人工代謝系統(tǒng)綜述

（中南大學(xué) 信息科學(xué)與工程學(xué)院 長沙 410083)

摘 要：從生物體新陳代謝規(guī)律出發(fā)，通過分析催化酶與各類代謝調(diào)節(jié)模式的關(guān)系建立起人工代謝系統(tǒng)模型。該系統(tǒng)能實現(xiàn)模式識別、故障診斷、多目標(biāo)優(yōu)化等功能。利用新陳代謝機理建立人工代謝方程。通過對平衡因子、抑制因子等代謝算子的調(diào)節(jié)來改變代謝物濃度，提高代謝率，從而實現(xiàn)新陳代謝網(wǎng)絡(luò)的物質(zhì)流量均衡和網(wǎng)絡(luò)節(jié)點通暢，達到有效地實現(xiàn)各類功能優(yōu)化的目的。對人工代謝系統(tǒng)的基礎(chǔ)理論和典型應(yīng)用進行了闡述，指出了進一步研究的方向。

關(guān)鍵詞：人工智能； 人工代謝系統(tǒng)； 人工酶； 人工代謝方程； 代謝算子

中圖分類號：TP182文獻標(biāo)志碼：A

文章編號：1001-3695(2009)05-1601-03

Overview of artificial metabolic system

HU Yang GUI Weihua

(School of Information Science Engineering Central South University Changsha 410083 China)

Abstract:Artificial metabolic system model was built by analysis for relationship between enzymes and every regulation pattern from the view of biological metabolism law. Many functions such as pattern recognition fault diagnosis and multiobjective optimization could be realized by the system. An artificial metabolic equation was built according to metabolism mechanism. The substance concentration could be regulated by metabolic operators such as equilibrium factor and the inhibior factor. The metabolic rate could be improved. The substance concentration in metabolic network was balance and traffic flows in every network node was unobstructed by regulating these metabolic operators including equilibrium factor and the inhibior factor. Many kinds of optimal application could be realized through the regulating methods.This paper presented the summary for basic theory and typical application of artificial metabolic system andalso provided the directions for further study.

Key words：artificial intelligence; artificial metabolic system; artificial enzyme; artificial metabolic equation; metabolic operator

0 引言

人工智能作為一種模擬人類和生物體特性的學(xué)科體系，一直在不斷地發(fā)展。從生理學(xué)上分析，人體由運動、呼吸、循環(huán)、消化、內(nèi)分泌、生殖、神經(jīng)、泌尿八個系統(tǒng)組成。其中不少系統(tǒng)的運作機理經(jīng)模型轉(zhuǎn)換已成為人工智能的組成部分^[1~15]。從歷史上看，通過模擬人類大腦中神經(jīng)元細胞的學(xué)習(xí)、推理功能而提出了人工神經(jīng)元網(wǎng)絡(luò)算法；通過發(fā)掘生物體代際之間的優(yōu)化規(guī)律而提出了遺傳算法。就內(nèi)分泌系統(tǒng)而言，其生理功能包括免疫反應(yīng)和新陳代謝兩部分。其中免疫反應(yīng)的人工智能模型已由人工免疫系統(tǒng)實現(xiàn)，而新陳代謝則尚未見相關(guān)文獻將其轉(zhuǎn)換為智能算法。本文通過分析生物體新陳代謝機理，提出了以代謝過程為原型的人工代謝系統(tǒng)。

本文首先簡要地介紹了生物新陳代謝的基本機理，對人工代謝系統(tǒng)模型參數(shù)的生理背景進行了闡述，并分析了基于人工代謝系統(tǒng)的各類典型應(yīng)用。

1 生物體的新陳代謝

自然界存在大量生物體，某生物體若要存活，必須有一種吐故納新的機制，及時地驅(qū)除自身所不需要的物質(zhì)，并吸收細胞更新所需要的養(yǎng)分，這就是生物界的新陳代謝。這一生理過程由存在于生物體內(nèi)的催化酶來控制。催化酶控制代謝反應(yīng)的模式、方向和速度。酶的催化既有專一性也有多樣性，可以是不同的酶催化不同的物質(zhì)，也可以是多種酶共同催化同一類物質(zhì)。這些催化模式依生化反應(yīng)的具體功能來決定。

