基於小樣本數據的高維生物系統重構理論及算法與套用

《基於小樣本數據的高維生物系統重構理論及算法與套用》是依託中山大學，由周天壽擔任項目負責人的重大研究計畫。

基本介紹

• 中文名：基於小樣本數據的高維生物系統重構理論及算法與套用
• 項目類別：重大研究計畫
• 項目負責人：周天壽
• 依託單位：中山大學

中文摘要

基於生物、醫學數據建立數學模型是揭示生命現象以及理解人類複雜疾病機理的重要一步，相關研究已成為國際研究熱點。然而，如何從小樣本高通量數據中挖掘出有規律性的知識，並整合這些知識形成對系統的整體認識，需要解決諸如系統重構與可計算建模等問題。我們在前期研究中發現，小樣本高維數據並不是缺陷，而是可以對有關係統提供全局有用的信息，並能反映出系統長時間動力行為的積累效果。本項目將研究基於小樣本、非線性、噪聲數據的高維動力系統重構理論、方法與算法，包括相應動態分子網路的構建與推斷、可計算模型與算法、運行機制分析與闡明等，並套用理論方法與結果構建慢性阻塞性肺病狀態(正常，COPD，治療後)轉化過程的動態分子調控網路，研究有關數學模型的動力學性質和有關網路的調節控制機理，確立動態網路標記物等。本項目的理論與套用研究將為基於小樣本實驗數據解釋複雜生命現象和探索複雜疾病機理奠定理論基礎並提供方法論。

結題摘要

基於生物、醫學數據建立數學模型是揭示生命現象以及理解人類複雜疾病機理的重要一步，相關研究已成為國際研究熱點。然而，如何從小樣本高通量數據中挖掘出有規律性的知識，並整合這些知識形成對系統的整體認識，需要解決諸如系統重構與可計算建模等問題。我們發展和建立起一種基於實驗或測量數據預測新數據的理論或方法，能夠方便於生物/疾病系統或網路的重構；建立起生化反應網路的數學建模與理論分析的二項矩方法，解決了廣泛使用的矩封閉方法的收斂性問題；我們建立的理論與方法，甚至能為基於正常狀態和疾病狀態的小樣本數據，尋找和發現複雜疾病早期診斷準確和可靠的、疾病特定性的生物標誌物，並預測動態藥物的敏感性和耐藥性。