中图分类：O224

学科分类：110.74

成果类别：基础理论

成果水平：未评价

研究起止时间：2015-01～2017-10

评价形式：验收

1、本项目研究内容是基于生物地理学优化算法解决生物中的模体发现问题。模体是核苷酸序列或蛋白质序列中的共同模式,模体发现问题（MDP）是序列分析的重要问题之一,模体发现对理解调控网络,转录因子绑定位点,药物设计,蛋白质功能预测都有重要意义。生物中的模体发现问题（MDP）从计算的角度看是一个NP难问题,虽然已经有许多方法用于解决该问题,但从预测的结果看均不够理想。近些年,随着进化算法的迅速发展及广泛应用,进化计算用于求解MDP是近几年出现的一个新的研究热点。已有一些进化算法用于模体发现问题,并取得了较好的结果。生物地理学优化算法（Biogeography- Based Optimization BBO）源于生物地理学,是一种较新的进化算法,由Simon在2008年提出。基于相邻栖息地的生物物种分布模型,BBO算法通过研究生物物种的分布、迁移、变异和灭绝等地理分布规律来求解优化问题,是近年提出的较为新颖的群智能全局优化算法。本项目是基于生物地理学优化算法解决MDP问题。 2、研究目的与意义; 本项目是研究多目标的生物地理学优化算法用于多目标的模体发现问题,也就是从DNA序列中预测更多有意义的模体。生物地理学优化算法（BBO）是一种模拟生物物种在地理上的迁移规律提出的新型进化方法,项目首先对模体发现问题（MDP）的生物背景进行研究,确立模体发现问题的三个目标的数学模型,研究了模体发现问题目前使用的方法及评价体系等。然后,研究进化计算的思想、改进及应用领域。重点研究多目标生物地理学优化算法（BBO）的思想及应用,研究运用多种进化算法混合求解问题的思路。最后,将多目标的BBO算法应用于生物模体发现问题。设计发现模体的算法框架,构建模体发现问题的数据集,从实验结果及评价指标讨论算法的有效性。 3、主要论点与论据; 本课题的核心为探讨基于多目标的生物地理学优化算法求解生物模体发现问题,具体的研究过程可分为四个部分：首先,我们从单目标的组合优化问题出发,提出了IHABBO算法,并成功解决了经典的旅行商问题;其次,我们从实际的投资组合问题出发,提出了BBO算法,解决了基于二阶随机占优约束下的投资组合优化问题;在单目标的基础上,我们进一步提出了多目标的BBO算法,我们提出了MABBO算法,并进行了基准函数测试;最后,我们研究了DNA的MOTIF发现问题,即本课题的核心,我们提出了MHABBO算法,并成功解决了DNA序列中的模体发现问题,算法能预测到有意义的模式。 4、创见与创新; 研究生物序列模式发现问题对解释生物的复杂性和进化之源,理解生物系统体内的功能及调控,构建基因调控网络、转录因子绑定位点、蛋白质功能预测、药物设计等都有重要意义。生物地理学优化算法应用于生物序列模式发现问题是BBO 算法在生物信息学领域的应用扩展,对求解序列模式发现问题提供了一种新思路,同时对丰富进化计算学科的理论研究与应用推广都有重要价值。 5、社会经济效益,存在的问题; 本课题从多个学科的角度出发,涵盖了统计学,计算机学,经济学,管理学,生物学等多个学科,作为人工智能的一个分支,本课题充分验证了BBO算法作为一个智能的优化算法在实践中的有效性。同时,DNA序列的motif发现问题与投资组合优化问题一直是相关领域的核心问题,我们通过改进的BBO算法扩宽了这些问题的解决途径,为相关学科的综合研究贡献了一份有效的参考,证明了智能算法中交叉学科的重要性。随着大数据和人工智能的发展,智能算法将运用到更多实际问题可产生巨大的经济和社会效益。此外,由于进化算法需要通过迭代次数的增加提高最终解的质量,效率方面会有有所影响。