Η σημασία των μηχανισμών μετα-μεταφραστικής τροποποίησης των πρωτεϊνών για την κυτταρική απόκριση στην υποξία και την εμπλοκή της στην καρκινογένεση
Bibliographic record
Abstract
Η παρούσα διδακτορική διατριβή υλοποιήθηκε µε την υποστήριξη του Ιδρύµατος Κρατικών Υποτροφιών (ΙΚΥ) µε υποτροφία προς την κ.Αγγελική Καραγιώτα στα πλαίσια της Πράξης «Ενίσχυση του ανθρώπινου ερευνητικού δυναµικού µέσω της υλοποίησης διδακτορικής έρευνας» -MIS 5000432 που πραγµατοποιήθηκε µε πόρους του Επιχειρησιακού Προγράµµατος «Ανάπτυξη Ανθρώπινου Δυναµικού, Εκπαίδευση και Δια Βίου Μάθηση», 2014-2020 µε τη συγχρηµατοδότηση του Ευρωπαϊκού Κοινωνικού Ταµείου (ΕΚΤ) και του Ελληνικού Δηµοσίου.Μέρος της διατριβής υποστηρίχθηκε από τη δράση «ΑΡΙΣΤΕΙΑ ΙΙ» και στα πλαίσια του έργου «Κωδ.3129, Ακρωνύµιο HYPOXYTARGEΤ, Στόχευση των επαγόµενων από την υποξία µεταγραφικών παραγόντων HIF στη φλεγµονή και τον καρκίνο (Targeting the hypoxia-inducible transcription factors HIFs in inflammation and cancer)» που συγχρηµατοδοτήθηκε από το Ευρωπαϊκό Κοινωνικό Ταµείο (ΕΚΤ) και Εθνικούς Πόρους © 2018 Αγγελική Καραγιώτα Η έγκριση της διδακτορικής διατριβής από το Τµήµα Ιατρικής της Σχολής Επιστηµών Υγείας του Πανεπιστηµίου Θεσσαλίας δεν υποδηλώνει αποδοχή των απόψεων του συγγραφέα (σύµφωνα µε τις διατάξεις του άρθρου 202, παράγραφος 2 του Ν.5343/1932).
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.012 | 0.006 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.239 | 0.087 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".