Sodobni računalniški pristopi omogočajo avtomatizirano načrtovanje dinamičnih sistemov in s tem razširjajo možnosti uporabe tudi na področju sintezne biologije, ki uporablja inženirske pristope k upravljanju in gradnji novih bioloških sistemov. Prispevek predstavi nov pristop k načrtovanju oz. samodejni gradnji modelov in-silico, katerih lastnosti so v skladu z vnaprej definiranimi zahtevami uporabnika. Pristop združuje procesno modeliranje in večkriterijsko optimizacijo. Prvo omogoča preprosto določanje množice alternativnih načrtov sistema z uporabo knjižnice gradnikov (komponent) in vzorčnega načrta, večkriterijska optimizacija pa zagotavlja izbiro najustreznejšega načrta z upoštevanjem več kriterijev oz. zahtevanih lastnosti. Novi pristop je izjemno uporaben za načrtovanje determinističnih in stohastičnih sistemov z različnimi zahtevanimi lastnostmi (npr. oscilatornega obnašanja). Uspešno je bil uporabljen za rekonstrukcijo načrtov, znanih iz strokovne literature, predlaga pa tudi nove (do zdaj neznane) načrte. Rezultati nakazujejo vrsto dodatnih možnosti uporabe pristopa, kot npr. načrtovanje in-silico modela ciljne in pravočasne dostave zdravil v celice.
COBISS.SI-ID: 29806119
Ansambli so dobro uveljavljen pristop, ki vodi k natančnim in robustnim modelom ter se ga večinoma uporablja v napovednem modeliranju. Ansambel sestavlja končno število raznolikih napovednih modelov, za katere pričakujemo, da bodo združeni dali boljše napovedi kot vsak model sam zase. V tem delu predlagamo novo metodo učenja ansamblov procesnih modelov dinamičnih sistemov. Paradigma procesnega modeliranja uporablja domensko znanje, s pomočjo katerega se lahko potem samodejno naučimo modele dinamičnih sistemov iz merjenih podatkov v obliki časovnih vrst. Iz dosedanjih del sledi, da ansambli, ki temeljijo na vzorčenju podatkov (”bagging in ”boosting), statistično signifikantno izboljšajo napovedno moč procesnih modelov, a se to zgodi za ceno znatnega povečanja časa, ki ga potrebujemo za učenje. Za rešitev te težave tu predlagamo metodo, ki bi se ansambla procesnih modelov naučila časovno učinkovito, hkrati pa bi ansambel obdržal visoko sposobnost dolgoročnega napovedovanja. To dosežemo z gradnjo ansablov s pomočjo vzorčenja domenskega znanja namesto podatkov. Predlagano metodo uporabimo na treh nalogah samodejnega napovednega modeliranja treh jezerskih ekosistemov. Pri tem uporabimo knjižnico procesnega znanja za modeliranje populacijske dinamike. Napovedno sposobnost metode ovrednotimo. Iz rezultatov je razvidno, kako je najbolje sprejemati odločitve v učnem algoritmu. Prav tako se vidi, da imajo predlagani ansambli statistično signifikantno večjo natančnost pri napovedovanju populacijske dinamike kot sami procesni modeli. Hkrati velja tudi, da je naš ansambel procesnih modelov, kar se tiče napovedne sposobnosti, primerljiv z vrhunskimi metodami, kot sta ”bagging” in ”boosting”, a je obenem tudi znatno učinkovitejši.
COBISS.SI-ID: 29437223