Scientific workflow systems and multi-objective evolutionary algorithms for life sciences informatics

Abstract

Ο τομέας των Συστημάτων Διαχείρισης Επιστημονικών Ροών Εργασίας έχει λάβει μεγάλο ενδιαφέρον τα τελευταία χρόνια. Υπάρχουν τομείς όπως το ευρύτερο ερευνητικό πεδίο των βιοεπιστήμων, η επεξεργασία βίντεο και η πληροφορία δεδομένων, όπου η χρήση της ισχύος ενός Συστήματος Διαχείρισης Επιστημονικών Ροών Εργασίας έχει γίνει κανόνας. Ορισμένοι αναφέρονται στη διαδικασία σχεδιασμού μιας Επιστημονικής Ροής Εργασίας ως οπτικό προγραμματισμό. Έχουμε αναπτύξει και αξιολογήσει ένα Σύστημα Διαχείρισης Επιστημονικών Ροών Εργασίας, την πλατφόρμα Life Sciences Informatics (LiSIs), η οποία είναι: (1) μια καινοτόμα ολοκληρωμένη διαδικτυακή πλατφόρμα Virtual Screening(VS), και (2) έχει χρησιμοποιηθεί με επιτυχία για την ταυτοποίηση καινοτόμων χημειοπροληπτικών παραγόντων του καρκίνου από μια εμπορική βάση δεδομένων με διαθέσιμα μόρια. Η Αυτό-Προσαρμογή είναι ένας αποτελεσματικός τρόπος για τον έλεγχο των παραμέτρων αναζήτησης ενός Εξελικτικού Αλγόριθμου αυτόματα κατά τη διάρκεια τις βελτιστοποίησης. Βασίζεται στην εξελικτική αναζήτηση του χώρου των παραμέτρων αναζήτησης και έχει αποδειχθεί επίσης ως μέθοδος ελέγχου των παραμέτρων αναζήτησης σε πραγματικό χρόνο για μια ποικιλία παραμέτρων αναζήτησης. Ο προτεινόμενος Self-Adaptive Multi-Objective Evolutionary Algorithm (Self-Adaptive MOEA) είναι ένας αλγόριθμος δύο επιπέδων. Το εξωτερικό επίπεδο είναι ο αλγόριθμος που είναι υπεύθυνος για τις αυτό- προσαρμοζόμενες τεχνικές και βασίζεται στο αλγοριθμικό πλαίσιο Multi-Objective Genetic Algorithm (MOGA). Το εσωτερικό επίπεδο είναι ο elite Multi-Objective Evolutionary Graph Algorithm (eMEGA). Τόσο ο εξωτερικός όσο και ο εσωτερικός αλγόριθμος είναι βασισμένοι στον προηγούμενα προτεινόμενο αλγοριθμικό πλαίσιο Multi-Objective Evolutionary Graph Algorithm (MEGA). Ο εξωτερικός αλγόριθμος λειτουργεί σε χρωμοσώματα στοιχείων, ενώ ο εσωτερικός αλγόριθμος λειτουργεί σε χρωμοσώματα μοριακού γραφήματος. Ο προτεινόμενος Self-Adaptive MOEA είναι: (1) μια μοναδική προσέγγιση πλαισίου βελτιστοποίησης πολλαπλών κριτηρίων, (2) χρησιμοποιεί ένα προσαρμοσμένο χρωμόσωμα για να κωδικοποιήσει τις παραμέτρους αναζήτησης του eMEGA, και (3) έχει χρησιμοποιηθεί με επιτυχία για των σχεδιασμό νέων μορίων σε ευρύ φάσμα στόχων.

The field of Scientific Workflow Management Systems (SWMSs) has been receiving considerable interest in recent years. There are fields such as life sciences, video processing and data information, where utilising the power of a SWMS has become a norm. Some refer to the process of designing a Scientific Workflow (SW) as visual programming. We have developed and evaluated a SWMS specialised for Virtual Screening (VS), the Life Sciences Informatics (LiSIs) platform, which is: (1) a novel integrated web based VS framework, and (2) has been successfully used to identify novel cancer chemopreventive agents from a commercial database of available molecules. Self-adaptation is an efficient way to control the search parameters of an Evolutionary Algorithm (EA) automatically during optimization. It is based on implicit evolutionary search in the space of search parameters, and has been proven to work well as on-line parameter control method for a variety of search parameters, from local to global ones. Our proposed Self-Adaptive Multi-Objective Evolutionary Algorithm (Self-Adaptive MOEA) is a two level algorithm. The outer level is the algorithms that is responsible for the self-adaptive techniques and is based on a Multi-Objective Genetic Algorithm (MOGA) implementation. The inner level is the actual elite Multi-Objective Evolutionary Graph Algorithm (eMEGA). Both the outer and inner algorithm are variations of our previously proposed Multi-Objective Evolutionary Graph Algorithm (MEGA) framework. The outer MOGA operates on chromosomes of elements, while the inner eMEGA operates on molecular graph chromosomes. The proposed Self-Adaptive MOEA is: (1) a unique approach Multi-Objective Optimization (MOO) framework, (2) uses a custom chromosome to encode the search parameters of eMEGA, and (3) has been successfully used to design novel molecules in a wide spectrum of targets.