CN115662498A - 一种基于改进多目标进化算法的生物代谢路径设计方法 - Google Patents

一种基于改进多目标进化算法的生物代谢路径设计方法 Download PDF

Info

Publication number
CN115662498A
CN115662498A CN202211701196.8A CN202211701196A CN115662498A CN 115662498 A CN115662498 A CN 115662498A CN 202211701196 A CN202211701196 A CN 202211701196A CN 115662498 A CN115662498 A CN 115662498A
Authority
CN
China
Prior art keywords
population
biological
parent
individuals
substrate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211701196.8A
Other languages
English (en)
Other versions
CN115662498B (zh
Inventor
张涛
曹亚慧
赵鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202211701196.8A priority Critical patent/CN115662498B/zh
Publication of CN115662498A publication Critical patent/CN115662498A/zh
Application granted granted Critical
Publication of CN115662498B publication Critical patent/CN115662498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基于改进多目标进化算法的生物代谢路径设计方法，包括设置基本参数，基本参数包括算法迭代次数G，种群大小N，交叉点判断次数M，并确定可利用的底物集和目标产物；采用基于化学相似性的生物路径编码方法进行种群初始化，生成初始种群，将初始种群设为父代种群；基于生物交叉和生物变异操作对父代种群进行交叉变异，获得子代种群；对父代种群和子代种群进行生物代谢路径评估，得到评估结果；基于父代种群和子代种群的评估结果进行帕累托前沿面排序；判断算法是否满足终止条件，如果不满足条件，则继续进行种群的生物交叉和变异，否则算法终止，输出帕累托前沿面，从帕累托前沿面中选择满足需求的个体。

