12、MEMSA与Fly算法：生物信息与医学成像的创新解决方案

MEMSA与Fly算法：生物信息与医学成像的创新解决方案

1. Parisian进化方法与MEMSA算法

传统的多序列比对（MSA）方法存在一个问题，它们试图进化代表完整MSA的个体，然而由于序列比对存在多种有效方式，这在概念上是一项不可能完成的任务。因此，使用全局方法意味着要在适应度函数上做出选择。

Parisian方法借鉴了学习分类器系统的Michigan方法，旨在将一个大问题分解为多个小的子问题，这些子问题的解决难度比全局问题低几个数量级，然后再将子问题重新组合成全局解决方案。在Parisian方法中，个体仅代表解决方案的一部分，在算法的最后阶段，从各个个体部分重建全局解决方案。这种方法有两个优点：一是降低了MSA算法的计算要求，因为比对被分解为更小的子问题，意味着可以快速构建和评估更小的个体；二是解决了MSA没有唯一全局适应度函数的问题，不同的蛋白质区域可以使用不同的适应度函数。

基于Parisian方法的进化算法MEMSA进化代表良好“补丁”的个体，而不是完整的解决方案，这些补丁可以根据不同的全局评估进行不同的重新组合。

2. 基于Parisian方法的MSA遗传算法

2.1 个体/补丁

在MEMSA中，个体代表局部比对，称为“补丁”，包含来自不同序列的少量相同长度（至少2个氨基酸）的“片段”。

2.2 初始化

与人工进化通常的做法一样，初始化使用随机值（在约束范围内）以避免偏差。初始种群中的每个个体由从2 - 5个序列中提取的2个氨基酸的短片段组成。

2.3 交叉

在运行算法时发现，具有超过2个片段的良好个体非常罕