Συντάχθηκε 21-07-2026 08:24
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 22/07/2026 12:00
Λήξη: 22/07/2026 13:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Πρόγραμμα Μεταπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ
Κωνσταντίνου Ζαχαρόπουλου
με θέμα
Από Πρωτείνες σε Νευρώνες : Τοπολογίες Βιολογικών Δικτύων για Νευροεξέλιξη
From Proteins to Neurons: Biological Network Topologies for Neuroevolution
Εξεταστική Επιτροπή
Καθηγητής Σωτήριος Ιωαννίδης (επιβλέπων)
Καθηγητής Μιχαήλ Ζερβάκης
Δρ. Ιωάννης Αραπάκης (Telefonica Scientific Research)
Περίληψη
Η Φυσική Υπολογιστική (Natural Computing) αποτελεί ένα διεπιστημονικό πεδίο που αντλεί έμπνευση από βιολογικές, φυσικές και εξελικτικές διεργασίες με σκοπό την ανάπτυξη μοντέλων Μηχανικής Μάθησης (Machine Learning – ML). Στο πλαίσιο αυτό, οι εξελικτικοί αλγόριθμοι και τα τεχνητά νευρωνικά δίκτυα έχουν αναδείξει ότι δομές που βρίσκονται στη φύση, μπορούν να δημιουργήσουν αποτελεσματικά υπολογιστικά μοντέλα για την επίλυση σύνθετων προβλημάτων. Η παρούσα διπλωματική εργασία παρουσιάζει ένα βιολογικά θεμελιωμένο νευροεξελικτικό αλγόριθμο, στο οποίο οι αρχιτεκτονικές Δικτύων Γραφικών Νευρώνων (Graph Neural Networks – GNNs) δημιουργούνται αξιοποιώντας πραγματικά δίκτυα πρωτεϊνικών αλληλεπιδράσεων (Protein–Protein Interaction – PPI), προερχόμενα από οργανισμούς όπως o ζυμομύκητας , ο ποντικός και ο άνθρωπος. Στην προτεινόμενη προσέγγιση, οι νευρώνες αντιστοιχίζονται σε πρωτεϊνικές οντότητες, ενώ η συναπτική συνδεσιμότητα περιορίζεται από τις πειραματικά τεκμηριωμένες αλληλεπιδράσεις που παρατηρούνται στα γνωστά δίκτυα PPI. Ως αποτέλεσμα, οι αρχικές νευρωνικές τοπολογίες κληρονομούν χαρακτηριστικά που συναντώνται στα δίκτυα PPI, όπως η διάσπαρτη συνδεσιμότητα, η τμηματική οργάνωση και τα πολύπλοκα πρότυπα αλληλεπίδρασης. Σε αντίθεση με τα συμβατικά GNNs, τα οποία εκπαιδεύονται αποκλειστικά μέσω βελτιστοποίησης βασισμένης στην οπισθοδιάδοση σφάλματος και σε μεθόδους κλίσης (gradient-based optimization), το προτεινόμενο πλαίσιο υλοποιεί πληθυσμιακή εξελικτική βελτιστοποίηση μέσω βιολογικά εμπνευσμένων μηχανισμών μετάλλαξης, επιλογής και προσαρμογής της τοπολογίας. Το σύστημα υποστηρίζει τόσο την εξέλιξη των παραμέτρων όσο και τη δομική τροποποίηση του νευρωνικού δικτύου, επιτρέποντας τη δυναμική προσαρμογή του κατά τη διάρκεια διαδοχικών γενεών. Το προτεινόμενο πλαίσιο αξιολογείται σε προβλήματα ταξινόμησης κόμβων (node classification) και παλινδρόμησης (regression), χρησιμοποιώντας καθιερωμένα σύνολα δεδομένων αναφοράς για γράφους, με στόχο να διερευνηθεί κατά πόσο οι δομές συνδεσιμότητας που προέρχονται από βιολογικά δίκτυα μπορούν να λειτουργήσουν ως αποτελεσματικές επαγωγικές παραδοχές (inductive priors) για τη νευρωνική υπολογιστική. Επιπλέον, εξετάζεται η επίδραση των ειδικά διαμορφωμένων τοπολογιών αλληλεπιδράσεων πρωτεϊνών κάθε οργανισμού στη μαθησιακή συμπεριφορά, στη δυναμική σύγκλισης, στη δομική ποικιλότητα και στην εξελικτική προσαρμογή του συστήματος, προκειμένου να αξιολογηθούν η ευρωστία και η επεκτασιμότητά του. Τα πειραματικά αποτελέσματα αναδεικνύουν τη σκοπιμότητα ενσωμάτωσης βιολογικών δικτύων αλληλεπιδράσεων σε συστήματα μάθησης επί γράφων, αποδεικνύοντας ότι οι νευρωνικές αρχιτεκτονικές που καθοδηγούνται από δίκτυα PPI αποτελούν μια πολλά υποσχόμενη ερευνητική κατεύθυνση στον χώρο της Φυσικής Υπολογιστικής και της βιολογικά εμπνευσμένης Τεχνητής Νοημοσύνης.
Abstract
Natural computing is an interdisciplinary field inspired by biological, physical, and evolutionary processes in order to develop MachineLearning (ML) models. Within this domain, evolutionary algorithms and artificial neural networks have shown that naturally occurring structures can provide effective models for solving complex learning tasks. This thesis introduces a biologically grounded neuroevolutionary framework in which graph neural network (GNN) architectures are generated using real-world protein-protein interaction (PPI) networks derived from species including yeast, mouse, and human. In the proposed approach, neurons are associated with protein entities, while synaptic connectivity is constrained by experimentally observed in known PPI networks. Consequently, initialized neural topologies inherit the structural characteristics observed in PPI networks, such as sparse connectivity, modular organization, and complex interaction patterns. Unlike conventional GNNs trained through gradient-based optimization alone, the proposed framework performs population-based evolutionary optimization through biologically inspired mutation, selection, and topology adaptation. The system supports both parameter evolution and structural neural modification, enabling dynamic adaptation over successive generations. The framework is evaluated on both node classification and regression tasks using established graph benchmark datasets in order to investigate whether biologically derived connectivity structures can function as effective inductive priors for neural computation. The influence of species-specific protein interaction topologies on learning behavior, convergence dynamics, structural diversity, and evolutionary adaptation is also examined in order to ensure robustness and scalability. Experimental results showcase the feasibility of integrating biological interaction networks into graph learning systems, therefore proving that PPI-guided neural architectures present a promising research direction within Natural Computing and biologically inspired artificial intelligence.
Meetin ID: 974 2132 5729
Password: 592185
