Acceleration of a bacterial metabolic simulation using neural networks with optimization techniques

París Uhryn, Javier (2019). Acceleration of a bacterial metabolic simulation using neural networks with optimization techniques. Thesis (Master thesis), E.T.S. de Ingenieros Informáticos (UPM).

Description

Title: Acceleration of a bacterial metabolic simulation using neural networks with optimization techniques
Author/s:
  • París Uhryn, Javier
Contributor/s:
  • Rodríguez-Patón Aradas, Alfonso
Item Type: Thesis (Master thesis)
Masters title: Inteligencia Artificial
Date: 2019
Subjects:
Freetext Keywords: Biología computacional; Redes de neuronas; Aprendizaje profundo; Algoritmos basados en heurísticas; Algoritmos de optimización; Análisis de balance de flujo; FBA; GRO; Metabolismo; Microbiota; Algoritmo de colonia de hormigas; Algoritmos evolutivos; Algoritmo de recocido simulado; Computational biology; Neural networks; Deep Learning; Heuristic algorithms; Optimization algorithms; Flux Balance Analysis; Metabolism; Ant colony algorithm; Evolutionary algorithm; Simulated annealing algorithm
Faculty: E.T.S. de Ingenieros Informáticos (UPM)
Department: Inteligencia Artificial
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (2MB) | Preview

Abstract

La biología computacional es un campo puntero que requiere de la combinación de conocimientos biológicos a la vez que un alto nivel tecnológico e informático, lo que promueve un trabajo conjunto de ambas áreas para su correcta evolución. Una rama de esta disciplina se basa en el uso de simuladores, que se han visto impulsados en las últimas décadas gracias a las mejoras del hardware, permitiendo crear sistemas más complejos, veraces y eficientes. Un tipo de estos simuladores son aquellos basados en agentes, los cuales representan las células individualmente y sus interacciones a la hora de crear tejidos y colonias. Desde hace pocos años los avances de software en el ámbito de la Inteligencia Artificial están abriendo nuevas puertas a estos simuladores para permitir mejoras tanto en el análisis de los datos producidos como en su ejecución interna. GRO es un simulador que representa individualmente cada célula de una colonia bacteriana con su propio espacio e información interna. En un futuro se quiere que este simulador logre representar grandes comunidades microbianas como la microbiota, considerando la distribución espacial de cada célula así como su comportamiento. Para simular esto, es necesario considerar el metabolismo de cada célula, trabajando con colonias de decenas de miles de individuos. En este trabajo se intenta encontrar un sistema basado en Inteligencia Artificial y métodos de optimización para aproximar un cálculo biológico como es el metabolismo de las células, entendiendo como metabolismo las distintas reacciones químicas internas de una célula que consumen y segregan diversos metabolitos para obtener biomasa. Este metabolismo cuenta con diversos modelos teóricos, entre los que encontramos el modelo FBA o Análisis de Balance de Flujo, que permite obtener medidas de forma rápida para el metabolismo de ciertas células. El tiempo de ejecución de dicho sistema es aún excesivamente alto como para poder usarse en un simulador basado en agentes, donde miles de metabolismos bacterianos tienen que ser simulados en cada iteración. La solución alcanzada en este proyecto es el uso de Redes Neuronales Artificiales para simular la ejecución de un modelo FBA, y la optimización de dichas redes, permitiendo en un acotado espacio de tiempo obtener de forma rápida y precisa los resultados del metabolismo. Como trabajo futuro se contempla el uso de estos sistemas de optimización sobre redes neuronales para poder aproximar un modelo de metabolismo diferente al FBA, llegando a usar otros sistemas metabólicos o incluso datos experimentales reales para modelar el metabolismo individual de cada célula.---ABSTRACT---Computational biology is a leading field that requires the combination of biological knowledge as well as a high level of technology and computing, which promotes a joint work of both areas for its correct evolution. A branch of this discipline is based on the use of simulators, which have been boosted in the last decades thanks to hardware improvements, allowing to create more complex, truthful and efficient systems. One kind of these simulators are the agent-based models, which work with individual cells and their interactions to form tissues and colonies. Since a few years ago, software advances in the field of Artificial Intelligence are opening new doors to these simulators to allow improvements in the analysis of the data produced as well as in their internal execution. GRO is a multicell colony simulator that represents each cell on a bacterial colony with their own space and internal data. This simulator is thought to represent huge microbial communities as the microbiota, taking into account the spatial distribution and the individual behaviour of each cell. To simulate this, it is necessary to take into account the metabolism of each cell and the relations between them individually, with colonies of more than ten thousand individuals. In this work we try to find a system based on Artificial Intelligence and optimization methods to approximate a biological calculation such as the metabolism of cells, understanding metabolism as the different internal chemical reactions of a cell that consume and secrete various metabolites to obtain biomass. This metabolism has several theoretical models, among which we find the model FBA or Flux Balance Analysis. This model allows to calculate in few time the metabolism of a cell. The execution time of the FBA is still too high to be used in an agent-based simulator, where thousands of cell metabolisms would be simulated in every step. The solution proposed in this project is to use Artificial Neural Networks to simulate the execution of a FBA model, and its optimization. This solution will allow in a limited space of time, to obtain a quickly and accurately approximation for the results of the metabolism. As future work, it is contemplated the use of these optimization systems on neural networks to approximate a metabolism model different from the FBA, getting to use, for example, other metabolic models or even real experimental data to model the individual metabolism of each cell.

More information

Item ID: 56001
DC Identifier: http://oa.upm.es/56001/
OAI Identifier: oai:oa.upm.es:56001
Deposited by: Biblioteca Facultad de Informatica
Deposited on: 09 Aug 2019 06:42
Last Modified: 09 Aug 2019 06:42
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM