Development of techniques for processing data in anticancer therapy and metabolomics

The primary purpose of this doctoral thesis is the research, development and presentation of processing techniques for biological data, focused on targeted anticancer therapy, as well as chemical and spectroscopic data, focused on metabolomics. Firstly, an introduction in aspects of biology, medicine and bioinformatics that are related to anticancer therapy is performed. Subsequently, the first part of the research is presented, which is focused on the development of a technique for the computational design of Antibody-Drug conjugates, a category of targeted anticancer therapeutic agents. The purpose of this technique is to contribute to the resolution of the difficulty there is in designing Antibody-Drug Conjugates with the established in silico drug design techniques. The method uses an affine transformation, it has been implemented for two conjugation ways and it has been applied on real biological and pharmaceutical data. In addition, an introduction in Nuclear Magnetic Resonance based metabolomics is performed, followed by the analysis of the second part of the research, which is focused on the development of a computational methodology for the automated identification of metabolites from one-dimensional proton Nuclear Magnetic Resonance spectra. The presentation of the preprocessing and data reduction methods that have been used is followed by the analysis of the separate main parts of the metabolite identification methodology. The metabolite screening process is analysed, including the scoring functions used for the assessment of the candidate spectral peak sets for each multiplet category. The strategy for the selection of the optimal spectral peak set for each candidate metabolite that has been implemented, as well as the prioritization of the candidate metabolites, are explained. The performance of the methodology has been evaluated on artificial and real spectra from various studies and has been compared to other automated metabolite identification methods.Το αντικείμενο της παρούσας διδακτορικής διατριβής είναι η διερεύνηση, η ανάπτυξη και η παρουσίαση τεχνικών επεξεργασίας αφ’ ενός βιολογικών δεδομένων, με επίκεντρο τη στοχευμένη αντικαρκινική θεραπεία, αφ’ ετέρου χημικών και φασματοσκοπικών δεδομένων, με επίκεντρο τη μεταβολομική. Αρχικά πραγματοποιείται μία εισαγωγή σε θέματα βιολογίας, ιατρικής και βιοπληροφορικής που αφορούν την αντικαρκινική θεραπεία. Στη συνέχεια παρουσιάζεται το πρώτο σκέλος της έρευνας, που επικεντρώθηκε στην ανάπτυξη μίας υπολογιστικής τεχνικής σχεδιασμού Συμπλεγμάτων Αντισωμάτων-Φαρμάκων, μίας κατηγορίας στοχευμένων αντικαρκινικών θεραπευτικών παραγόντων. Σκοπός της τεχνικής αυτής είναι η συμβολή στην αντιμετώπιση της δυσκολίας υπολογιστικού σχεδιασμού Συμπλεγμάτων Αντισωμάτων-Φαρμάκων με τις καθιερωμένες μεθόδους in silico φαρμακευτικού σχεδιασμού. Η τεχνική αξιοποιεί έναν αφινικό μετασχηματισμό, υλοποιήθηκε για δύο τρόπους σύζευξης του φαρμάκου στο αντίσωμα, και εφαρμόστηκε σε πραγματικά βιολογικά και φαρμακευτικά δεδομένα. Ακολούθως, επιχειρείται μία εισαγωγή σε θέματα μεταβολομικής με χρήση φασματοσκοπίας Πυρηνικού Μαγνητικού Συντονισμού και παρουσιάζεται το δεύτερο σκέλος της έρευνας, το οποίο επικεντρώθηκε στην ανάπτυξη ενός υπολογιστικού μεθοδολογικού σχήματος με αντικείμενο την αυτόματη ταυτοποίηση μεταβολιτών σε μονοδιάστατα φάσματα Πυρηνικού Μαγνητικού Συντονισμού πρωτονίου. Γίνεται αναφορά των μεθόδων προεπεξεργασίας και μείωσης δεδομένων που εφαρμόστηκαν και αναλύονται τα συστατικά τμήματα της μεθοδολογίας αναγνώρισης μεταβολιτών που αναπτύχθηκε. Παρουσιάζεται η διεργασία της αναζήτησης μεταβολιτών και παρατίθενται οι συναρτήσεις βαθμολόγησης των υποψήφιων συνόλων φασματικών κορυφών για τις διαφορετικές κατηγορίες κορυφών μεταβολιτών. Αναλύεται η στρατηγική επιλογής του καλύτερου συνδυασμού φασματικών κορυφών για κάθε μεταβολίτη και γίνεται αναφορά στην προτεραιοποίηση των υποψήφιων μεταβολιτών που υιοθετήθηκε στη μεθοδολογία. Η μεθοδολογία εφαρμόστηκε σε τεχνητά και πραγματικά φάσματα από διάφορες μελέτες, και συγκρίθηκε ως προς τα αποτελέσματά της με άλλες αυτόματες υπολογιστικές τεχνικές αναγνώρισης μεταβολιτών