nach oben

Erschienen in:

2024 | OriginalPaper | Buchkapitel

Umfang und Anwendungsbereiche des von der Natur inspirierten Computings in der Bioinformatik

verfasst von : Waaris Qazi, Sahar Qazi, Naiyar Iqbal, Khalid Raza

Erschienen in: Von der Natur inspirierte intelligente Datenverarbeitungstechniken in der Bioinformatik

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Zusammenfassung

Charles Darwin postulierte das Konzept des „Survival of the Fittest“ und die Evolution im Allgemeinen. Er diskutierte, wie die Natur den besten Kandidaten unter verschiedenen Situationen auswählt, die fit genug sind, um zu überleben und sich fortzupflanzen. Diese Analogie hat viele Informatiker, Bioinformatiker und Computerbiologen dazu inspiriert, Techniken zu entwickeln, die lernen, sich anpassen und evolvieren können, um optimale Lösungen für komplexe Probleme zu finden. Biologen sind stark abhängig von computergestützten Methoden und Strategien zur Analyse von riesigen biologischen und medizinischen Daten. Naturinspiriertes Computing (NIC) umfasst eine Vielzahl von unzähligen Studien der Informatik, Statistik, Mathematik und biologischen Wissenschaften, bei denen es darum geht, robuste konkurrierende Techniken genau wie die Natur anzupassen und zu entwickeln. Es handelt sich um einen neuartigen Ansatz zu Optimierungsalgorithmen, die durch die Dynamik der biologischen Evolution unserer natürlichen Umgebung motiviert sind. Im Laufe des letzten Jahrzehnts wurden verschiedene naturinspirierte Optimierungsalgorithmen eingesetzt, um komplexe Probleme in der Bioinformatik, im Ingenieurwesen und in anderen Wissenschaften zu lösen. Mit der beeindruckenden Revolution der künstlichen Intelligenz (KI) in den biologischen Wissenschaften gab es Zeiten, in denen einige Probleme nichtlinearer Natur mit mehreren Einschränkungen waren und einige Techniken schwer einzusetzen waren. Um Probleme mit hoher Dimensionalität und Zeitkomplexität in solchen Fällen zu lösen, sind NIC-Algorithmen die beste Wahl, um komplexe Optimierungsprobleme zu lösen. Dieses Kapitel hebt die häufig verwendeten NIC-Algorithmen und ihre Anwendungen in den biologischen Wissenschaften und der Bioinformatik hervor.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Nächstes Kapitel Nutzung des Gesundheitssystems mit naturinspirierten Computertechniken: Ein Überblick und zukünftige Perspektiven

Aguilar W, Santamaría-Bonfil G, Froese T, Gershenson C (2014) The past, present, and future of artificial life. Front Robot AI 1. https://doi.org/10.3389/frobt.2014.00008

Ahmad S, Qazi S, Raza K (2021) Translational bioinformatics methods for drug discovery and drug repurposing. Transl Bioinform Healthc Med 127–139. https://doi.org/10.1016/b978-0-323-89824-9.00010-0

Ahmed AM, Rashid TA, Saeed S AM (2020) Cat swarm optimization algorithm: a survey and performance evaluation. Comput Intell Neurosci 1–20. https://doi.org/10.1155/2020/4854895

Akdur G (2011) The use of biological cellular automaton models in medical, health and biological studies. Procedia Soc Behav Sci 28:825–831. https://doi.org/10.1016/j.sbspro.2011.11.151CrossRef

Alam MT, Raza K (2021) Blockchain technology in healthcare: making digital healthcare reliable, more accurate, and revolutionary. Transl Bioinf Healthc Med 81–96. https://doi.org/10.1016/b978-0-323-89824-9.00007-0

Alshamlan HM, Badr GH, Alohali YA (2015) Genetic Bee Colony (GBC) algorithm: a new gene selection method for microarray cancer classification. Comput Biol Chem 56:49–60. https://doi.org/10.1016/j.compbiolchem.2015.03.001CrossRef

Arora PK, Bae H (2014) Integration of bioinformatics to biodegradation. Biol Proced Online 16(1). https://doi.org/10.1186/1480-9222-16-8

Back T, Fogel DB, Michalewicz Z (1997) Handbook of evolutionary computation, 1. Aufl. IOP Publishing Ltd., GBR.988. ISBN 978-0-7503-0392-7. https://dl.acm.org/doi/book/ https://doi.org/10.5555/548530

Bartocci E, Corradini F, Entcheva E, Grosu R, Smolka SA (2008) CellExcite: an efficient simulation environment for excitable cells. BMC Bioinform 9(S2). https://doi.org/10.1186/1471-2105-9-s2-s3