Description

一种基于改进多目标进化算法的生物代谢路径设计方法
技术领域
本发明属于生物代谢路径设计技术领域，尤其是涉及一种基于改进多目标进化算法的生物代谢路径设计方法。
背景技术
代谢工程的重点是微生物细胞工厂的工程，通过改变代谢路径来生产化学品、燃料、药品和药物。在代谢工程中，代谢路径的设计在生产增值化合物的过程中起着至关重要的作用。代谢路径设计是通过连接几个前体化合物或异源途径来寻找一组产生目标化合物的生化反应的过程。其中，"目标化合物"是要待生产的感兴趣的化合物，"前体化合物"是合成目标化合物的化合物。但是，生物代谢路径形成的代谢网络系统是非常复杂的，原因有三点：（1）生物代谢系统非常庞大，包括成千上万的反应和代谢物；（2）生物代谢系统非常难以建立数学模型，因为其具有时变性、非线性和不确定性；（3）生物代谢系统的功能是紧密协调的，所以很难进行严格的、定量的化学分析。因此，生物代谢路径设计是一项艰巨的任务。
传统上，代谢路径的设计是通过调查文献和数据库来寻找候选反应，并将这些反应手动组装成生化途径。这种方法非常依赖研究人员对催化反应的酶和微生物的生理学的生化知识。但一个人只能考虑少量的反应，还有很大可能无法考虑新颖的、预测的反应。所以这种方法无法拓宽路径的可能性。为了克服传统方法的局限性，又开发了相当多的计算方法，这些方法通过输出一个反应列表来表示一条可能的路径。同时为了确保路径的可行性，考虑了不同的评价标准，如总体化学计量、热力学潜力、理论产量、毒性和代谢负担。这些方法将代谢路径的设计问题转换成一个单目标优化问题，用各个评价标准得分的加权和作为预测途径的最终得分。可其局限性有两方面，一方面是这些方法忽略了这些不同标准之间的相关性和矛盾性。比如，如果路径较长，更多的异源反应和中间产物将被引入宿主生物体，这将增加毒性的概率。这样看来，较短的候选途径有利于减少代谢负担。但是一些特定的产品需要复杂的代谢网络来生成，并有相应的热力学和理论产量来达到满意的效果。如此一来，之前讨论的通过多标准得分相加对候选路径进行排名的方法可能会得到一个次优的结果，它不能有效地搜索决策空间并产生更多额外的好的候选途径。另一方面，不同评估标准指标之间的衡量单位不统一，通常需要给不同的标准分配不同的权重值，但是在没有太多事先信息的情况下，如何合理分配权重值是一个新的技术难点。通常是给衡量单位较大的标准分配较大的权重，这种方式同时也会放大该标准的噪声。因此，想要获得高性能的代谢路径，需要对所有标准进行优化权衡。
发明内容
有鉴于此，本发明提出一种基于改进多目标进化算法的生物代谢路径设计方法，通过改进传统的进化算法,使其适应于生物代谢路径的编码、交叉、变异和评估，最后使用帕累托前沿面权衡多个评估方案，选择最佳的候选路径，解决了现有设计工具未考虑评估方式之间的竞争和矛盾关系的问题。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于改进多目标进化算法的生物代谢路径设计方法，具体包括如下步骤：
步骤1：设置基本参数，包括算法迭代次数G，种群大小N，交叉点判断次数M，并确定可利用的底物集和目标产物；
步骤2：采用基于化学相似性的生物路径编码方法进行种群初始化，生成初始种群，并将其设为父代种群；
步骤3：基于生物交叉和生物变异操作对父代种群进行交叉变异，获得子代种群；
步骤4：对父代种群和子代种群进行生物代谢路径评估，得到评估结果；
步骤5：基于父代种群和子代种群的评估结果进行帕累托前沿面排序；
步骤6：判断算法是否满足终止条件，如果不满足条件，则转到步骤3继续进行种群的生物交叉和变异，否则进入步骤7；
步骤7：算法终止，输出帕累托前沿面，从帕累托前沿面中选择满足需求的个体。
进一步的，所述步骤2中，基于化学相似性的生物路径编码方法具体包括：
步骤201：将化合物和反应处理为反应对；
步骤202：计算每个反应对中底物和产物之间的化学相似性，并将其作为附加信息保存于反应对中，然后建立一个总配对池保存这些反应对，并按照不同的化合物进行分类；
步骤203：设置目标化合物的底物集，根据底物集中的底物从总配对池中选择相应的反应对，得到初始化的底物池；
步骤204：在底物池中随机选择一个底物作为起始化合物，在其对应的底物对中，使用基于化学相似性的轮盘赌策略进行选择；
步骤205：如果选择的反应对中的产物不存在于底物池，那么从总配对池中选出产物对应的反应对加入底物池，新的底物池记为，否则不更新底物池；
步骤206：判断产物是否是目标产物，如果是，则算法终止，编码结束，输出编码路径，否则返回步骤204。
进一步的，所述步骤3具体包括：从父代种群的若干个个体中随机选择两个个体作为父代个体，判断两个父代个体中是否存在相同的底物或产物，如果存在，则进行生物交叉操作，否则再次从父代种群中随机选取两个父代个体并判断，如果判断M次后仍然不存在相同点，进行生物变异操作。
进一步的，所述生物交叉操作具体包括：
以父代个体相同点的位置作为交叉点，交换父代个体在交叉点右侧的部分，组成两个新的子代个体。
进一步的，所述生物变异操作具体包括：
