[논문 리뷰] Evolutionary Algorithms: Concepts, Designs, and Applications in Bioinformatics: Evolutionary Algorithms for Bioinformatics

Ka‐Chun Wong|arXiv (Cornell University)|2015. 08. 03.

Evolutionary Algorithms and Applications참고 문헌 81인용 수 7

한 줄 요약

이 논문은 생물정보학 분야에서 진화 알고리즘(EAs)을 검토하며, 유전자 조절 네트워크 추론, 단백질 구조 예측, 서열 정렬과 같은 복잡한 생물학적 문제에의 적용을 강조한다. 자연 선택과 돌연변이, 교차와 같은 유전적 연산을 활용하여 기존 최적화 기법이 실패하는 대규모 비선형 탐색 공간을 효율적으로 탐색하며, 게놈학 및 시스템 생물학 분야에서 뛰어난 성능을 보인다.

ABSTRACT

Since genetic algorithm was proposed by John Holland (Holland J. H., 1975) in the early 1970s, the study of evolutionary algorithm has emerged as a popular research field (Civicioglu & Besdok, 2013). Researchers from various scientific and engineering disciplines have been digging into this field, exploring the unique power of evolutionary algorithms (Hadka & Reed, 2013). Many applications have been successfully proposed in the past twenty years. For example, mechanical design (Lampinen & Zelinka, 1999), electromagnetic optimization (Rahmat-Samii & Michielssen, 1999), environmental protection (Bertini, Felice, Moretti, & Pizzuti, 2010), finance (Larkin & Ryan, 2010), musical orchestration (Esling, Carpentier, & Agon, 2010), pipe routing (Furuholmen, Glette, Hovin, & Torresen, 2010), and nuclear reactor core design (Sacco, Henderson, Rios-Coelho, Ali, & Pereira, 2009). In particular, its function optimization capability was highlighted (Goldberg & Richardson, 1987) because of its high adaptability to different function landscapes, to which we cannot apply traditional optimization techniques (Wong, Leung, & Wong, 2009). Here we review the applications of evolutionary algorithms in bioinformatics.

연구 동기 및 목표

• 진화 알고리즘(EAs)이 기존 최적화 방법에 비해 유일하게 갖는 이점에 초점을 맞춘 생물정보학 분야의 진화 알고리즘 현황을 조사하는 것.
• 비선형성과 고차원적인 지표 공간에서 뛰어난 내성과 안정성을 보이는 EAs가 효과적으로 해결할 수 있는 생물학적 데이터 분석의 핵심 과제를 규명하는 것.
• 게놈학, 시스템 생물학, 구조 생물정보학 분야에서의 성공적인 EAs 적용 사례를 부각하여 그 적응성과 성능을 입증하는 것.
• 복잡한 생물학적 문제를 해결하는 데에 활용된 EAs의 설계 및 구현 방식에 대한 종합적인 개요를 제공하는 것.
• 기존 EAs 적용 사례를 통합하여 미래 연구를 위한 기반을 마련하고, 생물정보학 분야에서 유망한 방향성을 규명하는 것.

제안 방법

• 생물정보학 분야에서의 진화 알고리즘에 관한 출판된 문헌을 체계적으로 검토하여, 게놈학 및 시스템 생물학 분야의 적용 사례에 집중하는 것.
• 자연 선택, 돌연변이, 교차, 선택 원리를 적용하여 생물학적 최적화 문제를 모델링하는 것.
• 생물학적 데이터 맥락에서 유전자 알고리즘, 차등 진화, 분포 추정 알고리즘 등의 EAs 설계를 검토하는 것.
• 유전자 네트워크 추론, 단백질 접힘, 서열 정렬 등 다양한 분야의 사례 연구를 분석하여 EAs의 효과성을 입증하는 것.
• EAs의 성능을 기존 최적화 기법과 비교하여, 생물학적 지표 공간의 비볼록성, 복잡성, 노이즈에 대한 적응성을 강조하는 것.
• 핵로켓 핵심 설계 및 파ип 루팅 문제 등 실제 생물정보학 문제에 대한 EAs 성공 사례를 인용하여 생물학적 최적화에 대한 유사 사례를 제시하는 것.

실험 결과

연구 질문

• RQ1 진화 알고리즘이 복잡한 생물학적 데이터 지표 공간에서 기존 최적화 기법보다 어떻게 뛰어난 성능을 발휘하는가?
• RQ2 진화 알고리즘이 생물정보학 적용에 적합한 데에 기여하는 핵심 설계 원리는 무엇인가?
• RQ3 어떤 특정 생물정보학 문제에서 진화 알고리즘이 뚜렷한 성공을 거두었는가?
• RQ4 돌연변이와 교차와 같은 유전적 연산이 비선형성과 고차원성을 띤 생물학적 최적화 문제를 해결하는 데 어떻게 기여하는가?
• RQ5 게놈학 및 시스템 생물학 분야에 EAs를 적용할 때 현재 존재하는 제약 조건과 열린 과제는 무엇인가?

주요 결과

• 기존 최적화 기법이 지표 복잡성으로 인해 실패하는 생물정보학 분야의 복잡하고 비선형적인 최적화 문제를 진화 알고리즘이 효과적으로 해결한다.
• 유전자 조절 네트워크 추론, 단백질 구조 예측, 서열 정렬 분야의 적용 사례에서 EAs는 히우리스틱 대안 대비 경쟁력 있거나 뛰어난 성능을 보인다.
• 전자기 최적화 및 핵로켓 핵심 설계 등 다양한 문제 유형에 대한 EAs의 적용 능력은 고차원성과 노이즈가 많은 탐색 공간에서의 강건성을 입증한다.
• 환경 보호, 금융, 음악 오케스트레이션 분야에서의 EAs 기반 방법 적용 사례는 생물학적 시스템에 적용 가능한 광범위한 최적화 잠재력을 보여준다.
• EAs의 기능 최적화 능력은 특히 게놈학에서 흔히 볼 수 있는 난이도 높거나 다모드 지표 공간에서의 핵심 강점으로 부각된다.
• 문헌에 기반한 사례 연구는 EAs가 고차원성과 불확실성이 높은 실제 생물학적 데이터를 효과적으로 처리할 수 있음을 확인하며, 이는 시스템 생물학 응용 분야에 이상적인 도구임을 시사한다.