PRED-TMSdeep στο http://195.251.108.230/PRED- TMSdeep/index.php.","abstract_has_math":false,"creators":["ΜΟΣΧΟΣ ΓΡΗΓΟΡΙΟΣ","MOSCHOS GRIGORIOS"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-07-24T01:02:09Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5371062"],"render_values":[{"text":"uoadl:5371062","href":null,"code":true}]}]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5371062","outbound_label":"Repository record","outbound_source":"dc:identifier"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΜΟΣΧΟΣ ΓΡΗΓΟΡΙΟΣ","MOSCHOS GRIGORIOS"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5371062","https://pergamos.lib.uoa.gr/uoa/dl/object/5371062"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Κίνητρο: Η ακριβής πρόβλεψη των διαμεμβρανικών (ΤΜ) περιοχών και των πεπτιδίων σήματος (SPs) είναι κρίσιμη για τον σχολιασμό πρωτεϊνών, ωστόσο τα τρέχοντα εργαλεία συνήθως αντιμετωπίζουν αυτά τα δύο προβλήματα χωριστά. Αποτελέσματα: Παρουσιάζουμε το PRED-TMSdeep, μια μέθοδο βαθιάς μάθησης που προβλέπει από κοινού την TM τοπολογία και τρεις διαφορετικές κλάσεις SP (Sec/SPI, Sec/SPII/LIPO, Tat/SPI). Ένας νέος αλγόριθμος που χρησιμοποιεί αποκωδικοποιητή Viterbi για δύο βημάτα και ενσωματώνει περιορισμούς μήκους για τα διάφορα διαμεμβρανικά τμήματα και τα τμήματα των διαφορετικών πεπτιδίων σήματος, βελτιώνει τη συνέπεια της τοπολογίας και τον εντοπισμό της θέσης αποκοπής. Σε σύνολα δεδομένων μειωμένου πλεονασμού (non-redundant), από την OPM και την PDBTM, το PRED-TMSdeep διατηρεί επιδόσεις αχιμής (state of the art) σε επίπεδο τμήματος, συγκρίσιμες με το TMbed, ενώ επιτυγχάνει υψηλότερη ακρίβεια στην ταξινόμηση τύπων SP από το SignalP 6.0. Βελτιώνει επίσης συνολικά τον εντοπισμό της θέσης αποκοπής, με ακρίβεια top-1 89,2%, έναντι 84,7% για το TMbed και 88,0% για το SignalP 6.0, διατηρώντας παράλληλα ισχυρή απόδοση ταξινόμησης σε επίπεδο πρωτεΐνης με χαμηλά ποσοστά ψευδώς θετικών. Διαθεσιμότητα: Ο πηγαίος κώδικας διατίθεται στο https://github.com/pbagos/TMSdeep. Διατίθεται επίσης ένας Web Server για προβλέψεις με το εργαλείο PRED-TMSdeep στο http://195.251.108.230/PRED- TMSdeep/index.php.","Motivation: Accurate prediction of transmembrane (TM) regions and signal peptides (SPs) is essential for protein annotation, but current tools typically address these problems separately. Results: We present PRED-TMSdeep, a deep learning method that jointly predicts TM topology and SP classes (Sec/SPI, Sec/SPII/LIPO, Tat/SPI). A two-step Viterbi decoder with empirically derived length constraints improves topology consistency and cleavage-site localization. On redundancy reduced datasets curated from OPM and PDBTM, PRED-TMSdeep maintains state-of-the-art segment-level performance comparable to TMbed, while achieving higher accuracy in SP-type classification than SignalP 6.0. It also improves overall cleavage-site localization, with top-1 cleavage-site accuracy of 89.2%, compared with 84.7% for TMbed and 88.0% for SignalP 6.0, while preserving strong protein-level classification performance with low false-positive rates. Availability: Source code is available at https://github.com/grmos/TMSdeep. A web server for PRED-TMSdeep predictions is hosted at http://195.251.108.230/PRED- TMSdeep/index.php."]