从父代种群中随机选择一个个体作为父代个体，再从父代个体中随机挑选一个化合物对对应的位置作为变异点；
以变异点对应的化合物作为起始化合物，以目标产物作为目标化合物，按照基于化学相似性的生物路径编码方法设计一条从起始化合物到目标化合物的新路径，得到新个体；
将新个体拼接到父代个体变异位置的右侧，形成一个新的子代个体。
进一步的，所述步骤4具体包括：分别计算父代种群和子代种群的评价指标，得到对应的评估结果，每个评估结果包括三个评估值，分别对应代谢路径长度、吉布斯自由能和理论产量。
进一步的，所述步骤5具体包括：先组合父代种群和子代种群形成一个新种群，将新种群中的所有个体分配到所有的帕累托前沿面中，并根据个体评估值判断每个个体所属的帕累托前沿面次序，从新种群中选择前N个个体构成新种群的父代种群。
相对于现有技术，本发明所述的一种基于改进多目标进化算法的生物代谢路径设计方法具有以下优势：
本发明将生物代谢路径设计问题建模为一个多目标优化问题，通过多目标优化算法中的帕累托前沿面权衡多种评价指标之间的竞争和矛盾关系，提高了寻找各方面评估指标的均衡的生物代谢路径的概率；
本发明提出一种基于化学相似性的生物代谢路径编码方法，解决了传统多目标进化算法由于生物代谢路径的变长性和连续性无法编码的问题，且相似性的加入使得编码的生物代谢路径提高了被酶催化的概率，提高了所设计的生物代谢路径的可行性；
本发明提出了生物交叉和生物变异的操作方法，解决了传统多目标进化算法无法应用于连续的生物代谢路径的问题，更大地扩展了搜索空间，提高了生物代谢路径的多样性。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的方法流程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示，本发明提供了一种基于改进多目标进化算法的生物代谢路径设计方法，具体包括：
步骤一：参数设置：确定优化方法的基本参数：算法迭代次数G，种群大小N，交叉点判断次数M，此外还需要确定可利用的底物集
Figure 364941DEST_PATH_IMAGE001
和目标产物
Figure 219764DEST_PATH_IMAGE002
；
步骤二：种群初始化：采用基于化学相似性的生物路径编码方法进行种群初始化，生成初始种群
Figure 920873DEST_PATH_IMAGE003
，则
Figure 706295DEST_PATH_IMAGE004
；将初始种群
Figure 192771DEST_PATH_IMAGE003
设为父代种群
Figure 467764DEST_PATH_IMAGE005
；
具体的，基于化学相似性的生物路径编码方法具体包括：
在编码进行之前，要先对数据库进行处理，即先将生化反应处理为反应对，并计算每个反应对对应的化学相似性，然后构建反应对配对池。本发明提出的生物代谢路径编码方法基于之前计算的化学相似性从配对池中筛选反应对，构成代谢路径。通过这种编码方式，不仅解决了代谢路径的连续编码问题，还构成了更易于被酶催化的代谢路径。该编码方法的具体步骤如下：
处理反应对：将化合物和反应处理为反应对，如一个形如
Figure 672480DEST_PATH_IMAGE006
的反应，可以分解为四个反应对，分别为
Figure 58331DEST_PATH_IMAGE007
和
Figure 930472DEST_PATH_IMAGE008
；
构建总配对池：首先基于指纹描述符的相似性评估方法计算每个反应对中底物和产物之间的化学相似性，记为T，并将其作为附加信息保存于反应对中；
指纹是由预先定义的结构片段或在结构中发现的特征的列表组成，每个存在的特征通过使用数字1表示。这种方法中经常使用的指标是简单的距离测量，如Hamin和Euclid距离，以及关联系数，如Tanimoto、Dice、和Cosine系数。而根据基于指纹的相似性计算，Tanimoto系数是一个合适的选择。计算A化合物和B化合物之间的Tanimoto系数的公式如下：
Figure 392677DEST_PATH_IMAGE009
其中，a和b分别是化合物A和化合物B的指纹中"1"特征的数量，c代表A和B的指纹中共同的"1"特征数量。
然后建立一个总配对池
Figure 599537DEST_PATH_IMAGE010
，来保存这些反应对。按照不同的化合物进行分类后，总配对池
Figure 274232DEST_PATH_IMAGE010
可以被表示为：
Figure 984568DEST_PATH_IMAGE011
初始化底物池：假定目标化合物为
Figure 352095DEST_PATH_IMAGE012
,可选择的底物集为
Figure 515092DEST_PATH_IMAGE013
，根据这些底物从总配对池
Figure 727899DEST_PATH_IMAGE010
中选择相应的反应对，得到初始化的底物池
Figure 558320DEST_PATH_IMAGE014
，表示为
Figure 831170DEST_PATH_IMAGE015
