细胞谱系随机演化的并行算法研究

In the past few decades, there has been a dramatic increase in the use of stochastic modeling and simulation in system biology. The standard kinetic Monte Carlo (KMC) algorithm is an extremely efficient method to carry out serial simulations of stochastic dynamical processes. As the system size and simulation time extends, it is desirable to develop efficient parallel KMC algorithms in order to take advantage of existing and upcoming super computing capabilities. The main goal of this project is to implement an efficient semi-rigorous sub-lattice algorithm for parallel KMC simulations. This algorithm is particularly suited for shared memory parallel computing and can be easily carried out using OpenMP. The key problem we face is to optimize the strategy for selecting the time step-size, which plays an important role in determine the accuracy and efficiency of the algorithm. The practical motivation of developing this parallel algorithm is to study the stochastic evolution of a large scale cellular automata lattice model, which describes the dynamical behavior of a cell lineage system under negative control. In system biology, cell lineage is considered as the fundamental units of tissue and organ development, maintenance and regeneration. In particular we want to understand the spatial effect of negative feedback control on the dynamical behavior of the cell lineage, which is believed to be related to many important biological phenomena such as pattern formation. This project highlights the use of large scale simulation method to solve complex problems in system biology, emphasizes interdisciplinary and creative collaboration，and represents the arthor's initial step towards the important field of computational system biology.

随机建模和数值模拟在系统生物学研究中已成为不可或缺的重要工具。随着系统空间和时间尺度的增加，传统的串行计算已无法满足巨大的计算量的需求。在实际问题和高性能计算技术的推动下，用于模拟大规模随机系统演化的并行算法得到了大力发展。动力学蒙特卡洛（KMC）算法是一个模拟连续时间随机过程的重要算法，在物理、化学、材料和信息科学等领域有着广泛的应用。如何实现KMC算法的并行化是当前的研究热点。本项目的主旨是设计一个可靠高效的并行KMC算法，并用它来模拟空间格点模型中大量细胞复制与分化形成的细胞谱系的随机演化，着重研究负反馈调控下细胞群体的时空动力学行为及其生物意义。本项目强调运用大规模科学计算来解决系统生物学中的前沿问题，体现了交叉学科和合作创新的特点，是研究者本人在计算系统生物学方向的重要起步。

随着科学研究的深入，我们研究的问题越来越庞大和复杂，传统的解析手段往往无法应对这类复杂系统，在实际问题和高性能计算技术的推动下，用于模拟大规模随机系统演化的并行算法得到了大力发展。本项目旨在发展和运用高效的并行数值模拟算法，用于解决复杂生物系统中的实际问题。我们主要采用动力学蒙特卡洛算法(KMC)，它可以用来模拟连续时间随机过程，在物理、化学、材料和信息科学等领域有着广泛的应用，也特别适合本项目所关心的细胞谱系演化问题。从该算法出发，我们对生物和材料中的一类共性问题进行了建模，这类问题的特点是由大量微元构成，这些微元可以是细胞或大分子，通过微元和微元之间的相互作用系统能够表现出复杂和有趣的动力学行为。在这一“建模-计算”的框架下，我们研究了蛋白质序列的演化过程，细胞群体的基因表达动力学，细胞群体的大小生长控制，以及液晶材料的缺陷构型等问题，得到了一系列有意义的发现和研究成果。在本项目的支持下，我们发表了SCI论文4篇，EI论文1篇，另外还有两篇正在审稿过程中。本项目运用大规模科学计算来解决系统生物学中的前沿问题,体现了交叉学科和合作创新的特点,在科学前沿领域收获了一定数量的研究成果，为今后的研究工作奠定了基础。