},{"key":"dc:title","label":"Title","values":["Πρόγνωση μεμβρανικών πρωτεϊνών με μεθόδους βαθιάς μάθησης"]}]}],"canonical_facts":{"dc:creator":["ΜΟΣΧΟΣ ΓΡΗΓΟΡΙΟΣ","MOSCHOS GRIGORIOS"],"dc:date":["2026"],"dc:description":["Κίνητρο: Η ακριβής πρόβλεψη των διαμεμβρανικών (ΤΜ) περιοχών και των πεπτιδίων σήματος (SPs) είναι κρίσιμη για τον σχολιασμό πρωτεϊνών, ωστόσο τα τρέχοντα εργαλεία συνήθως αντιμετωπίζουν αυτά τα δύο προβλήματα χωριστά. Αποτελέσματα: Παρουσιάζουμε το PRED-TMSdeep, μια μέθοδο βαθιάς μάθησης που προβλέπει από κοινού την TM τοπολογία και τρεις διαφορετικές κλάσεις SP (Sec/SPI, Sec/SPII/LIPO, Tat/SPI). Ένας νέος αλγόριθμος που χρησιμοποιεί αποκωδικοποιητή Viterbi για δύο βημάτα και ενσωματώνει περιορισμούς μήκους για τα διάφορα διαμεμβρανικά τμήματα και τα τμήματα των διαφορετικών πεπτιδίων σήματος, βελτιώνει τη συνέπεια της τοπολογίας και τον εντοπισμό της θέσης αποκοπής. Σε σύνολα δεδομένων μειωμένου πλεονασμού (non-redundant), από την OPM και την PDBTM, το PRED-TMSdeep διατηρεί επιδόσεις αχιμής (state of the art) σε επίπεδο τμήματος, συγκρίσιμες με το TMbed, ενώ επιτυγχάνει υψηλότερη ακρίβεια στην ταξινόμηση τύπων SP από το SignalP 6.0. Βελτιώνει επίσης συνολικά τον εντοπισμό της θέσης αποκοπής, με ακρίβεια top-1 89,2%, έναντι 84,7% για το TMbed και 88,0% για το SignalP 6.0, διατηρώντας παράλληλα ισχυρή απόδοση ταξινόμησης σε επίπεδο πρωτεΐνης με χαμηλά ποσοστά ψευδώς θετικών. Διαθεσιμότητα: Ο πηγαίος κώδικας διατίθεται στο https://github.com/pbagos/TMSdeep. Διατίθεται επίσης ένας Web Server για προβλέψεις με το εργαλείο PRED-TMSdeep στο http://195.251.108.230/PRED- TMSdeep/index.php.","Motivation: Accurate prediction of transmembrane (TM) regions and signal peptides (SPs) is essential for protein annotation, but current tools typically address these problems separately. Results: We present PRED-TMSdeep, a deep learning method that jointly predicts TM topology and SP classes (Sec/SPI, Sec/SPII/LIPO, Tat/SPI). A two-step Viterbi decoder with empirically derived length constraints improves topology consistency and cleavage-site localization. On redundancy reduced datasets curated from OPM and PDBTM, PRED-TMSdeep maintains state-of-the-art segment-level performance comparable to TMbed, while achieving higher accuracy in SP-type classification than SignalP 6.0. It also improves overall cleavage-site localization, with top-1 cleavage-site accuracy of 89.2%, compared with 84.7% for TMbed and 88.0% for SignalP 6.0, while preserving strong protein-level classification performance with low false-positive rates. Availability: Source code is available at https://github.com/grmos/TMSdeep. A web server for PRED-TMSdeep predictions is hosted at http://195.251.108.230/PRED- TMSdeep/index.php."],"dc:identifier":["uoadl:5371062","https://pergamos.lib.uoa.gr/uoa/dl/object/5371062"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Πρόγνωση μεμβρανικών πρωτεϊνών με μεθόδους βαθιάς μάθησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-07-24T01:02:09Z"}