；
选择反应对：在底物池中随机选择一个底物作为起始化合物，在其对应的底物对中，使用基于化学相似性的轮盘赌策略进行选择，具体的策略步骤如下：
1、假设选定的化合物s在底物池中共有n个反应对，第i个反应对
Figure 12621DEST_PATH_IMAGE016
对应的化学相似性为
Figure 29119DEST_PATH_IMAGE017
，第i个反应对被选择的概率
Figure 979626DEST_PATH_IMAGE018
为：
Figure 220115DEST_PATH_IMAGE019
2、根据反应对被选择的概率
Figure 374015DEST_PATH_IMAGE018
可以得到第i个反应对累积概率
Figure 709051DEST_PATH_IMAGE020
，表示为
Figure 264797DEST_PATH_IMAGE021
其中
Figure 410607DEST_PATH_IMAGE020
的取值范围为(0,1]；
3、在(0,1]之间生成一个均匀分布的伪随机数r，如果
Figure 301072DEST_PATH_IMAGE022
，那么第k个反应对就是选择的反应对；
更新底物池：如果选择的反应对中的产物p不存在于底物池
Figure 659372DEST_PATH_IMAGE023
，那么从总配对池中选出产物p对应的反应对加入底物池
Figure 318892DEST_PATH_IMAGE023
，新的底物池记为
Figure 635604DEST_PATH_IMAGE024
，否则不更新底物池
Figure 764097DEST_PATH_IMAGE023
；
判断产物是否是目标产物
Figure 175356DEST_PATH_IMAGE025
，如果是，则算法终止，编码结束，输出编码路径
Figure 174536DEST_PATH_IMAGE026
，举例如下所示，否则返回步骤d），
Figure 645837DEST_PATH_IMAGE027
；
步骤三：生物交叉变异。基于生物交叉和生物变异操作对父代种群进行交叉变异，获得子代种群。通过生物交叉和生物变异操作产生的新个体，保存至子代种群Qt。当子代种群Qt中的子代个体的个数为N，停止操作。
具体的，由于生物代谢路径具有变长和连续的特点，传统的交叉和突变方法会打破代谢路径的连续性，所以无法使用。为了解决这个问题，本发明提出了专门用于生物代谢路径设计的交叉和突变方法，命名为BioCrossover和BioMutation。通过所提方法，使得代谢路径在交叉和变异后，仍然能保持其变长性和连续性。BioCrossover和BioMutation具体的实现步骤如下：
a)判断相同点。从父代种群N个个体中随机选择两个个体作为父代个体，判断两个父代个体中是否存在相同的底物或产物，如果存在，则进行步骤b)，否则再次从父代种群中随机选取两个父代个体并判断，如果判断M次后仍然不存在相同点，则执行步骤c)。
b)BioCrossover
i.假设两个父代个体为
Figure 996047DEST_PATH_IMAGE028
和
Figure 210997DEST_PATH_IMAGE029
，如下所示，以父代个体相同点的位置作为交叉点
Figure 330263DEST_PATH_IMAGE030
，则
Figure 706886DEST_PATH_IMAGE031
为
Figure 544392DEST_PATH_IMAGE032
，
Figure 297453DEST_PATH_IMAGE033
；
ii.交换父代个体在交叉点
Figure 520493DEST_PATH_IMAGE030
右侧的部分，组成两个新的子代个体。产生两个子代个体，如下所示，记为
Figure 818751DEST_PATH_IMAGE034
和
Figure 416258DEST_PATH_IMAGE035
，
Figure 989321DEST_PATH_IMAGE036
；
c)BioMutation
i.从父代种群中随机选择一个个体作为父代个体，再从父代个体中随机挑选一个反应对对应的位置作为变异点
Figure 817600DEST_PATH_IMAGE037
。假设随机父代个体为
Figure 801606DEST_PATH_IMAGE038
，如下所示，随机变异点
Figure 331813DEST_PATH_IMAGE037
为
Figure 911830DEST_PATH_IMAGE032
；
Figure 843883DEST_PATH_IMAGE039
；
ii.以变异点对应的化合物
Figure 749522DEST_PATH_IMAGE032
作为起始化合物，同样以目标产物
Figure 32605DEST_PATH_IMAGE040
作为目标化合物，按照基于化学相似性的生物路径编码方法设计一条从
Figure 681892DEST_PATH_IMAGE032
到
Figure 734030DEST_PATH_IMAGE040