生物的新陳代謝存在多種反饋抑制模式，包括多價、協(xié)同、順序、累積和合作等反饋抑制。抑制原理從總體上符合生物化學(xué)中化學(xué)平衡的原則。通過比較反應(yīng)物（生物化學(xué)中稱為底物）和生成物的濃度以決定抑制控制的模式。其中控制抑制模式的催化酶通過鏈式誘導(dǎo)合成。這表示：若底物不經(jīng)常存在，則對應(yīng)的催化酶不必隨時保持較高的濃度。在這里，催化酶是按需合成的，保障了生物體自身結(jié)構(gòu)的經(jīng)濟性和功能的完備性。

酶的生成過程同樣滿足代際優(yōu)化的法則。現(xiàn)今生物體與其祖先相比較，身體內(nèi)的催化酶有了很大的改變。同時，神經(jīng)系統(tǒng)的發(fā)育也由發(fā)育酶來調(diào)節(jié)。這實際上形成了代謝系統(tǒng)、生殖系統(tǒng)與神經(jīng)系統(tǒng)三位一體的協(xié)同制約型的調(diào)節(jié)規(guī)律。三者相互制約、相互影響和控制。一方面盡可能地保持了生物類型的多樣性以適應(yīng)環(huán)境的變化；另一方面也盡可能地實現(xiàn)生物體內(nèi)部的精簡性，以降低自身能耗，適應(yīng)生存需要。

2 人工代謝系統(tǒng)模型

人工代謝系統(tǒng)是在分析生物體新陳代謝規(guī)律的基礎(chǔ)上所提出的智能控制模式，是通過對酶識別能力、酶催化下細胞各類遞階調(diào)控模式的分析和模型的抽象形成的新的一類人工智能思想框架體系。其主要的系統(tǒng)模型可分為人工代謝系統(tǒng)網(wǎng)絡(luò)和代謝優(yōu)化學(xué)習(xí)算法兩類。

2.1 人工代謝系統(tǒng)網(wǎng)絡(luò)

從生物化學(xué)的層次看，任何代謝系統(tǒng)網(wǎng)絡(luò)都是由一些支路連接而成。對單條代謝支路而言，其代謝反應(yīng)模式為

其中:A、B為底物；C、D為生成物；x為催化酶。雙向箭頭表示該反應(yīng)可以平衡移動，是可逆反應(yīng)。若底物濃度高于生成物濃度，此時酶表現(xiàn)為正向催化作用，反應(yīng)過程向合成生成物方向進行；若生成物濃度高于底物濃度，此時酶表現(xiàn)為逆向催化作用，反應(yīng)過程向合成底物方向進行。在此處，酶只起到常規(guī)的催化作用。若遇特殊情形，即使底物濃度低于生成物濃度，也可以通過調(diào)節(jié)酶的濃度來改變反應(yīng)過程的方向，迫使反應(yīng)向合成生成物方向（正向催化方向）進行，以實現(xiàn)整個網(wǎng)絡(luò)的代謝平衡。

人工代謝網(wǎng)絡(luò)模型包含如下代謝參量：平衡因子、抑制因子、底物濃度、生成物濃度、反應(yīng)率、催化酶的數(shù)量及特異性。控制目標(biāo)是實現(xiàn)代謝路徑的優(yōu)化。基本方法是參照式（1）的模式，建立各支路的代謝平衡方程。其中各支路的輸入物理量對應(yīng)底物濃度，輸出物理量對應(yīng)生成物濃度。設(shè)立采樣周期，對相鄰采樣周期的底物濃度差值和生成物的濃度差值進行監(jiān)控。平衡因子、抑制因子分別控制正、逆反應(yīng)過程進度，初始值為[0，1]的隨機數(shù)。若底物濃度差值為正數(shù)，則增大平衡因子；若生成物濃度差值為正數(shù)，則增大抑制因子。比較相鄰周期的反應(yīng)率，若反應(yīng)率增大，則平衡因子、抑制因子可保持不變；若反應(yīng)率降低，則通過調(diào)節(jié)平衡因子和抑制因子來增強系統(tǒng)的反應(yīng)率，提高代謝網(wǎng)絡(luò)吞吐能力^[16~26]。

對于人工代謝網(wǎng)絡(luò)，通過分析各支路上的代謝參數(shù)，可以得到當(dāng)前節(jié)點到相鄰節(jié)點的最優(yōu)代謝路徑。將各分段代謝路徑連接即構(gòu)成完整的代謝通路。通過對催化酶特異性的分析，可以對代謝通路實現(xiàn)分支、合并，最后得到實時的優(yōu)化代謝路徑。這一結(jié)果可應(yīng)用于交通管理、路由選擇等網(wǎng)絡(luò)化資源調(diào)度的領(lǐng)域。

