Copyright © 第九届全国计算生物与生物信息学大会
Powered by 徐州医科大学
机器学习在合成微生物组学中的应用
特邀报告
报告开始：5月14日 14:20:00 （Asia/Shanghai）
报告时间：20min
所在会议：[S1] 分会场一 [S1-2] 生物医学大数据与人工智能
摘要
合成微生物组学的研究首先在于对微生物群系复杂性的理解、调控，并致力于工程化的设计。借助于计算生物学，人们得以通过“设计-构建-分析-学习”的循环迭代的建模技术来设计具有特定功能的合成微生物群落（SMC）。当前，基于基因组代谢模型（GEM）进行代谢网络中代谢物流量平衡的模拟计算，即流平衡分析（FBA），是进行SMC设计的重要方法。随着微生物测序计划的不断推进，面向自然界微生物的复杂多样性，SMC的计算生物学研究越来越面临大数据、超级计算负荷的瓶颈和挑战。近年来，我们致力于运用机器学习及其算法的优化，在SMC中寻求计算模拟的高效途径。我们在代谢通路效率预测问题、菌群共存问题、基因敲除模拟等方面，做了一系列探索性的工作。这些工作表明，机器学习的AI技术有助于今后合成微生物组学提高人工设计复杂菌群的潜力。
报告人
朱怀球
教授 北京大学北京大学未来技术学院、定量生物学中心教授、博士生导师。现任未来技术学院党委书记、大数据与生物医学人工智能系主任，兼任北京生物信息学研究会秘书长。主要研究领域包括基于大数据的医学数据挖掘与分析、基因组与微生物组生物信息学方法和技术等，主持发展的微生物基因组分析方法已被成功应用于多项微生物基因组测序计划。近年来，致力于发展深度学习、人工智能方法在多组学问题的运用。生物信息学工作大部分在Nat. Machine Intelligence、Nucleic Acids Res.、Bioinformatics等本领域重要刊物发表；同时在Gastroenterology、Clin. Gastroenterol. H.等临床医学领域重要刊物发表一系列的研究工作。共计发表SCI论文近70篇，其中影响因子超10论文7篇、超20论文3篇，研究结果被Cell、Nature等正面引用或专门报道。主持国家自然科学基金重点项目、国家重点研发计划课题等项目近20项，先后被评为全国优秀博士论文（提名奖）指导教师、北京市优秀博士论文指导教师。