讲座题目：动力学的数据科学理论及生命科学的应用

主 讲 人：陈洛南（中国科学院上海生命科学研究院）

讲座时间：10月28日（周五）下午14：00-15：00

讲座地点：钱伟长楼201会议室、腾讯会议室 871894757

欢迎有兴趣的师生前来聆听！

理学院

2022年10月20日

讲座内容简介：

高通量组学技术的兴起为研究包括复杂疾病研究等提供了大数据的支持，这些不同来源、不同层面、不同尺度的数据组成生物医学等的多元异质大数据，具有很强的时空动态性。这些特性使得我们迫切需要研究数据时空特性的动力学分析方法，如基于动力系统的临界点预警方法、基于吸引子低维特性的时间序列预测理论、基于嵌入理论的因果关系推断算法等。这些基于动力学的数据科学新理论与新方法能够帮助理解和预测复杂系统的动态发展，有助于分析复杂动态过程和机制，加速包括生物医学及人工智能等研究领域的步伐。特别是，复杂疾病系统发生发展过程普遍存在非线性临界现象，如何从网络或系统层面，科学地量化这样的临界点对于实现疾病的精准预测和疾病预防具有重要意义。特别是这些方法和理论可广泛应用于癌症转移与复发，公共卫生实时监测、亚健康状态预警、时间序列预测、AI研究等方面，对动力学驱动的数据科学理论和算法发展有重要的推动作用。

主要内容包括：（1）基于动力系统临界期的低维特征，建立复杂疾病过程的临界理论及动态网络标志物方法：首次建立了复杂疾病及动态生物过程的临界状态的预测方法和理论，特别是建立了基于大数据检测临界状态的必要条件及其动态网络标志物(DNB: Dynamic Network Biomarker)，不仅已成功应用到肝癌转移前兆诊断、糖尿病临界检测及药物拮抗动态过程等研究，而且也应用到生态系统及金融系统等的风险分析和临界预测。（2）基于吸引子低维特性，建立短时间数据的时间序列预测理论：该基于非线性动力学的全新随机嵌入理论（RDE: Randomly Distributed Embedding）和方法可通过低维嵌入映射获得目标变量预测值的分布，最终使得高维短序列时间序列数据的预测成为可能。从系统的角度，建立了基于动力学的机器学习理论和方法(ALM: Anticipated Learning Machine)，由小样本可实现时间序列的预测和学习。（3）基于动力系统的嵌入理论，建立偏交叉映射的因果关联方法：利用相空间重构、交叉映射、偏相关系数等动力学与统计学相关算法，建立了新型偏交叉映射方法(PCM: Partial Cross Mapping)，实现了非线性动力系统中直接因果与间接因果的区分。该算法已被用于生态系统、环境与疾病互作系统以及基因调控网络等问题中，为理解生命系统演化的因果基本机制提供了方法学基础。

主讲人简介：

陈洛南，1984年获华中科技大学电气工程学士学位，1988年获日本东北大学系统科学硕士学位，1991年获日本东北大学系统科学博士学位。1997年起任日本大阪产业大学副教授，2000年起任美国加州大学洛杉矶分校(UCLA)访问教授，2002年起任日本大阪产业大学教授，2009年4月起任日本东京大学教授(兼)，2010年4月至今任中科院系统生物学重点实验室执行主任，研究员。现任中国生物化学与分子生物学会分子系统生物学专业分会主任委员，IEEE-SMC系统生物学委员会主席，中国运筹学会计算系统生物学分会名誉理事长。主要从事计算系统生物学、大数据分析和人工智能的研究工作。近年来，在系统生物学和复杂网络等研究领域发表了350余篇期刊论文及10余部编著书籍(Citation > 20000；H-index > 70；Elsevier高被引)。