Την Πέμπτη 23/07/2026 και ώρα 15.00 θα πραγματοποιηθεί στην αίθουσα διδασκαλίας του Εργαστηρίου Οργανικής Χημείας η δημόσια υποστήριξη της διδακτορικής διατριβής της υποψήφιας διδάκτορα Δέσποινας Κιούρη με θέμα:
« Ανακάλυψη νέων φαρμακευτικών προσεγγίσεων με την χρήση Δικτύων πρωτεϊνικών αλληλεπιδράσεων, Μοριακής Μοντελοποίησης και Οργανικής Φασματοσκοπίας»
«Discovery of new pharmaceutical approaches using Protein Interaction Networks, Molecular Modeling and Organic Spectroscopy»
Τριμελής συμβουλευτική επιτροπή:
1. Χρήστος Χασάπης, Επίκουρος Καθηγητής, Τμήμα Χημείας ΕΚΠΑ (Κύριος Επιβλέπων)
2. Θωμάς Μαυρομούστακος, Καθηγητής, Τμήμα Χημείας ΕΚΠΑ
3. Αθανάσιος Γκιμήσης, Καθηγητής, Τμήμα Χημείας ΕΚΠΑ
Επταμελής εξεταστική επιτροπή:
1. Χρήστος Χασάπης, Επίκουρος Καθηγητής, Τμήμα Χημείας ΕΚΠΑ (Κύριος Επιβλέπων)
2. Θωμάς Μαυρομούστακος, Καθηγητής, Τμήμα Χημείας ΕΚΠΑ
3. Αθανάσιος Γκιμήσης, Καθηγητής, Τμήμα Χημείας ΕΚΠΑ
4. Δήμητρα Τζέλη, Καθηγήτρια, Τμήμα Χημείας ΕΚΠΑ
5. Γεωργία Μελαγράκη, Αναπληρώτρια Καθηγήτρια, Στρατιωτική Σχολή Ευελπίδων
6. Νικόλαος Παπανικολάου, Καθηγητής, Department of Biochemistry & Medical Genetics, Touro College of Osteopathic Medicine, New York, USA
7. Ιωάννης Σουγκλάκος, Καθηγητής, Ιατρική Σχολή Πανεπιστημίου Κρήτης
Θα υπάρχει και η δυνατότητα εξ’ αποστάσεως παρακολούθησης μέσω της πλατφόρμας Webex.
Christos Chasapis's Personal Room
https://uoa.webex.com/meet/cchasapis | 27942829451
Join by video system
Dial cchasapis@uoa.webex.com and enter your host PIN .
You can also dial 62.109.219.4 and enter your meeting number.
Join by phone
+30-21-1990-2394 Greece Toll
+30-21-1198-1029 Greece Toll 2
Access code: 2794 282 9451
Abstact:
This thesis adopts a combined computational–experimental approach to dissect the host–gut microbiome interactome across multiple scales. It leverages advanced machine learning and deep learning models based on Pfam domain associations and graph-based protein representations to predict and structurally characterize host–microbe protein–protein interactions. Topological analysis of the predicted interaction network (degree distributions, assortativity, degree–abundance correlations) reveals its organizational principles and highlights key protein hubs associated with inflammation, cancer, mitochondrial dysfunction, and cardiometabolic disorders.
Building on these insights, the work employs an orthological design strategy to propose small organic molecules that disrupt pathological interactions in obesity- and cardiometabolic-related pathways. Given the strong links to colorectal cancer (CRC), the deep learning framework is applied to clinical data to distinguish healthy from CRC-associated microbiomes, and centrality analysis pinpoints host targets for rational natural product repurposing. Achillea millefolium emerges as a prime candidate, with molecular docking and NMR spectroscopy validating the binding of its synthetic compounds to selected host proteins. Overall, the thesis establishes an integrated pipeline from computational prediction to experimental validation for uncovering therapeutic targets and elucidating the molecular mechanisms of host–microbe cross-talk in health and disease.