2.2 代謝學(xué)習(xí)算法

與其他智能算法不同，代謝學(xué)習(xí)算法的核心是濃度平衡。當(dāng)各條支路及整個代謝網(wǎng)絡(luò)實現(xiàn)底物與反應(yīng)物濃度達到協(xié)調(diào)平衡時，此時新陳代謝處于最旺盛階段，對應(yīng)的目標(biāo)函數(shù)也將獲得最優(yōu)值。在這其中，當(dāng)目標(biāo)函數(shù)達到最優(yōu)值時，對應(yīng)的代謝濃度將達到穩(wěn)態(tài)平衡，代謝過程的反應(yīng)率也將達到穩(wěn)態(tài)平衡。此時的代謝物數(shù)值對應(yīng)目標(biāo)函數(shù)的最優(yōu)值。代謝學(xué)習(xí)算法流程如圖1所示。

圖1中，底物、反應(yīng)物的初始濃度由輸入/輸出物理量決定；系統(tǒng)輸入/輸出量關(guān)系決定代謝反應(yīng)率的初始值。本算法將濃度平衡即濃度差作為適應(yīng)度函數(shù)，根據(jù)代謝支路上的代謝物的多少決定對應(yīng)催化酶的濃度，通過平衡因子和抑制因子等代謝算子對代謝濃度進行調(diào)節(jié)，濃度差越大，則調(diào)節(jié)幅度也越大。經(jīng)反復(fù)循環(huán)調(diào)節(jié)，濃度差為0，實現(xiàn)濃度平衡。此時系統(tǒng)已完全暢通，代謝量和代謝率也逐漸趨于穩(wěn)定，從底物到生成物之間形成一條最優(yōu)的代謝通路，代謝物數(shù)值達到最大，所對應(yīng)目標(biāo)函數(shù)值獲得最優(yōu)解。

3 人工代謝系統(tǒng)的應(yīng)用

3.1 模式識別

利用酶催化的專一性實現(xiàn)識別功能。不同的底物（待識別對象）由不同的酶識別，所對應(yīng)的代謝算子和代謝路徑也不相同。利用擾動分析對代謝路徑進行分析，鑒別出哪一種底物的代謝支路在哪一點被啟動，從擾動分析中得出系統(tǒng)的特異性，從而識別出不同的底物及對應(yīng)的代謝支路^[27，28]。

3.2 故障診斷

通過對代謝系統(tǒng)中各支路的擾動分析，建立起各代謝支路的靈敏度曲線。對比不同時間段的代謝靈敏度曲線，解析出系統(tǒng)中參數(shù)變化的模塊，從而分析出故障的模式類型。通過對系統(tǒng)突變狀態(tài)與系統(tǒng)正常狀態(tài)的代謝靈敏度穩(wěn)態(tài)曲線的對比，實現(xiàn)故障查找與定位功能^[29~33]。

3.3 反饋控制

在代謝系統(tǒng)中，細胞調(diào)控、體液調(diào)控與神經(jīng)調(diào)控構(gòu)成了遞階調(diào)控體系。遞階控制模式包括多價反饋抑制控制、協(xié)同反饋抑制控制、順序反饋抑制控制、累積反饋抑制控制和合作反饋抑制控制。由處于各個等級的酶來實現(xiàn)不同層次和不同類型的調(diào)控催化功能。在人工代謝系統(tǒng)中，可以通過對酶的活性的改變來實現(xiàn)對控制對象的變結(jié)構(gòu)控制和不同控制模式的切換。上述控制模式通過代謝平衡方程的建立而成立，通過調(diào)節(jié)代謝算子對實際控制參數(shù)進行調(diào)節(jié)。利用代謝路徑代謝物流量與對應(yīng)路徑上代謝算子之間的信息推—拉關(guān)系，建立自適應(yīng)的實時控制體系^[34，35]。

3.4 容錯控制

設(shè)立退化因子對過時不必要的酶進行及時濾除，降低系統(tǒng)的復(fù)雜度；分析酶的誘導(dǎo)合成功能，對酶和底物的映射關(guān)系進行數(shù)據(jù)挖掘，按需產(chǎn)生所需要的催化酶；配合酶的退化機制，增強系統(tǒng)的容錯性；分析退化后的酶喪失的催化功能，讓廢棄的細胞及時盡快地退出代謝網(wǎng)絡(luò)，而讓成熟的個體加入；通過神經(jīng)網(wǎng)絡(luò)判斷個體細胞的經(jīng)驗值并對其進行訓(xùn)練，通過遺傳算法選擇成熟個體細胞。上述過程由代謝系統(tǒng)中的激活蛋白和聚合酶來完成。酶可以對神經(jīng)網(wǎng)絡(luò)和遺傳算法的啟動時刻進行控制，實現(xiàn)各算法的協(xié)調(diào)，降低整個軟件平臺的復(fù)雜性^[36，37]。

