当前位置:
X-MOL 学术
›
Cognit. Comput.
›
论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
An Integrated Qualitative and Quantitative Biochemical Model Learning Framework Using Evolutionary Strategy and Simulated Annealing.
Cognitive Computation ( IF 5.4 ) Pub Date : 2015-05-03 , DOI: 10.1007/s12559-015-9328-x Zujian Wu 1 , Wei Pang 2 , George M Coghill 2
Cognitive Computation ( IF 5.4 ) Pub Date : 2015-05-03 , DOI: 10.1007/s12559-015-9328-x Zujian Wu 1 , Wei Pang 2 , George M Coghill 2
Affiliation
Both qualitative and quantitative model learning frameworks for biochemical systems have been studied in computational systems biology. In this research, after introducing two forms of pre-defined component patterns to represent biochemical models, we propose an integrative qualitative and quantitative modelling framework for inferring biochemical systems. In the proposed framework, interactions between reactants in the candidate models for a target biochemical system are evolved and eventually identified by the application of a qualitative model learning approach with an evolution strategy. Kinetic rates of the models generated from qualitative model learning are then further optimised by employing a quantitative approach with simulated annealing. Experimental results indicate that our proposed integrative framework is feasible to learn the relationships between biochemical reactants qualitatively and to make the model replicate the behaviours of the target system by optimising the kinetic rates quantitatively. Moreover, potential reactants of a target biochemical system can be discovered by hypothesising complex reactants in the synthetic models. Based on the biochemical models learned from the proposed framework, biologists can further perform experimental study in wet laboratory. In this way, natural biochemical systems can be better understood.
中文翻译:
使用进化策略和模拟退火的综合定性和定量生化模型学习框架。
生化系统的定性和定量模型学习框架都已在计算系统生物学中进行了研究。在这项研究中,在引入两种形式的预定义组件模式来表示生化模型之后,我们提出了一个用于推断生化系统的综合定性和定量建模框架。在所提出的框架中,目标生化系统的候选模型中反应物之间的相互作用被进化并最终通过应用具有进化策略的定性模型学习方法来识别。然后通过采用模拟退火的定量方法进一步优化从定性模型学习生成的模型的动力学速率。实验结果表明,我们提出的综合框架可以定性地学习生化反应物之间的关系,并通过定量优化动力学速率使模型复制目标系统的行为。此外,可以通过在合成模型中假设复杂的反应物来发现目标生化系统的潜在反应物。基于从提出的框架中学习的生化模型,生物学家可以进一步在湿实验室进行实验研究。通过这种方式,可以更好地理解自然生化系统。通过在合成模型中假设复杂的反应物,可以发现目标生化系统的潜在反应物。基于从提出的框架中学习的生化模型,生物学家可以进一步在湿实验室进行实验研究。通过这种方式,可以更好地理解自然生化系统。通过在合成模型中假设复杂的反应物,可以发现目标生化系统的潜在反应物。基于从提出的框架中学习的生化模型,生物学家可以进一步在湿实验室进行实验研究。通过这种方式,可以更好地理解自然生化系统。
更新日期:2015-05-03
中文翻译:
使用进化策略和模拟退火的综合定性和定量生化模型学习框架。
生化系统的定性和定量模型学习框架都已在计算系统生物学中进行了研究。在这项研究中,在引入两种形式的预定义组件模式来表示生化模型之后,我们提出了一个用于推断生化系统的综合定性和定量建模框架。在所提出的框架中,目标生化系统的候选模型中反应物之间的相互作用被进化并最终通过应用具有进化策略的定性模型学习方法来识别。然后通过采用模拟退火的定量方法进一步优化从定性模型学习生成的模型的动力学速率。实验结果表明,我们提出的综合框架可以定性地学习生化反应物之间的关系,并通过定量优化动力学速率使模型复制目标系统的行为。此外,可以通过在合成模型中假设复杂的反应物来发现目标生化系统的潜在反应物。基于从提出的框架中学习的生化模型,生物学家可以进一步在湿实验室进行实验研究。通过这种方式,可以更好地理解自然生化系统。通过在合成模型中假设复杂的反应物,可以发现目标生化系统的潜在反应物。基于从提出的框架中学习的生化模型,生物学家可以进一步在湿实验室进行实验研究。通过这种方式,可以更好地理解自然生化系统。通过在合成模型中假设复杂的反应物,可以发现目标生化系统的潜在反应物。基于从提出的框架中学习的生化模型,生物学家可以进一步在湿实验室进行实验研究。通过这种方式,可以更好地理解自然生化系统。