A Multi-objective Genetic Algorithm for Peptide Optimization

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.