Bozorgmehr JE (2014) The role of self-organization in developmental evolution. Theory Biosci Theorie den Biowissenschaften 133(3–4):145–163. https://doi.org/10.1007/s12064-014-0200-4

Brabazon A, O’Neill M, McGarraghy S (2015) Natural computing algorithms. In: Natural computing series. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-43631-8

Cao C, Liu F, Tan H, Song D, Shu W, Li W, Zhou Y, Bo X, Xie Z (2018) deep learning and its applications in biomedicine. Genomics Proteomics Bioinf 16(1):17–32. https://doi.org/10.1016/j.gpb.2017.07.003CrossRef

Chen Y-PP, Colomb RM (2003) Database technologies for L-system simulations in virtual plant applications on bioinformatics. Knowl Inf Syst 5(3):288–314. https://doi.org/10.1007/s10115-002-0087-0CrossRef

Chicco D, Heider D, Facchiano A (2020) Editorial: artificial intelligence bioinformatics: development and application of tools for omics and inter-omics studies. Front Genet 11. https://doi.org/10.3389/fgene.2020.00309

Chu S-C, Tsai P-W (2007) Computational intelligence based on the behavior of cats. Int J Innov Comput Inf Control ICIC, Int C 3(1):163–173. http://www.ijicic.org/isme06-30-1.pdf

Computing Nature (2013) Google Books. https://books.google.se/books?id=SV1GAAAAQBAJ&printsec=frontcover&hl=sv&source=gbs_ge_summary_r&cad=0#v=onepage&q&f=false

Cosentino C, Vescio B, Amato F (2013) Cellular automata. Encyclopedia Syst Biol 381–385. https://doi.org/10.1007/978-1-4419-9863-7_989

Darwish A (2018) Bio-inspired computing: algorithms review, deep analysis, and the scope of applications. Future Computi Inf J 3(2):231–246. https://doi.org/10.1016/j.fcij.2018.06.001MathSciNetCrossRef

Garrity GM, Lilburn TG (2005) Self-organizing and self-correcting classifications of biological data. Bioinformatics 21(10):2309–2314. https://doi.org/10.1093/bioinformatics/bti346CrossRef

Ghareh F, Amini M, Arabnia H (2019) Applications of nature-inspired algorithms for dimension applications of nature-inspired algorithms for dimension reduction: enabling efficient data analytics. https://digitalcommons.fiu.edu/cgi/viewcontent.cgi?article=1018&context=cs_fac. Accessed on June 6 2022

Gondro C, Kinghorn BP (2018) A simple genetic algorithm for multiple sequence alignment. Genet Mol Res GMR 6(4). https://pubmed.ncbi.nlm.nih.gov/18058716/

Grozinger L, Amos M, Gorochowski TE, Carbonell P, Oyarzún DA, Stoof R, Fellermann H, Zuliani P, Tas H, Goñi-Moreno A (2019) Pathways to cellular supremacy in biocomputing. Nat Commun 10(1). https://doi.org/10.1038/s41467-019-13232-z

Guruprasad S, Sekar K (2006) Artificial life and living systems: Insight into artificial life and its implications in life science research. Bioinformation 1(4):139–140. https://doi.org/10.6026/97320630001139CrossRef

Herzog S, Wörgötter F, Parlitz U (2018) Data-driven modeling and prediction of complex spatio-temporal dynamics in excitable media. Front Appl Math Stat 4. https://doi.org/10.3389/fams.2018.00060

Hill T, Lundgren A, Fredriksson R, Schiöth HB (2005) Genetic algorithm for large-scale maximum parsimony phylogenetic analysis of proteins. Biochim Biophys Acta (BBA) Gen Subj 1725(1):19–29. https://doi.org/10.1016/j.bbagen.2005.04.027

Karaboga D (2005) An idea based on honey bee swarm for numerical optimization. ScienceOpen (2020). Scienceopen.com. https://www.scienceopen.com/document?vid=5c9119f7-3147-42aa-8cd6-0f11c54f98c7

Li H, Tian S, Li Y, Fang Q, Tan R, Pan Y, Huang C, Xu Y, Gao X (2020) Modern deep learning in bioinformatics. J Mol Cell Biol 12(11):823–827. https://doi.org/10.1093/jmcb/mjaa030CrossRef

Li C, Chen D, Xie C, Tang Y (2022) Algorithm for wireless sensor networks in ginseng field in precision agriculture. PLoS ONE 17(2):e0263401. https://doi.org/10.1371/journal.pone.0263401CrossRef

Liang X, Zhu W, Lv Z, Zou Q (2019) Molecular computing and bioinformatics. Molecules 24(13):2358. https://doi.org/10.3390/molecules24132358CrossRef

Manazir A, Raza K (2022) Comparative evaluation of genetic operators in cartesian genetic programming. In: Proceedings of 21st international conference intelligent systems design and applications, December 13–15, 2021, Bd 418. Lecture notes in networks and systems, Springer, Berlin, S 765–774. https://doi.org/10.1007/978-3-030-96308-8_71

Manazir A, Raza K (2019) Recent developments in cartesian genetic programming and its variants. ACM Comput Surv 51(6):122. https://doi.org/10.1145/3275518CrossRef

Markram H, Muller E, Ramaswamy S et al (2015) Reconstruction and simulation of neocortical microcircuitry. Cell 163(2):456–492. https://doi.org/10.1016/j.cell.2015.09.029CrossRef

McCulloch WS, Pitts W (1943) A logical calculus of the ideas immanent in nervous activity. Bull Math Biophys 5(4):115–133. https://doi.org/10.1007/bf02478259MathSciNetCrossRef

Mirjalili S (2015) Moth-flame optimization algorithm: a novel nature-inspired heuristic paradigm. Knowl-Based Syst 89:228–249. https://doi.org/10.1016/j.knosys.2015.07.006CrossRef

Mirjalili S, Lewis A (2016) The whale optimization algorithm. Adv Eng Softw 95:51–67. https://doi.org/10.1016/j.advengsoft.2016.01.008CrossRef

Mirjalili S, Mirjalili SM, Lewis A (2014) Grey wolf optimizer. Adv Eng Softw 69:46–61. https://doi.org/10.1016/j.advengsoft.2013.12.007CrossRef

Nobile MS, Cazzaniga P, Tangherloni A, Besozzi D (2016) Graphics processing units in bioinformatics, computational biology and systems biology. Briefings Bioinf bbw058. https://doi.org/10.1093/bib/bbw058

Notredame C, Higgins DG (1996) SAGA: sequence alignment by genetic algorithm. Nucleic Acids Res 24(8):1515–1524. https://doi.org/10.1093/nar/24.8.1515CrossRef

Nugent T, Jones DT (2012) Membrane protein structural bioinformatics. J Struct Biol 179(3):327–337. https://doi.org/10.1016/j.jsb.2011.10.008CrossRef

O’Donoghue SI (2021) Grand challenges in bioinformatics data visualization. Front Bioinf 1. https://doi.org/10.3389/fbinf.2021.669186

Păun G (2010) A quick introduction to membrane computing. J Logic Algebraic Program 79(6):291–294. https://doi.org/10.1016/j.jlap.2010.04.002MathSciNetCrossRef

Păun G, Pérez-Jiménez MJ (2006) Membrane computing: brief introduction, recent results and applications. Biosystems 85(1):11–22. https://doi.org/10.1016/j.biosystems.2006.02.001CrossRef

Pfeifer R, Bongard JC (2006) How the body shapes the way we think – a new view on intelligence. https://www.semanticscholar.org/paper/How-the-body-shapes-the-way-we-think-a-new-view-on-Pfeifer-Bongard/2910099b7a7c555af9f14bfb2bc20e9475d0588f

Piccinini G, Bahar S (2012) Neural computation and the computational theory of cognition. Cogn Sci 37(3):453–488. https://doi.org/10.1111/cogs.12012CrossRef

Qazi S, Raza K (2021) Translational bioinformatics in healthcare: past, present, and future. Transl Bioinf Healthc Med 1–12. https://doi.org/10.1016/b978-0-323-89824-9.00001-x

Manjunath CR, Anand S (2018). Secure multicasting using geographical information: a cluster based approach in wireless sensor networks. Int J Eng Res Technol 2(14). https://www.ijert.org/secure-multicasting-using-geographical-information-a-cluster-based-approach-in-wireless-sensor-networks

Roybal KT, Lim WA (2017) Synthetic immunology: hacking immune cells to expand their therapeutic capabilities. Annu Rev Immunol 35(1):229–253. https://doi.org/10.1146/annurev-immunol-051116-052302CrossRef

Shahid N, Rappon T, Berta W (2019) Applications of artificial neural networks in health care organizational decision-making: a scoping review. PLoS ONE 14(2):e0212356. https://doi.org/10.1371/journal.pone.0212356CrossRef

Song Z, Qu Z (2020) Delayed global feedback in the genesis and stability of spatiotemporal excitation patterns in paced biological excitable media. PLoS Comput Biol 16(10):e1007931. https://doi.org/10.1371/journal.pcbi.1007931CrossRef

