分子生物学代谢过程多模型建模及非线性分析

Nowadays the biology and information science develop fast with each passing day. The research on bioinformatics is thriving and the application of computer technology in biologics field research is indispensable, but the deficiency in modeling tools of molecular biology leads to the lack of research objects in bioinformatics, so research on suitable modeling methods is a matter of in very need. This project will use various mathematical modeling methods including group theory, matrix theory, Yuanjian theory, invariant feature extraction method, and discrete event dynamical systems to quantitatively and precisely model the metabolic process of molecular biology and to establish protein molecule tertiary structure equations in abstract functional space for analysis. The project will derive the nonlinear control strategy for the ODE models of gene regulatory networks based on observer. And then the project will make simulation of above research result and the testing and verification work. With systemic research, we attempt to reveal the general rules of the relationship between the genetic information transfer mechanism in the metabolic process and its mathematical descriptions, and illuminate the application of nonlinear control methods in the analysis of genetic regulatory networks, and work out a set of quantitative modeling theory of microbiological process and analysis method. The relevant study result will have potential application prospect in the research of simulating computing, system biology, and so forth.

伴随着生物学和信息科学日新月异的发展，生物信息学的研究正蓬勃兴起，计算机已成为生物学领域不可或缺的研究手段和工具。但目前尚无分子量级生物学过程模型描述工具，使得生物信息学研究对象严重匮乏，因此研究和寻求模型分析方法迫在眉睫而至关重要。本项目将综合运用群论、矩阵论、元间理论以及不变量特征方法等众多数学建模方法与离散事件系统流程分析技术，精确定量描述分子生物学新陈代谢相关过程，建立蛋白质分子三级结构切换动力学抽象函数状态空间方程并予以分析，基于观测器设计基因调控网络常微分方程模型的非线性控制策略，并开展仿真和实验验证工作。以期揭示生物体新陈代谢相关基因信息传递机制与数学描述模型之间关系的一般性规律，阐明非线性控制方法在基因调控网络分析中的应用，并发展一套定量化的微生物过程模型理论与分析方法。相关研究结果将在仿生计算、系统生物学的研究等方面具有潜在应用前景。

伴随着生物学和信息科学日新月异的发展，生物信息学的研究正蓬勃兴起，计算机已成为生物学领域不可或缺的研究手段和工具。但目前尚无分子量级生物学过程模型描述工具，使得生物信息学研究对象严重匮乏，因此研究和寻求模型分析方法迫在眉睫而至关重要。本项目顺利完成如下工作：(1) 发展了基于机器学习技术的典型蛋白质预测与识别的相关算法，用不同的分类算法完成了对氧化/抗氧化蛋白、噬菌体病毒蛋白、细胞外基质蛋白、抗冻蛋白、DNA复制蛋白和J蛋白质的预测识别工作；(2) 发展了基于少数类样本合成过采样技术的蛋白质综合分析技术，成功解决了预测模型数据集较小和数据样本不平衡的问题；(3) 设计了生物序列非线性特征提取方法并实现生物过程的建模分析，从多个方面全面刻画物种特性并用于物种亲缘关系分析，解释了相关病理现象的非线性特征；(4) 基于矩阵半张量积方法重构基因调控网络并发展了网络信息挖掘算法，通过该算法计算获得潜在微生物—疾病关联关系，有效识别出对治疗某类疾病的药物有反应的标志基因，以提高药物疗效。并针对一类特殊疾病构建其基因共表达网络，识别出该网络中具有生物学意义的模块；(5) 成功搭建了蛋白质进化特征提取及蛋白质识别的网络服务平台。通过该项目的研究成果将揭示生物体新陈代谢相关基因信息传递机制与数学描述模型之间关系的一般性规律，阐明非线性控制方法在基因调控网络分析中的应用，并发展一套定量化的微生物过程模型理论与分析方法。相关研究结果将在仿生计算、精准医疗、制药和基因进化分析等方面具有潜在应用前景。