15、生物信息学中的进化计算与基因调控网络建模

生物信息学中的进化计算与基因调控网络建模

1. 进化计算在模型和参数优化中的应用

1.1 变异操作

在进化计算（EC）中，变异操作是一种重要的搜索方式，不同的数据结构有不同的变异方法：
- 对于二进制字符串，随机“翻转”一位。
- 对于更复杂的结构，随机选择一个位点，删除与该位点相关的结构，并随机创建一个新的子结构。

有些 EC 方法仅使用变异（无交叉，如进化策略），通常，变异用于在“局部搜索空间”中进行搜索，通过允许基因型的微小变化，有望带来表型的变化。

1.2 GA 优化特征集和模型的一般过程

GA（遗传算法）可用于优化特征集和模型，具体步骤如下：
1. 从初始特征集 (G_m) 和模型 (M) 开始，创建 (K) 个染色体（模型）的种群，每个染色体具有来自 (G_m) 的不同特征子集，以及与模型 (M) 参数值略有不同的参数值。染色体包含一个二进制部分（表示特征在模型中是否存在，存在为 1，不存在为 0）和一个连续值部分（模型的参数）。例如，若模型是 ECF ECOS，参数包括 (R_{max})、(R_{min})、模糊隶属函数的数量、ECF 模型的训练迭代次数。
2. 进行 (P) 代的循环：
- 从数据集 (S) 中随机选择一个子集 (S_{tst}) 用于测试，其余 (S_{tr}) 用于训练。
- 在 (S_{tr}) 上训练所有 (K) 个模型，并在 (S_{tst}) 上进行测试。
- 选择最佳模型（如具有最大准确率的模型）。
- 对染色体应用交叉验证和变异操作，创建下一代的 (K) 个新模型。
3. 选择最终的最佳模型（具