的新路径，记为
Figure 794259DEST_PATH_IMAGE041
，如下所示，
Figure 49791DEST_PATH_IMAGE042
；
iii.将新个体
Figure 486457DEST_PATH_IMAGE041
拼接到父代个体变异位置的右侧，形成一个新的子代个体
Figure 143835DEST_PATH_IMAGE043
，如下所示，
Figure 640544DEST_PATH_IMAGE044
；
步骤四：生物代谢路径评估。分别计算父代种群
Figure 383372DEST_PATH_IMAGE045
和子代种群Qt的三个评价指标，得到对应的评估结果
Figure 810680DEST_PATH_IMAGE046
和
Figure 40673DEST_PATH_IMAGE047
。
具体的，本发明将生物代谢路径设计问题看作一个多目标优化问题，包括三个优化目标：最小化路径长度、最小化热力学可行性和最大化理论产量，为了统一优化目标，将最大化理论产量定为最小化负理论产量。所以多目标生物代谢路径设计问题的数学模型如下所示：
Figure 911546DEST_PATH_IMAGE048
其中，
Figure 125359DEST_PATH_IMAGE049
分别表示路径x的长度、热力学和理论产量函数。注意，最小化
Figure 638248DEST_PATH_IMAGE050
和最大化
Figure 4639DEST_PATH_IMAGE051
在数学上是等价的。
路径长度
Figure 577572DEST_PATH_IMAGE052
即为路径中参与反应的数量，所以等价于路径x的维度，设为d,则路径长度
Figure 294992DEST_PATH_IMAGE052
可以被表示为下式，
Figure 345993DEST_PATH_IMAGE053
热力学可行性值
Figure 816158DEST_PATH_IMAGE054
具体计算方法为
Figure 28833DEST_PATH_IMAGE055
，其中
Figure 154921DEST_PATH_IMAGE056
是反应能量的一个向量，R和T分别表示气体常数和温度。
Figure 291504DEST_PATH_IMAGE057
被定义为表示化学计量系数的化学计量矩阵，其中行对应化合物，列对应反应。
Figure 881755DEST_PATH_IMAGE058
是一个对数浓度的向量，第i个元素
Figure 78381DEST_PATH_IMAGE059
代表化合物i浓度的自然对数，以摩尔为单位。
理论产量
Figure 754082DEST_PATH_IMAGE060
通常为在大肠杆菌应用通量平衡分析来计算途径的理论产率，如下所示。其中
Figure 146886DEST_PATH_IMAGE061
和
Figure 607954DEST_PATH_IMAGE062
分别表示目标化合物的通量和摩尔质量，
Figure 959170DEST_PATH_IMAGE063
和
Figure 856587DEST_PATH_IMAGE064
分别表示底物化合物的通量和摩尔质量。
Figure 69394DEST_PATH_IMAGE065
和
Figure 899816DEST_PATH_IMAGE066
是化学单位。则
Figure 641507DEST_PATH_IMAGE067
；
Figure 557379DEST_PATH_IMAGE068
和
Figure 557565DEST_PATH_IMAGE069
均包含N个评估向量，每个评估向量里有三个评估值，分别对应代谢路径长度、吉布斯自由能和理论产量。即
Figure 727646DEST_PATH_IMAGE070
以及
Figure 420665DEST_PATH_IMAGE071
；
步骤五：帕累托前沿面排序。先组合父代种群
Figure 308986DEST_PATH_IMAGE072
和子代种群Qt形成一个新种群
Figure 378442DEST_PATH_IMAGE073
，将新种群中的所有个体分配到所有的帕累托前沿面中，并根据个体评估值y判断每个个体所属的帕累托前沿面次序,从新种群
Figure 386718DEST_PATH_IMAGE074
中选择前N个个体构成新的父代种群
Figure 266950DEST_PATH_IMAGE075
。
步骤六：判断算法是否满足终止条件，即迭代次数达到规定的迭代次数，如果是则终止，进入步骤八，否则迭代次数加一，转到步骤三继续进行种群的生物交叉和变异。
步骤七：算法终止，输出帕累托前沿面（在此前沿面上的每个个体都被认为是同样重要的）。决策人员可根据自己的需求从帕累托前沿面中选择满足需求的个体。
本发明提出一种基于改进多目标进化算法的生物代谢路径设计方法，以糖酵解的过程为例，得到了帕累托前沿面，并从中选取三条极限路径，分别为最短长度路径、最小热力学路径和最大理论产量路径，与经典的糖酵解路径对比，在路径长度、热力学和理论产量上都有了显著提高，对比结果如表1所示。表1为在糖酵解过程中，本发明提出算法设计的路径与经典路径在三种评价指标上的对比结果。
Figure 915273DEST_PATH_IMAGE076
糖酵解过程中，采用的数据集为KEGG中的KEGGCOMPOUND和KEGGREACTION部分，分别包括18900多个化合物和11800多条反应。底物池
Figure 257261DEST_PATH_IMAGE077
，目标产物
Figure 41415DEST_PATH_IMAGE078
Pyruvic acid，即为丙酮酸。此外，使用dGPredictor工具计算每条候选路径的热力学值。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于改进多目标进化算法的生物代谢路径设计方法，其特征在于：具体包括如下步骤：
步骤1：设置基本参数，包括算法迭代次数G，种群大小N，交叉点判断次数M，并确定可利用的底物集和目标产物；
步骤2：采用基于化学相似性的生物路径编码方法进行种群初始化，生成初始种群，并将初始种群设为父代种群；
步骤3：基于生物交叉和生物变异操作对父代种群进行交叉变异，获得子代种群；
步骤4：对父代种群和子代种群进行生物代谢路径评估，得到评估结果；
步骤5：基于父代种群和子代种群的评估结果进行帕累托前沿面排序；
步骤6：判断算法是否满足终止条件，如果不满足条件，则转到步骤3继续进行种群的生物交叉和变异，否则进入步骤7；
步骤7：算法终止，输出帕累托前沿面，从帕累托前沿面中选择满足需求的个体。
2.根据权利要求1所述的一种基于改进多目标进化算法的生物代谢路径设计方法，其特征在于：所述步骤2中，基于化学相似性的生物路径编码方法具体包括：
步骤201：将化合物和反应处理为反应对；
步骤202：计算每个反应对中底物和产物之间的化学相似性，并将其作为附加信息保存于反应对中，然后建立一个总配对池保存这些反应对，并按照不同的化合物进行分类；
步骤203：设置目标化合物的底物集，根据底物集中的底物从总配对池中选择相应的反应对，得到初始化的底物池；
步骤204：在底物池中随机选择一个底物作为起始化合物，在其对应的底物对中，使用基于化学相似性的轮盘赌策略进行选择；
步骤205：如果选择的反应对中的产物不存在于底物池，那么从总配对池中选出产物对应的反应对加入底物池，更新底物池，否则不更新底物池；
步骤206：判断产物是否是目标产物，如果是，则算法终止，编码结束，输出编码路径，否则返回步骤204。
3.根据权利要求1所述的一种基于改进多目标进化算法的生物代谢路径设计方法，其特征在于：所述步骤3具体包括：从父代种群的若干个个体中随机选择两个个体作为父代个体，判断两个父代个体中是否存在相同的底物或产物，如果存在，则进行生物交叉操作，否则再次从父代种群中随机选取两个父代个体并判断，如果判断M次后仍然不存在相同点，进行生物变异操作。
4.根据权利要求3所述的一种基于改进多目标进化算法的生物代谢路径设计方法，其特征在于：所述生物交叉操作具体包括：
以父代个体相同点的位置作为交叉点，交换父代个体在交叉点右侧的部分，组成两个新的子代个体。
5.根据权利要求3所述的一种基于改进多目标进化算法的生物代谢路径设计方法，其特征在于：所述生物变异操作具体包括：从父代种群中随机选择一个个体作为父代个体，再从父代个体中随机挑选一个化合物对对应的位置作为变异点；
以变异点对应的化合物作为起始化合物，以目标产物作为目标化合物，按照基于化学相似性的生物路径编码方法设计一条从起始化合物到目标化合物的新路径，得到新个体；
将新个体拼接到父代个体变异位置的右侧，形成一个新的子代个体。
6.根据权利要求1所述的一种基于改进多目标进化算法的生物代谢路径设计方法，其特征在于：所述步骤4具体包括：分别计算父代种群和子代种群的评价指标，得到对应的评估结果，每个评估结果包括三个评估值，分别对应代谢路径长度、吉布斯自由能和理论产量。
7.根据权利要求1所述的一种基于改进多目标进化算法的生物代谢路径设计方法，其特征在于：所述步骤5具体包括：先组合父代种群和子代种群形成一个新种群，将新种群中的所有个体分配到所有的帕累托前沿面中，并根据个体评估值判断每个个体所属的帕累托前沿面次序，从新种群中选择前N个个体构成新种群的父代种群。
CN202211701196.8A 2022-12-29 2022-12-29 一种基于改进多目标进化算法的生物代谢路径设计方法 Active CN115662498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211701196.8A CN115662498B (zh) 2022-12-29 2022-12-29 一种基于改进多目标进化算法的生物代谢路径设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211701196.8A CN115662498B (zh) 2022-12-29 2022-12-29 一种基于改进多目标进化算法的生物代谢路径设计方法