3.5 多目標(biāo)優(yōu)化

代謝系統(tǒng)的最終目標(biāo)是實現(xiàn)在多激素、多物流約束下的代謝網(wǎng)絡(luò)全局意義下的濃度平衡。根據(jù)代謝守衡定理中反應(yīng)過程總量守衡的原則，建立各支路的代謝流量平衡方程。各條支路對應(yīng)一個優(yōu)化目標(biāo)，以代謝物濃度和代謝率達到穩(wěn)態(tài)平衡為依據(jù)判斷。當(dāng)某代謝支路的濃度達到穩(wěn)態(tài)平衡，對應(yīng)代謝物達到最大，即為單一函數(shù)優(yōu)化值。由代謝系統(tǒng)中的模式定理，整個代謝網(wǎng)絡(luò)的濃度平衡必然對應(yīng)單一代謝通路濃度平衡。當(dāng)各支路分別實現(xiàn)目標(biāo)函數(shù)優(yōu)化時，代謝網(wǎng)絡(luò)將達到全局意義的濃度平衡，從而實現(xiàn)對象的多目標(biāo)優(yōu)化^[38~41]。

4 結(jié)束語

人工代謝系統(tǒng)作為一類新的人工智能算法，由于其強大的多回路、網(wǎng)絡(luò)化的信息處理能力，具有很廣的應(yīng)用范圍。其進一步研究的方向有：

a）以代謝算法、神經(jīng)網(wǎng)絡(luò)算法、遺傳算法、免疫算法為基礎(chǔ)建立多智能算法的協(xié)調(diào)統(tǒng)一的控制平臺，使人工智能更加真實化和擬人化，更好地為生產(chǎn)實踐服務(wù)。

b）深入分析代謝過程中各參量的變化趨勢和相互關(guān)系；深入探討酶的催化在代謝優(yōu)化過程中的自適應(yīng)性及酶的數(shù)量的恰當(dāng)性。

c）針對酶的建立和退化機制，研究退化算法。生物體的發(fā)展應(yīng)該是既有進化也有退化。若只有進化而無退化，將最終導(dǎo)致自身機能過于復(fù)雜而被環(huán)境所淘汰。設(shè)立退化算法的核心是建立完備的動態(tài)的酶信息儲存機制，既保證算法的完善性，又減小系統(tǒng)的復(fù)雜性。

總之，人工代謝系統(tǒng)作為一種全新的智能算法將逐漸成為目標(biāo)尋優(yōu)、變結(jié)構(gòu)切換控制、網(wǎng)絡(luò)控制、模式識別及故障診斷等領(lǐng)域的有效工具。與其他智能算法類似，人工代謝系統(tǒng)也必將在虛擬實驗研究中發(fā)揮巨大的作用，更好地為人類造福。

參考文獻：

［1］PINEDO M. Scheduling: theory algorithms and systems[M]. 2nd ed. Beijing:Tsinghua University Press 2005.

[2]焦李成，杜海峰，劉芳，等. 免疫優(yōu)化計算、學(xué)習(xí)與識別[M]. 北京：科學(xué)出版社，2006.

[3]王萬良，吳啟迪. 生產(chǎn)調(diào)度智能算法及其應(yīng)用[M]. 北京：科學(xué)出版社，2007.

[4]莫宏偉. 人工免疫系統(tǒng)原理與應(yīng)用[M]. 哈爾濱：哈爾濱工業(yè)大學(xué)出版社，2002.

[5]陳國良，王煦法，莊鎮(zhèn)泉，等. 遺傳算法及其應(yīng)用[M]. 北京：人民郵電出版社，1996.

[6]王永驥，涂健. 神經(jīng)元網(wǎng)絡(luò)控制[M]. 北京：機械工業(yè)出版社，1998.

[7]王凌. 車間調(diào)度及其遺傳算法[M]. 北京：清華大學(xué)出版社，2003.

[8]李士勇. 蟻群算法及其應(yīng)用[M]. 哈爾濱：哈爾濱工業(yè)大學(xué)出版社，2004.

