nach oben

Erschienen in:

2019 | OriginalPaper | Buchkapitel

Estimation of Kinetic Reaction Constants: Exploiting Reboot Strategies to Improve PSO’s Performance

verfasst von : Simone Spolaor, Andrea Tangherloni, Leonardo Rundo, Paolo Cazzaniga, Marco S. Nobile

Erschienen in: Computational Intelligence Methods for Bioinformatics and Biostatistics

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

The simulation and analysis of mathematical models of biological systems require a complete knowledge of the reaction kinetic constants. Unfortunately, these values are often difficult to measure, but they can be inferred from experimental data in a process known as Parameter Estimation (PE). In this work, we tackle the PE problem using Particle Swarm Optimization (PSO) coupled with three different reboot strategies, which aim to reinitialize particle positions to avoid local optima. In particular, we highlight the better performance of PSO coupled with the reboot strategies with respect to standard PSO. Finally, since the PE requires a huge number of simulations at each iteration of PSO, we exploit cupSODA, a GPU-powered deterministic simulator, which performs all simulations and fitness evaluations in parallel.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel GP-Based Grammatical Inference for Classification of Amyloidogenic Sequences

Nächstes Kapitel Haplotype and Repeat Separation in Long Reads

Aldridge, B.B., Burke, J.M., Lauffenburger, D.A., Sorger, P.K.: Physicochemical modelling of cell signalling pathways. Nat. Cell Biol. 8, 1195–1203 (2006)CrossRef

Besozzi, D., Cazzaniga, P., Mauri, G., Pescini, D., Vanneschi, L.: A comparison of genetic algorithms and particle swarm optimization for parameter estimation in stochastic biochemical systems. In: Pizzuti, C., Ritchie, M.D., Giacobini, M. (eds.) EvoBIO 2009. LNCS, vol. 5483, pp. 116–127. Springer, Heidelberg (2009). https://doi.org/10.1007/978-3-642-01184-9_11CrossRef

Cazzaniga, P., Nobile, M.S., Besozzi, D.: The impact of particles initialization in PSO: parameter estimation as a case in point. In: Proceedings of IEEE Conference on Computational Intelligence in Bioinformatics and Computational Biology (CIBCB), pp. 1–8 (2015)

Chou, I.C., Voit, E.O.: Recent developments in parameter estimation and structure identification of biochemical and genomic systems. Math. Biosci. 219(2), 57–83 (2009)MathSciNetCrossRef

Da Ros, S., et al.: A comparison among stochastic optimization algorithms for parameter estimation of biochemical kinetic models. Appl. Soft Comput. 13(5), 2205–2214 (2013)CrossRef

De Oca, M.A.M., Stutzle, T., Birattari, M., Dorigo, M.: Frankenstein’s PSO: a composite particle swarm optimization algorithm. IEEE Trans. Evol. Comput. 13(5), 1120–1132 (2009)CrossRef

Dräger, A., Kronfeld, M., Ziller, M.J., Supper, J., Planatscher, H., Magnus, J.B.: Modeling metabolic networks in C. glutamicum: a comparison of rate laws in combination with various parameter optimization strategies. BMC Syst. Biol. 3(5) (2009)

García-Nieto, J., Alba, E.: Restart particle swarm optimization with velocity modulation: a scalability test. Soft Comput. 15(11), 2221–2232 (2011)CrossRef

Harris, L.A., et al.: GPU-powered model analysis with PySB/cupSODA. Bioinformatics 33(21), 3492–3494 (2017). (btx420)CrossRef

10.

Limpert, E., Stahel, W.A., Abbt, M.: Log-normal distributions across the sciences: keys and clues. BioScience 51(5), 341–352 (2001)CrossRef

11.

Mendes, P., Kell, D.: Non-linear optimization of biochemical pathways: applications to metabolic engineering and parameter estimation. Bioinformatics (Oxford, England) 14(10), 869–883 (1998)CrossRef

12.

Moles, C.G., Mendes, P., Banga, J.R.: Parameter estimation in biochemical pathways: a comparison of global optimization methods. Genome Res. 13(11), 2467–2474 (2003)CrossRef

13.

Nobile, M.S., Besozzi, D., Cazzaniga, P., Mauri, G.: GPU-accelerated simulations of mass-action kinetics models with cupSODA. J. Supercomput. 69(1), 17–24 (2014)CrossRef

14.

Nobile, M.S., Besozzi, D., Cazzaniga, P., Mauri, G., Pescini, D.: A GPU-based multi-swarm PSO method for parameter estimation in stochastic biological systems exploiting discrete-time target series. In: Giacobini, M., Vanneschi, L., Bush, W.S. (eds.) EvoBIO 2012. LNCS, vol. 7246, pp. 74–85. Springer, Heidelberg (2012). https://doi.org/10.1007/978-3-642-29066-4_7CrossRef

15.

Nobile, M.S., Cazzaniga, P., Besozzi, D., Pescini, D., Mauri, G.: cuTauLeaping: a GPU-powered tau-leaping stochastic simulator for massive parallel analyses of biological systems. PLoS ONE 9(3), e91963 (2014)CrossRef

16.

Nvidia: CUDA C Best Practices Guide (2012)

17.

Nvidia: Nvidia CUDA C Programming Guide 7.5 (2015)

18.

Orellana, A., Minetti, G.F.: A modified binary-PSO for continuous optimization. In: XV Congreso Argentino de Ciencias de la Computación (2009)

19.

Petre, I., et al.: A simple mass-action model for the eukaryotic heat shock response and its mathematical validation. Nat. Comput. 10(1), 595–612 (2011)MathSciNetCrossRef

20.

Petzold, L.R.: Automatic selection of methods for solving stiff and nonstiff systems of ordinary differential equations. SIAM J. Sci. Stat. Comput. 4, 136–148 (1983)MathSciNetCrossRef

21.

Szallasi, Z., Stelling, J., Periwal, V.: System Modeling in Cellular Biology: From Concepts to Nuts and Bolts. The MIT Press, Boston (2006)CrossRef

22.

Trelea, I.C.: The particle swarm optimization algorithm: convergence analysis and parameter selection. Inf. Process. Lett. 85(6), 317–325 (2003)MathSciNetCrossRef

23.

Vitorino, L., Ribeiro, S., Bastos-Filho, C.J.: A mechanism based on artificial bee colony to generate diversity in particle swarm optimization. Neurocomputing 148, 39–45 (2015)CrossRef

24.

Wolkenhauer, O., Ullah, M., Kolch, W., Kwang-Hyun, C.: Modeling and simulation of intracellular dynamics: choosing an appropriate framework. IEEE Trans. Nanobiosci. 3(3), 200–207 (2004)CrossRef

Titel: Estimation of Kinetic Reaction Constants: Exploiting Reboot Strategies to Improve PSO’s Performance
verfasst von: Simone Spolaor
Andrea Tangherloni
Leonardo Rundo
Paolo Cazzaniga
Marco S. Nobile
Verlag: Springer International Publishing
Buch: Computational Intelligence Methods for Bioinformatics and Biostatistics
Print ISBN: 978-3-030-14159-2

Electronic ISBN: 978-3-030-14160-8

Copyright-Jahr: 2019
DOI: https://doi.org/10.1007/978-3-030-14160-8_10

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"