Publications (2)

Publication Number Publication Date
CN115662498A true CN115662498A (zh) 2023-01-31
CN115662498B CN115662498B (zh) 2023-03-10

Family

ID=85023328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211701196.8A Active CN115662498B (zh) 2022-12-29 2022-12-29 一种基于改进多目标进化算法的生物代谢路径设计方法

Country Status (1)

Country Link
CN (1) CN115662498B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117634302A (zh) * 2023-12-05 2024-03-01 北京大数据先进技术研究院 一种动态服务组合选择方法、装置和产品

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102768735A (zh) * 2012-07-04 2012-11-07 西安电子科技大学 基于免疫克隆多目标优化的网络社区划分方法
CN110909787A (zh) * 2019-11-18 2020-03-24 安徽大学 基于聚类的进化算法进行多目标批调度优化的方法和系统
CN113470732A (zh) * 2021-06-09 2021-10-01 华东理工大学 微生物代谢网络模型多优化目标确定方法及其应用
CN114819151A (zh) * 2022-06-23 2022-07-29 天津大学 基于改进代理辅助混洗蛙跳算法的生化路径规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102768735A (zh) * 2012-07-04 2012-11-07 西安电子科技大学 基于免疫克隆多目标优化的网络社区划分方法
CN110909787A (zh) * 2019-11-18 2020-03-24 安徽大学 基于聚类的进化算法进行多目标批调度优化的方法和系统
CN113470732A (zh) * 2021-06-09 2021-10-01 华东理工大学 微生物代谢网络模型多优化目标确定方法及其应用
CN114819151A (zh) * 2022-06-23 2022-07-29 天津大学 基于改进代理辅助混洗蛙跳算法的生化路径规划方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TAO ZHANG 等: "A local dimming method based on improved multi-objective evolutionary algorithm" *
张中伟;梅红岩;周军;贾慧萍;: "基于多目标协同进化遗传算法的规则提取方法" *
王云鹤: "基于多目标进化学习的生物数据分析方法研究" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117634302A (zh) * 2023-12-05 2024-03-01 北京大数据先进技术研究院 一种动态服务组合选择方法、装置和产品
CN117634302B (zh) * 2023-12-05 2024-05-14 北京大数据先进技术研究院 一种动态服务组合选择方法、装置和产品

Also Published As

Publication number Publication date
CN115662498B (zh) 2023-03-10

Similar Documents

Publication Publication Date Title
Segal et al. Rich probabilistic models for gene expression
Cho et al. Prediction of novel synthetic pathways for the production of desired chemicals
Eigen et al. Molecular quasi-species
US7085690B2 (en) Unsupervised machine learning-based mathematical model selection
US7191106B2 (en) Method and system for predicting multi-variable outcomes
Coello Evolutionary algorithms for solving multi-objective problems
Pournara et al. Reconstruction of gene networks using Bayesian learning and manipulation experiments
CN115662498B (zh) 一种基于改进多目标进化算法的生物代谢路径设计方法
CN109727637B (zh) 基于混合蛙跳算法识别关键蛋白质的方法
US7231328B2 (en) Apparatus and method for designing proteins and protein libraries
Pittman et al. Bayesian analysis of binary prediction tree models for retrospectively sampled outcomes
CN116580848A (zh) 一种基于多头注意力机制的分析癌症多组学数据方法
Petti et al. Inferring sparse structure in genotype–phenotype maps
Angione et al. Pareto optimality in organelle energy metabolism analysis
St-Pierre et al. Efficient penalized generalized linear mixed models for variable selection and genetic risk prediction in high-dimensional data
US20230335228A1 (en) Active Learning Using Coverage Score
US20230307093A1 (en) Method for predicting dna recombination sites based on xgboost
JP2004355174A (ja) データ解析方法及びそのシステム
Svensson Sequential Decision-Making for Drug Design: Towards Closed-Loop Drug Design
Lajevardy et al. Developing new genetic algorithm based on integer programming for multiple sequence alignment
CN113450872B (zh) 磷酸化位点特异激酶的预测方法
Meinl Maximum-score diversity selection
Petrizzelli et al. Data integration uncovers the metabolic bases of phenotypic variation in yeast
Cao et al. MooSeeker: A Metabolic Pathway Design Tool Based on Multi-Objective Optimization Algorithm
JPWO2002050767A1 (ja) 多変量で記述された大量情報を高精度に分類する方法およびシステム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant