生物／医学时空型数据的建模、计算与系统综合研究

The accumulation of spatial-temporal data in biology and biomedical fields provides an essential opportunity for researchers to study the evolution and dynamic mechanisms of biological systems. At the same time, it raises new questions and challenges for the research of applied mathematics, in particular computational and systems biology. In response, this research project aims to study the modeling, computation, and synthesis of biological/biomedical spatial-temporal data by emphasizing the key characteristics of these data that include high-dimensionality, time-varying system, and heterogeneity to develop novel algorithms and theories in this field. To achieve this goal, this project will (1) develop algorithms for measuring the interactions of heterogeneous data; (2) reconstruct data-driven spatial-temporal evolving networks and develop optimal network threshold rules based on peculation and random network theories; (3) reduce data dimensionality by network modulization (community structure) and develop novel methods and theories for the identification and tracking of spatial-temporal evolving network modules to unveil the underlying mechanisms and functions. The project has profound scientific implications in terms of raising and solving new mathematical and computational problems as well as propelling data-driven biological and biomedical research.

当今，生物／医学时空型数据的不断涌现，为认识和研究生物系统的演化规律与动态机制提供了先决条件，并向应用数学、特别是计算与系统生物学的发展提出了新的问题与挑战。针对生物／医学数据的高维、时变与异质等特性，本项目以生物／医学时空型数据的建模、计算与系统综合为主要研究内容，开展新型算法及相关理论研究。具体而言，本项目拟（1）发展针对异质数据的关联度量算法与理论；（2）利用时空型数据构建时空演化关联网络，基于逾渗理论和网络特性研究最优阀值理论；（3）通过网络模块化（社团网络）方法，对高维数据有效降低维度，并且发展新型时变与空变的社团网络识别与跟踪的方法与理论，研究时空网络模块的演化规律与功能。本项目具有重要的科学意义，它将提出与解决新的数学与计算问题，同时推动数据驱动的生物／医学研究与诊疗的发展。

当今，生物／医学时空型数据的不断涌现，为认识和研究生物系统的演化规律与动态机制提供了先决条件，并向应用数学、特别是计算与系统生物学的发展提出了新的问题与挑战。针对生物／医学数据的高维、时变与异质等特性，本项目以生物／医学时空型数据的建模、计算与系统综合为主要研究内容，开展新型算法及相关理论研究。具体而言，本项目取得了以下四个方面的重要成果：（1）开发了针对高维异质单细胞数据的可视化与动力学重构的新型算法；（2）发展了高维带有噪声数据中内嵌连续树结构的统计检验的理论与方法；（3）发展了全脑时空影像数据分析的严格随机场理论，开发了多尺度、多模态脑数据整合算法；（4）提出了新型空间信号处理算法，有效解决了高通量测序技术中的信号空间混杂干扰的建模与校正难题。本项目具有重要的科学意义，不但提出与解决了新的数学与计算问题，同时推动了数据驱动的生物／医学研究的发展。