《基於Memetic多目標時變最佳化的全基因代謝網路重構算法研究》是依託哈爾濱工業大學，由周家銳擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於Memetic多目標時變最佳化的全基因代謝網路重構算法研究
- 依託單位：哈爾濱工業大學
- 項目類別：青年科學基金項目
- 項目負責人：周家銳
項目摘要,結題摘要,
項目摘要
全基因代謝網路重構是代謝組學與系統生物學的重要研究基礎。現有算法僅包含單一重構目標，無法反映生物的真實情況。為有效提升代謝網路對生理狀態的預測分析能力，需設計多目標的重構方法，併兼顧時變魯棒性。此算法屬於高維、約束、多目標、時變的複雜最佳化問題，可使用計算智慧型有效求解。.本項目將研究設計基於啟發式運算元鏈的Memetic計算框架，用於多目標全基因代謝網路重構，對網路結構與代謝通量分布進行最佳化。一方面，使用合作協同進化與集成學習，建立約束條件下大規模最佳化解空間的機率分解算法。另一方面，引入基於偏好的多目標最佳化，使代謝網路在生理效能最佳的同時，保持通量調整穩定。通過對帕累托非支配解進行篩選，最終獲得更接近真實生物的代謝網路。.本項目首次提出將計算智慧型用於多目標代謝網路重構，並套用此方法首次構造一種最新的模式生物-水蚤的代謝網路。預期完成後的網路可成為環境學代謝組學、功能基因組學等的有力研究平台。
結題摘要
代謝網路是代謝組學與系統生物學的核心模型之一。現有的代謝網路重構算法較為簡單，難以反映生物體內真實的生理過程。在本項目中，我們使用多種模型衡量代謝物間的關聯性信息，從而構造預測能力更佳的代謝網路。此外，我們使用先進的Memetic計算框架有效最佳化了重構過程，獲得了更優的網路結構。最後，我們基於機器學習方法提出了多個代謝網路驗證與挖掘分析的創新性算法。例如，我們基於小波分解與交叉互相關 (Cross-correlation) 提出了一種代謝時序網路構造與模組提取算法。此外，基於Memetic多模最佳化提出了一種代謝網路重構與特徵提取方法MMAFS，在實驗數據中顯示了良好性能。另外，我們通過結合稀疏典型相關分析 (Sparse Canonical Correlation Analysis) 與共表達網路 (Coexpression Network)，提出了多組學網路分析工具MOCA。除此之外，我們還構造了多個代謝質譜預處理軟體，有效提升了代謝實驗數據的可靠性。以此為基礎，我們首次重構了一種重要模式生物蚤狀溞 (Daphnia pulex) 的全基因代謝網路模型 (Genome Wide Metabolic Network)。該網路以及所提出的算法可有力支撐環境生物學與醫學等重要領域的研究。
