11、基因调控网络重建与合成生物系统设计控制

基因调控网络重建与合成生物系统设计控制

基因调控网络（GRN）的重建以及合成生物系统的设计与控制在生物学和计算科学的交叉领域中具有重要意义。下面将详细介绍相关的研究内容和实验结果。

基因调控网络重建

在GRN重建中，常用的是递归神经网络（RNN）模型。但该模型参数众多，对于大规模网络搜索复杂。因此，研究人员尝试将模型解耦，独立识别每个基因的调控因子。

适应度函数

为了评估模型，使用了适应度函数。最初的适应度函数为：
[f(\Omega_i) = \frac{1}{TM} \sum_{k=1}^{M} \sum_{t=1}^{T} (e_{cal_{k,i}(t)} - e_{exp_{k,i}(t)})^2]
其中，(e_{exp_{k,i}(t)})和(e_{cal_{k,i}(t)})分别表示实验和模拟数据中第(k)组时间进程中第(i)个基因在时间(t)的表达水平。

为了恢复目标骨架结构，对适应度函数进行了惩罚，引入了惩罚项：
[f(\Omega_i) = \frac{1}{TM} \sum_{k=1}^{M} \sum_{t=1}^{T} (e_{cal_{k,i}(t)} - e_{exp_{k,i}(t)})^2 + c \sum_{j=1}^{N - I} (\vert w_{ij} \vert)]
这里，(\vert w_{ij} \vert)是按大小升序排列的指向基因(i)的相互作用权重，(I)表示基因允许的最大调控数，(c)是惩罚常数。

实验结果

• 人工网络推断
  <