[9]王凌. 智能優(yōu)化算法及其應(yīng)用[M]. 北京：清華大學(xué)出版社，2001.

[10]HAGAN M T DEMUCH H B，BEALE M H. 神經(jīng)網(wǎng)絡(luò)設(shè)計[M]. 戴葵，等譯.北京：機械工業(yè)出版社，2006.

[11]丁永生，任立紅. 人工免疫系統(tǒng)：理論與應(yīng)用[J]. 模式識別與人工智能，2000，13（1）：52-59.

[12]王磊，潘進，焦李成. 免疫算法[J]. 電子學(xué)報，2000，28（7）：74-78.

[13]王磊，潘進，焦李成. 免疫規(guī)劃[J]. 計算機學(xué)報，2000，23（7）：806-812.

[14]談英資 沈炯，肖雋，等. 人工免疫工程綜述[J]. 東南大學(xué)學(xué)報，2002，32（4）：676-682.

[15]王煦法，張顯俊，曹先彬，等. 一種基于免疫原理的遺傳算法[J]. 小型微型計算機系統(tǒng)，1999，20（2）：117-120.

[16]趙武述. 免疫平衡研究及其臨床意義[M]. 北京：科學(xué)出版社，2005.

[17]王翼飛 史定華. 生物信息學(xué)——智能化算法及其應(yīng)用[M]. 北京：化學(xué)工業(yè)出版社，2006.

[18]埃伯哈德.O.沃伊特. 生物化學(xué)系統(tǒng)的計算分析[M]. 儲炬，李友榮，譯. 北京：化學(xué)工業(yè)出版社，2006.

[19]內(nèi)斯托爾.V. 托雷斯 埃伯哈德.O.沃伊特. 代謝工程的途徑分析與優(yōu)化[M]. 修志龍，滕虎，譯. 北京：化學(xué)工業(yè)出版社，2005.

[20]張洪淵，萬海清. 生物化學(xué)[M]. 北京：化學(xué)工業(yè)出版社，2006.

[21]張蓓. 代謝工程[M]. 天津：天津大學(xué)出版社，2003.

[22]梅樂和，岺沛霖. 現(xiàn)代酶工程[M]. 北京：化學(xué)工業(yè)出版社，2006.

[23]孫嘯，陸祖宏，謝建明. 生物信息學(xué)基礎(chǔ)[M]. 北京：清華大學(xué)出版社，2005.

[24]涂序彥. 大系統(tǒng)控制論[M]. 北京：國防工業(yè)出版社，1994.

[25]DAVIDSON E H. The regulatory genomegene regulatory networks in development and evolution[M].[S.l.]:Science Press，2007.

[26]SANES D H REH T A HARRIS W A. Development of the nervous system[M].[S.l.]:Science Press，2007.

[27]AlHINDI H A. Approximation of a discrete event stochastic simulation using an evolutionary artificial neural network[J].JKAU:Eng Sci，2004，15(1):125-138.

[28]MIN H，KO H J，KO C S. A genetic algorithm approach to developing the multiechelon reverse logistics network for product returns[J]. The International Journal of Management Science 2006，34(1):56-69.

[29]GOURGAND M GRANGEON N NORRE S. A contribution to the stochastic flow shop scheduling problem[J]. European Journal of Operational Research 2003，151(4):415-433.

[30]CHANG H S GIVAN R CHONG E K P. Parallel rollout for online solution of partially observable Markov decision processes[J]. Discrete Event Dynamic System: Theory and Application，2004，14(3):309-341.

[31]DUNN S PEUCKER S PERRY J. Genetic algorithm optimisation of mathematical models using distributed computing[J]. Applied Intelligence 2005，23(1):21-32.

[32]JIA H Z NEE A Y C FUN J Y H et al. A modified genetic algorithm for distributed scheduling problems[J]. Journal of Intelligent Manufacturing 2003，14(4):351-362.

[33]TANG Lixin LIU Jiyin. A modified genetic algorithm for the flow shop sequencing problem to minimize mean flow time[J]. Journal of Intelligent Manufacturing 2002，13(1):61-67.

[34]GONCALVES J F DeALMEIDA J R. A hybrid genetic algorithm for assembly line balancing[J]. Journal of Heuristics 2002，8(6):629-642.

[35]ZHANG Liang WANG Ling ZHENG Dazhong. An adaptive genetic algorithm with multiple operators for flowshop scheduling[J]. Int J Adv Manuf Technol 2006 27(5):580-587.