Publikationsserver der Universitätsbibliothek Marburg

Titel: A Multi-objective Genetic Algorithm for Peptide Optimization
Autor: Rosenthal, Susanne
Weitere Beteiligte: Freisleben, Bernd (Prof. Dr.)
Erscheinungsjahr: 2016
URI: https://archiv.ub.uni-marburg.de/diss/z2016/0862
DOI: https://doi.org/10.17192/z2016.0862
URN: urn:nbn:de:hebis:04-z2016-08626
DDC: 004 Informatik
Titel(trans.): Ein multi-objektiver Algorithmus zur Peptidoptimierung

Dokument

Schlagwörter:
Metaheuristik, Multi-objektiver genetischer Algorithmus, Peptidoptimierung, Landschaftsanalyse, multi-objective genetic algorithm, peptide optimization, landscape analysis

Summary:
The peptide-based drug design process requires the identification of a wide range of candidate molecules with specific biological, chemical and physical properties. The laboratory analysis in terms of in vitro methods for the discovery of several physiochemical properties of theoretical candidate molecules is time- and cost-intensive. Hence, in silico methods are required for this purpose. Metaheuristics like evolutionary algorithms are considered to be adequate in silico methods providing good approximate solutions to the underlying multiobjective optimization problems. The general issue in this area is the design of a multi-objective evolutionary algorithm to achieve a maximum number of high-quality candidate peptides that differ in their genetic material, in a minimum number of generations. A multi-objective evolutionary algorithm as an in silico method of discovering a large number of high-quality peptides within a low number of generations for a broad class of molecular optimization problems of different dimensions is challenging, and the development of such a promising multi-objective evolutionary algorithm based on theoretical considerations is the major contribution of this thesis. The design of this algorithm is based on a qualitative landscape analysis applied on a three- and four-dimensional biochemical optimization problem. The conclusions drawn from the empirical landscape analysis of the three- and four-dimensional optimization problem result in the formulation of hypotheses regarding the types of evolutionary algorithm components which lead to an optimized search performance for the purpose of peptide optimization. Starting from the established types of variation operators and selection strategies, different variation operators and selection strategies are proposed and empirically verified on the three- and four-dimensional molecular optimization problem with regard to an optimized interaction and the identification of potential interdependences as well as a fine-tuning of the parameters. Moreover, traditional issues in the field of evolutionary algorithms such as selection pressure and the influence of multi-parent recombination are investigated.

Zusammenfassung:
Die Identifikation einer großen Bandbreite an potentiellen Molekülen mit spezifischen biologischen, chemischen und physikalischen Eigenschaften ist ein wesentlicher Bestandteil der Peptide-basierten Wirkstoffentwicklung. Die in vitro Analyse potentieller Wirkstoffkandidaten ist zeit- und kostenintensiv. Daher sind für diesen Zweck in silico Methoden erforderlich. Metaheuristiken wie evolutionäre Algorithmen sind als hinreichend gute in silico Verfahren zur approximativen Lösung der zugrundeliegenden multiobjektiven Optimierungsprobleme bekannt. Die generelle Problemstellung in diesem Bereich ist die Entwicklung eines multiobjektiven evolutionären Algorithmus mit dem Ziel, eine möglichst hohe Anzahl an potentiellen hoch-qualifizierten Peptiden, die sich in ihrem genetischen Material deutlich unterscheiden, in einer möglichst geringen Anzahl an Generationen zu erhalten. Ein multiobjektiver evolutionärer Algorithmus als in silico Methode, der eine große Anzahl an hoch qualifizierten Peptiden in einer geringen Anzahl an Generationen für eine breite Klasse von molekularen Optimierungsproblemen verschiedener Dimensionen detektiert, ist herausfordernd und die Entwicklung eines solchen vielversprechenden multiobjektiven Algorithmus unter theoretischen Betrachtungen ist der Hauptbeitrag dieser Arbeit. Die Konstruktion dieses Algorithmus basiert auf einer qualitativen Analyse der Fitnesslandschaft angewandt auf ein drei- und vierdimensionalen Optimierungsproblems. Die Schlussfolgerungen aus der empirischen Fitness-Landschaft-Analyse des dreiund vierdimensionalen Optimierungsproblems resultieren in der Formulierung von Hypothesen hinsichtlich der Arten von evolutionären Algorithmenkomponenten, welche zur optimierten Suchperformanz des evolutionären Algorithmus zum Zweck der Peptidoptimierung führen. Ausgehend von den etablierten Arten der Variationsoperatoren und Selektionsstrategien werden verschiedene Variationsoperatoren und Selektionsstrategien vorgestellt und empirisch anhand des drei- und vierdimensionalen Optimierungsproblems im Hinblick auf eine optimale Interaktion und gegenseitige Abhängigkeit sowie einer Feineinstellung der Parameter getestet.Darüber hinaus werden die traditionellen Fragestellungen im Bereich der evolutionären Algorithmen wie Selektionsdruck und der Einfluss von mehreren Eltern bei der Rekombination untersucht.


* Das Dokument ist im Internet frei zugänglich - Hinweise zu den Nutzungsrechten