Sree P, Ramesh Babu I (2014) Cellular automata and its applications in bioinformatics: a review. Glob Perspect Artif Intell (GPAI) 2(2):16. https://arxiv.org/ftp/arxiv/papers/1404/1404.0453.pdf

Stark WR (2013) Amorphous computing: examples, mathematics and theory. Nat Comput 12(3):377–392. https://doi.org/10.1007/s11047-013-9370-0MathSciNetCrossRef

Tang B, Pan Z, Yin K, Khateeb A (2019) Recent advances of deep learning in bioinformatics and computational biology. Front Genet 10. https://doi.org/10.3389/fgene.2019.00214

Thierens D (2010) The linkage tree genetic algorithm. In: Parallel problem solving from nature, Bd PPSN XI, S 264–273. https://doi.org/10.1007/978-3-642-15844-5_27

Tian Z, Fong S, Deb S, Tang R, Wong R (2018) Vitality-based elephant search algorithm. Oper Res Int Journal 18(3):841–863. https://doi.org/10.1007/s12351-018-0419-9CrossRef

Timmis J, Knight T, de Castro L N, Hart E (2004) An overview of artificial immune systems. Nat Comput Ser 51–91. https://doi.org/10.1007/978-3-662-06369-9_4

To CC, Vohradsky J (2007) A parallel genetic algorithm for single class pattern classification and its application for gene expression profiling in Streptomyces coelicolor. BMC Genomics 8(1). https://doi.org/10.1186/1471-2164-8-49

Torada L, Lorenzon L, Beddis A, Isildak U, Pattini L, Mathieson S, Fumagalli M (2019) ImaGene: a convolutional neural network to quantify natural selection from genomic data. BMC Bioinf 20(S9). https://doi.org/10.1186/s12859-019-2927-x

Tsai H-C, Lin Y-H (2011) Modification of the fish swarm algorithm with particle swarm optimization formulation and communication behavior. Appl Soft Comput 11(8):5367–5374. https://doi.org/10.1016/j.asoc.2011.05.022CrossRef

Uymaz SA, Tezel G, Yel E (2015) Artificial algae algorithm (AAA) for nonlinear global optimization. Appl Soft Comput 31:153–171. https://doi.org/10.1016/j.asoc.2015.03.003CrossRef

What is Nature Inspired Computing? Computer Science Degree Hub. (2016, September). Computer Science Degree Hub. https://www.computersciencedegreehub.com/faq/what-is-nature-inspired-computing

Willett P (1995) Genetic algorithms in molecular recognition and design. Trends Biotechnol 13(12):516–521. https://doi.org/10.1016/s0167-7799(00)89015-0CrossRef

Wirth H, Löffler M, von Bergen M, Binder H (2011) Expression cartography of human tissues using self organizing maps. BMC Bioinf 12(1). https://doi.org/10.1186/1471-2105-12-306

Wong K-C, Peng C, Wong M-H, Leung K-S (2011) Generalizing and learning protein-DNA binding sequence representations by an evolutionary algorithm. Soft Comput 15(8):1631–1642. https://doi.org/10.1007/s00500-011-0692-5CrossRef

Wong K-C (2015) Evolutionary algorithms: concepts, designs, and applications in bioinformatics: evolutionary algorithms for bioinformatics. ArXiv.org. https://doi.org/10.48550/arXiv.1508.00468

Xiao X, Wang P, Chou K-C (2011) Cellular automata and its applications in protein bioinformatics. Curr Protein Pept Sci 12(6):508–519. https://doi.org/10.2174/138920311796957720CrossRef

Zhang Y, Qu P, Ji Y, Zhang W et al. (2020) A system hierarchy for brain-inspired computing. Nature 586(7829):378–384. https://doi.org/10.1038/s41586-020-2782-y

Zouache D, Ould Arby Y, Nouioua F, Ben Abdelaziz F (2019) Multi-objective chicken swarm optimization: a novel algorithm for solving multi-objective optimization problems. Comput Ind Eng 129:377–391. https://doi.org/10.1016/j.cie.2019.01.055CrossRef

Titel: Umfang und Anwendungsbereiche des von der Natur inspirierten Computings in der Bioinformatik
verfasst von: Waaris Qazi
Sahar Qazi
Naiyar Iqbal
Khalid Raza
Verlag: Springer Nature Singapore
Buch: Von der Natur inspirierte intelligente Datenverarbeitungstechniken in der Bioinformatik
Print ISBN: 978-981-9978-07-6

Electronic ISBN: 978-981-9978-08-3

Copyright-Jahr: 2024
DOI: https://doi.org/10.1007/978-981-99-7808-3_1

Springer Professional

Zusammenfassung

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Premium Partner