發(fā)布時(shí)間：2023-05-13 23:30

　　基因調(diào)控網(wǎng)絡(luò)(Gene regulatory network,GRN)是由細(xì)胞中的脫氧核糖核酸、核糖核酸、蛋白質(zhì)、代謝物所構(gòu)成的相互作調(diào)控網(wǎng)絡(luò)。自然界中,具有較好適應(yīng)性的生物體才能獲得更多的生存機(jī)會(huì)。GRN的適應(yīng)性研究具有重要的生物學(xué)意義。利用基因表達(dá)觀測(cè)數(shù)據(jù)辨識(shí)基因間的調(diào)控關(guān)系有助于實(shí)現(xiàn)系統(tǒng)的白化。本文針對(duì)GRN的適應(yīng)性功能和基于觀測(cè)數(shù)據(jù)的GRN可辨識(shí)性?xún)蓚�(gè)方面進(jìn)行了研究,主要工作和結(jié)論如下:(1)利用改進(jìn)的優(yōu)化算法提高了具有適應(yīng)性的三節(jié)點(diǎn)GRN的拓?fù)�、參�?shù)辨識(shí)效率以及解的質(zhì)量。分別以變拓?fù)涞�、定拓�(fù)淙?jié)點(diǎn)GRN為研究對(duì)象,提出了幾種改進(jìn)的啟發(fā)式搜索方法,解決了拉丁超立方抽樣方法(Latin hypercube sampling,LHS)辨識(shí)適應(yīng)性網(wǎng)絡(luò)時(shí)存在的效率不高、解質(zhì)量不高的問(wèn)題。1.)建立了變拓?fù)淙?jié)點(diǎn)GRN的Michaelis-Menten數(shù)學(xué)模型,提出了基于多目標(biāo)遺傳算法辨識(shí)具有適應(yīng)性GRN的方法(包括拓?fù)浣馀c參數(shù)解),提高了拓?fù)�、參�?shù)辨識(shí)效率。2)針對(duì)積分控制節(jié)點(diǎn)負(fù)反饋回路(Negative feedback loop with a buffering會(huì)node,NFB...

【文章頁(yè)數(shù)】：120 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
符號(hào)對(duì)照表
1 緒論
    1.1 研究背景
    1.2 基因調(diào)控網(wǎng)絡(luò)
    1.3 基因調(diào)控網(wǎng)絡(luò)的研究現(xiàn)狀
        1.3.1 基因調(diào)控網(wǎng)絡(luò)的功能研究
        1.3.2 基因調(diào)控網(wǎng)絡(luò)辨識(shí)
    1.4 本文的研究問(wèn)題
        1.4.1 基因調(diào)控網(wǎng)絡(luò)的適應(yīng)性研究中存在的問(wèn)題
        1.4.2 基于觀測(cè)數(shù)據(jù)的基因調(diào)控網(wǎng)絡(luò)可辨識(shí)性問(wèn)題
    1.5 本文的研究?jī)?nèi)容與工作安排
2 基因調(diào)控網(wǎng)絡(luò)辨識(shí)的問(wèn)題描述
    2.1 系統(tǒng)辨識(shí)關(guān)鍵問(wèn)題
    2.2 三節(jié)點(diǎn)基因調(diào)控網(wǎng)絡(luò)的適應(yīng)性功能研究
        2.2.1 復(fù)雜生物網(wǎng)絡(luò)中的網(wǎng)絡(luò)模體
        2.2.2 傳統(tǒng)的基因調(diào)控網(wǎng)絡(luò)適應(yīng)性指標(biāo)
    2.3 觀測(cè)數(shù)據(jù)的有效性問(wèn)題
    2.4 本章小結(jié)
3 具有滿(mǎn)意適應(yīng)性的GRN多目標(biāo)優(yōu)化辨識(shí)方法研究
    3.1 問(wèn)題描述
    3.2 變拓?fù)淙?jié)點(diǎn)酶調(diào)控網(wǎng)絡(luò)的Michaelis-Menten數(shù)學(xué)模型
    3.3 基于多目標(biāo)遺傳算法辨識(shí)具有適應(yīng)性功能的三節(jié)點(diǎn)變拓?fù)銰RN
        3.3.1 基本遺傳算法
        3.3.2 本文使用的遺傳算法
        3.3.3 仿真結(jié)果與分析
    3.4 基于多目標(biāo)粒子群算法優(yōu)化三節(jié)點(diǎn)定拓?fù)銰RN的適應(yīng)性
        3.4.1 NFBLB拓?fù)淙?jié)點(diǎn)酶調(diào)控網(wǎng)絡(luò)的Michaelis-Menten數(shù)學(xué)模型
        3.4.2 改進(jìn)的多目標(biāo)粒子群算法
        3.4.3 仿真結(jié)果與分析
    3.5 本章小結(jié)
4 具有適應(yīng)性功能的基因調(diào)控網(wǎng)絡(luò)全局參數(shù)特性研究
    4.1 適應(yīng)性功能的新指標(biāo)
    4.2 兩種拓?fù)淙?jié)點(diǎn)酶調(diào)控網(wǎng)絡(luò)的Michaelis-Menten數(shù)學(xué)模型
    4.3 具有滿(mǎn)意適應(yīng)性的參數(shù)辨識(shí)方法
        4.3.1 外部精英集策略
        4.3.2 約束多目標(biāo)優(yōu)化
        4.3.3 進(jìn)化操作
    4.4 滿(mǎn)意參數(shù)的模糊C均值聚類(lèi)分析
    4.5 仿真結(jié)果與分析
        4.5.1 算法參數(shù)設(shè)置
        4.5.2 NFBLB拓?fù)銰RN的仿真結(jié)果
        4.5.3 IFFLP拓?fù)銰RN的仿真結(jié)果
        4.5.4 兩種不同拓?fù)浠蛘{(diào)控網(wǎng)絡(luò)的適應(yīng)性動(dòng)態(tài)比較
    4.6 本章小結(jié)
5 基于觀測(cè)數(shù)據(jù)的基因調(diào)控網(wǎng)絡(luò)可辨識(shí)性研究
    5.1 問(wèn)題描述
        5.1.1 基因調(diào)控網(wǎng)絡(luò)的S-system模型
        5.1.2 基因調(diào)控網(wǎng)絡(luò)辨識(shí)
    5.2 辨識(shí)方法
        5.2.1 簡(jiǎn)化的五節(jié)點(diǎn)基因調(diào)控網(wǎng)絡(luò)模型
        5.2.2 觀測(cè)時(shí)間序列采集
        5.2.3 模型輸出時(shí)間序列的數(shù)值解
        5.2.4 參數(shù)優(yōu)化方法—改進(jìn)的GA-PSO算法
        5.2.5 基因調(diào)控網(wǎng)絡(luò)的可辨識(shí)性
    5.3 仿真結(jié)果與分析
        5.3.1 參數(shù)設(shè)置
        5.3.2 采用方案1觀測(cè)數(shù)據(jù)的辨識(shí)結(jié)果
        5.3.3 采用方案2觀測(cè)數(shù)據(jù)的辨識(shí)結(jié)果
        5.3.4 穩(wěn)態(tài)觀測(cè)數(shù)據(jù)導(dǎo)致辨識(shí)無(wú)效的原因
        5.3.5 采用方案3脈沖激勵(lì)響應(yīng)有效觀測(cè)數(shù)據(jù)的辨識(shí)結(jié)果
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 本文的主要工作與結(jié)論
    6.2 展望
致謝
參考文獻(xiàn)
附錄 攻讀博士期間的主要研究成果



本文編號(hào)：3816741