[论文解读] Haploid-Diploid Evolution: Nature's Memetic Algorithm

Michail‐Antisthenis Tsompanas, Larry Bull+2 more|arXiv (Cornell University)|Nov 13, 2019

Evolution and Genetic Dynamics被引用 4

一句话总结

本文提出了一种新颖的膜式算法——单倍体-二倍体进化算法（Haploid-Diploid Evolutionary Algorithm, HDEA），受真核生物生命周期启发，通过二倍体表示和重组机制利用Baldwin效应。通过将适应度评估为两个单倍体基因组的综合结果，HDEA在崎岖适应度景观上的搜索性能得到提升，在抽象NK模型测试和基于纳米颗粒的癌症治疗优化的PhysiCell仿真中，均优于标准单倍体进化算法。

ABSTRACT

This paper uses a recent explanation for the fundamental haploid-diploid lifecycle of eukaryotic organisms to present a new memetic algorithm that differs from all previous known work using diploid representations. A form of the Baldwin effect has been identified as inherent to the evolutionary mechanisms of eukaryotes and a simplified version is presented here which maintains such behaviour. Using a well-known abstract tuneable model, it is shown that varying fitness landscape ruggedness varies the benefit of haploid-diploid algorithms. Moreover, the methodology is applied to optimise the targeted delivery of a therapeutic compound utilizing nano-particles to cancerous tumour cells with the multicellular simulator PhysiCell.

研究动机与目标

• 开发一种新的进化计算框架，模拟真核生物中观察到的自然单倍体-二倍体周期，以提高搜索效率。
• 研究如何通过二倍体表示将Baldwin效应——表型可塑性影响进化轨迹——嵌入计算算法中。
• 在抽象适应度景观（NK模型）和复杂生物模拟器（PhysiCell）上评估所提出的HDEA方法在治疗设计中的表现。
• 确定与标准单倍体进化算法相比，是否二倍体表示与重组能提升优化性能。
• 在多细胞模拟环境中，利用HDEA识别实现纳米颗粒靶向癌细胞的最优参数配置。

提出的方法

• HDEA使用二倍体个体，每个个体由两个单倍体基因组组成，以在搜索空间中表示解，从而在适应度景观的两点之间实现泛化。
• 适应度评估结合了两个单倍体基因组的贡献，模拟基因互作效应（如共显性或部分显性），而非应用显性规则。
• 在繁殖过程中通过减数分裂实施重组，允许亲代基因组之间的遗传混合，生成具有杂合特征的新二倍体后代。
• 该算法在二倍体选择与单倍体配子形成之间交替进行，模拟自然真核生物生命周期，通过二倍体表达实现表型可塑性。
• 该方法在可调NK模型上进行测试，以评估在不同适应度景观崎岖程度下的性能，并应用于PhysiCell多细胞模拟器以优化癌症治疗。
• 通过非参数检验（Wilcoxon符号秩检验）对30次独立运行的结果进行统计比较。

实验结果

研究问题

• RQ1 HDEA在具有不同崎岖程度的抽象适应度景观上，与标准单倍体进化算法相比表现如何？
• RQ2 HDEA中的二倍体表示与重组是否能有效利用Baldwin效应，从而提升在复杂、崎岖适应度景观上的搜索性能？
• RQ3 在PhysiCell多细胞模拟器中，HDEA是否在优化纳米颗粒靶向癌细胞方面优于标准进化算法？
• RQ4 HDEA优化的纳米颗粒设计中，导致最优治疗结果的关键参数配置是什么？
• RQ5 在多次运行中，HDEA在平均值和最佳解质量方面的性能提升是否具有统计显著性？

主要发现

• 在NK模型中，HDEA的平均适应度值显著优于标准单倍体进化算法（p = 0.0256，Wilcoxon符号秩检验）。
• 尽管在最佳解方面未达到统计显著差异（p = 0.3763），但HDEA在前10次运行中找到的解显著更优（p = 0.0215）。
• 在PhysiCell仿真中，HDEA在适应度景观高度随机的情况下仍能更快达到更优解，表明其具有鲁棒性和高效性。
• 载荷释放O2阈值参数影响最大，最优解集中在约11 mmHg附近，与先前研究结果一致。
• HDEA解显示出对较低工人相对排斥力和较高工人迁移持续时间的偏好，表明其在参数空间中具有独特偏好。
• 箱线图和散点图显示，HDEA产生的参数分布更一致且更集中，尤其在关键治疗设计参数方面。