主講人：陳洛南  中國(guó)科學(xué)院上海生命科學(xué)研究院研究員

時(shí)間：2021年12月10日9：30

地點(diǎn)：三號(hào)樓332會(huì)議室

舉辦單位：數(shù)理學(xué)院

主講人介紹：陳洛南教授現(xiàn)為中國(guó)科學(xué)院上海生命科學(xué)研究院研究員，系統(tǒng)生物學(xué)重點(diǎn)實(shí)驗(yàn)室執(zhí)行主任，國(guó)家重點(diǎn)研發(fā)計(jì)劃首席科學(xué)家。陳洛南教授研究領(lǐng)域涉及計(jì)算數(shù)學(xué)、系統(tǒng)生物學(xué)、系統(tǒng)科學(xué)、非線(xiàn)性動(dòng)力系統(tǒng)、生物信息學(xué)等。近五年來(lái)，在計(jì)算數(shù)學(xué)、系統(tǒng)生物學(xué)等研究領(lǐng)域發(fā)表研究論文100余篇，出版專(zhuān)著11部，在相關(guān)研究領(lǐng)域具有相當(dāng)?shù)膰?guó)際學(xué)術(shù)影響力。  

內(nèi)容介紹：高通量組學(xué)技術(shù)的興起為研究包括復(fù)雜疾病研究等提供了大數(shù)據(jù)的支持，這些不同來(lái)源、不同層面、不同尺度的數(shù)據(jù)組成生物醫(yī)學(xué)等的多元異質(zhì)大數(shù)據(jù)，具有很強(qiáng)的時(shí)空動(dòng)態(tài)性。這些特性使得我們迫切需要研究數(shù)據(jù)時(shí)空特性的動(dòng)力學(xué)分析方法，如基于動(dòng)力系統(tǒng)的臨界點(diǎn)預(yù)警方法、基于空間信息與時(shí)間信息轉(zhuǎn)換的時(shí)序列預(yù)測(cè)理論、基于嵌入理論的因果關(guān)系推斷算法等。這些基于動(dòng)力學(xué)的數(shù)據(jù)科學(xué)新理論與新方法能夠幫助理解和預(yù)測(cè)復(fù)雜系統(tǒng)的動(dòng)態(tài)發(fā)展，有助于分析復(fù)雜動(dòng)態(tài)過(guò)程和機(jī)制，加速包括生物醫(yī)學(xué)及人工智能等研究領(lǐng)域的步伐。特別是，復(fù)雜疾病系統(tǒng)發(fā)生發(fā)展過(guò)程普遍存在非線(xiàn)性臨界現(xiàn)象，如何從網(wǎng)絡(luò)或系統(tǒng)層面，科學(xué)地量化這樣的臨界點(diǎn)對(duì)于實(shí)現(xiàn)疾病的精準(zhǔn)預(yù)測(cè)和疾病預(yù)防具有重要意義；空間-時(shí)間信息轉(zhuǎn)換與因果推斷方法也可廣泛應(yīng)用于癌癥轉(zhuǎn)移與復(fù)發(fā)，干細(xì)胞分化的動(dòng)態(tài)機(jī)制，公共衛(wèi)生實(shí)時(shí)監(jiān)測(cè)、亞健康狀態(tài)預(yù)警、時(shí)間序列預(yù)測(cè)、AI研究等方面，這些理論和方法對(duì)動(dòng)力學(xué)驅(qū)動(dòng)的數(shù)據(jù)科學(xué)理論和算法發(fā)展有重要的推動(dòng)作用。主要內(nèi)容包括：（1）基于動(dòng)力系統(tǒng)臨界期的低維特征，建立復(fù)雜疾病過(guò)程的臨界理論及動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志物方法：建立復(fù)雜疾病及動(dòng)態(tài)生物過(guò)程的臨界狀態(tài)的預(yù)測(cè)方法和理論，特別是建立了基于大數(shù)據(jù)檢測(cè)臨界狀態(tài)的必要條件及其動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志物(DNB:  Dynamic Network  Biomarker)，不僅可應(yīng)用到肝癌轉(zhuǎn)移前兆診斷、糖尿病臨界檢測(cè)及藥物拮抗動(dòng)態(tài)過(guò)程等研究，而且也可應(yīng)用到生態(tài)系統(tǒng)及金融系統(tǒng)等的風(fēng)險(xiǎn)分析和臨界預(yù)測(cè)。（2）基于吸引子低維特性，建立短時(shí)間數(shù)據(jù)的時(shí)間序列預(yù)測(cè)理論：基于非線(xiàn)性動(dòng)力學(xué)的隨機(jī)嵌入理論（RDE:  Randomly Distributed  Embedding）和方法，建立空間信息和時(shí)間信息的轉(zhuǎn)換，最終使得高維短序列時(shí)間序列數(shù)據(jù)的預(yù)測(cè)成為可能。從系統(tǒng)的角度，建立了基于動(dòng)力學(xué)的機(jī)器學(xué)習(xí)理論和方法(ARNN：Anticipated  Learning Machine or Autoreservior  Computing)等，由小樣本可實(shí)現(xiàn)時(shí)間序列的預(yù)測(cè)和學(xué)習(xí)。（3）基于動(dòng)力系統(tǒng)的生滅過(guò)程理論，建立非平衡穩(wěn)態(tài)的勢(shì)能景觀(guān)(landscape)方法：利用擴(kuò)散圖理論和散度定理，提出了描述生滅過(guò)程(birth-death  process)的隨機(jī)動(dòng)力學(xué)系統(tǒng)的勢(shì)能函數(shù)的數(shù)值計(jì)算方法，實(shí)現(xiàn)了由觀(guān)測(cè)非時(shí)間序列數(shù)據(jù)建立該系統(tǒng)的勢(shì)能景觀(guān)。該算法已用于干細(xì)胞分化的干性評(píng)估和偽時(shí)間軌跡分析等問(wèn)題研究，為理解細(xì)胞分化的分子機(jī)制研究提供了方法學(xué)基礎(chǔ)。（4）基于單變量的系統(tǒng)穩(wěn)態(tài)動(dòng)力學(xué)的拓?fù)渲貥?gòu)，建立Partial  Cross-map（PCM）的因果推斷方法：利用非線(xiàn)性動(dòng)力學(xué)的嵌入理論(Delay embedding)，由cross-map or  cross-prediction建立動(dòng)力學(xué)的因果關(guān)系理論和方法，并應(yīng)用于基因調(diào)控網(wǎng)絡(luò)及生態(tài)系統(tǒng)的因果推斷等研究中。