[论文解读] Evolutionary Algorithms: Concepts, Designs, and Applications in Bioinformatics: Evolutionary Algorithms for Bioinformatics

Ka‐Chun Wong|arXiv (Cornell University)|Aug 3, 2015

Evolutionary Algorithms and Applications参考文献 81被引用 7

一句话总结

本文综述了进化算法（EAs）在生物信息学中的应用，重点探讨其在基因调控网络推断、蛋白质结构预测和序列比对等复杂生物问题中的表现。通过利用自然选择以及突变、交叉等遗传操作，EAs能够高效探索传统优化方法失效的大规模非线性搜索空间，在基因组学与系统生物学应用中表现出色。

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.

研究动机与目标

• 综述进化算法（EAs）在生物信息学中的研究现状，重点分析其相较于传统优化方法的独特优势。
• 识别出由于其在非线性、高维数据空间中具备鲁棒性，EAs能够有效解决的生物数据分析关键挑战。
• 突出展示EAs在基因组学、系统生物学和结构生物信息学中的成功应用，体现其适应性与性能表现。
• 全面概述EAs的设计方案及其在解决复杂生物问题中的实现方式。
• 通过整合现有EAs应用并识别生物信息学中具有前景的研究方向，为未来研究奠定基础。

提出的方法

• 基于对生物信息学中进化算法相关文献的系统性回顾，重点关注基因组学与系统生物学中的应用。
• 应用自然选择、突变、交叉和选择等原则，对生物优化问题进行建模。
• 在生物数据背景下，回顾遗传算法、差分进化和分布估计算法等EAs设计。
• 通过来自不同领域的案例研究（包括基因网络推断、蛋白质折叠和序列比对）展示EAs的有效性。
• 将EAs性能与传统优化技术进行对比，强调其在复杂、非凸及噪声生物数据空间中的适应能力。
• 引用实证研究，展示EAs在真实生物信息学问题中的成功应用，如核反应堆核心设计与管道布线，作为生物优化的类比。

实验结果

研究问题

• RQ1 进化算法在复杂生物数据景观中如何优于传统优化技术？
• RQ2 哪些关键设计原则使进化算法适用于生物信息学应用？
• RQ3 进化算法在哪些具体的生物信息学问题中表现出显著成功？
• RQ4 突变与交叉等遗传操作如何促进解决非线性、高维生物优化问题？
• RQ5 在基因组学与系统生物学中应用EAs的当前局限性与开放挑战是什么？

主要发现

• 进化算法能有效解决传统方法因景观复杂性而失效的复杂非线性优化问题，尤其在生物信息学领域。
• 在基因调控网络推断、蛋白质结构预测和序列比对等应用中，EAs的表现与启发式方法相比具有竞争力甚至更优。
• EAs对多种问题类型的适应能力——如电磁优化与核反应堆核心设计——表明其在高维、噪声搜索空间中具备强大鲁棒性。
• 基于EAs的方法已成功应用于环境保护、金融和音乐编排等领域，表明其优化潜力可广泛迁移至生物系统。
• EAs的函数优化能力被突出为关键优势，尤其在基因组学中常见的崎岖或多重模态适应度景观问题中。
• 文献中的案例研究证实，EAs能够处理高维性与不确定性的现实生物数据，使其成为系统生物学应用的理想选择。