欢迎阅读《励学志》第五期，这是励学党支部精心打造的实用信息分享系列推送。励学党支部致力于将每一场精彩的讲座转化为干货满满的文字总结，如毕设、本基、就业分享会等。在这里，你将收获知识、技能和灵感，助你在学术和职业道路上一臂之力。让我们一起探索、学习、成长！
本期《励学志》聚焦于2025年5月10日举办的“虚实共生：AI 建模解锁生命科学‘第二实验室’”朋辈交流研讨会。
PART01主题分享
（一）为什么生物中需要建模
（1) 生物系统错综复杂，基因调控网络、代谢通路、信号转导……其内部逻辑往往超出人类直觉。面对这样的复杂性，仅靠传统实验手段，难以全面把握其动态行为，并且某些实验实现困难、繁杂、周期长。
（2) 建模作为“数学语言”，让实验前有预测、设计中有反馈、结果后可验证。
（3) 在 iGEM 比赛中，建模不仅是评委关注的核心评估维度之一，也是指导实验设计、节省试剂资源、提升工程循环效率的重要武器。我们通过模型，不只是“描述”实验，更是“预测”与“控制”实验。
（二）我们用建模实现了什么
建模不仅仅是“画个图”，而是直接参与了整个系统的设计与迭代：
（1）设计指导：帮助我们选择更优构建路径，减少试验次数与成本；
（2）参数优化：协助我们选取适合的启动子强度、调控元件浓度范围；
（3）动态模拟：模拟蛋白表达与代谢积累，预估表达峰值与启动时机。
（三）生物中如何进行建模
数学建模本质上是“转化”，先将我们目前拟解决的实际问题归类到某一类数学问题，之后结合具体情况从大类中选择合适的算法，再建模，最后进行求解。
A.从生物机制中提取核心变量与因果关系
（1）变量设定：如酶浓度、mRNA产量、蛋白表达强度等；
（2）关系建模：用微分方程描述动力学、用布尔逻辑模拟开关控制。
B.数学问题常见问题及算法
（1）评价类问题
目标：建立指标体系评估方案有效性（如基因编辑效率、药物安全性等）；
步骤：选择合适的评价指标→确定各指标的权重→评价合成最终结果。
（2）预测类问题
目标：基于历史数据推断系统动态（如疾病传播趋势、细胞生长轨迹等）；
方法：时间序列分析（ARIMA、LSTM）、回归模型（线性回归、随机森林），适用于中/小样本或大样本长期预测。
步骤：
（3） 优化类问题
目标：在约束条件下求解最优解（如实验资源分配、种植策略优化）；
步骤：
案例：2024 年国赛 C 题 “农村有机种植优化”，通过遗传算法改进（“育种者遗传算法”）处理地块面积、轮作规则（豆类三年必种一次）等复杂约束，最大化收益。
C.算法学习方法
（1） 如何快速学习算法？
仅仅针对数学建模而言，最重要的是掌握每种算法的应用场景，条件限制，大概的输入和输出，以及使用方法。如果时间充足，再去学习算法的底层逻辑。
（2）示例——决策树算法学习
①使用场景：多分类问题（可以允许多个特征，然后有多个类别）；
②条件限制：训练此模型的数据需要有准确的标注；
③输入：训练数据，包括各个特征的值，以及准确的分类标签；
④输出：构建好的一棵“决策树”；
⑤使用方法：向决策树输入新样本（只有各个特征的值，没有分类标签），可以输出样本的类别。
D.生物学研究中的建模工具
（1）数学建模平台
①MATLAB & SimBiology：常用于构建ODE模型，适合动力学分析；
②COPASI：图形化建模，支持多种建模方式（ODE、离散模拟）；
③Tellurium & SBML：生物系统标准建模语言与模拟平台。
（2） 数据分析平台
①Python（NumPy, SciPy, Pandas）：适合自定义建模和模拟；
②R（ggplot2, deSolve）：多用于可视化和模型拟合；
③Jupyter Notebook：交互式建模 + 代码复现神器。
（3） AI与建模融合
①TensorFlow/PyTorch：用于构建神经网络，如蛋白质结构预测、图神经网络建模；
②AlphaFold、RoseTTAFold：深度学习在分子建模的标志性应用。
E.与实验互动
参数拟合→模型预测→实验验证→模型优化
（四）生物中的数学建模
(1) 生物实验中的经典模型
模型名称 |
生物应用场景 |
Michaelis-Menten |
酶促反应动力学分析，优化底物浓度配比（如工业酶制剂生产中底物添加策略）。 |
Logistic 增长模型 |
微生物培养优化，通过S型曲线确定对数生长期采样时间，评估培养周期（如发酵工程参数设定）。 |
常微分方程（ODE） |
信号通路动态模拟（如 MAPK 通路磷酸化级联反应），推导突变或药物扰动下的机制变化。 |
药代动力学（PK）模型 |
药物剂量设计，通过AUC（曲线下面积）计算靶向给药方案（如癌症化疗药物缓释系统开发）。 |
(2) AlphaFold：深度学习重构结构生物学
a.AlphaFold是什么？
由DeepMind开发的深度学习模型，它能根据氨基酸序列高精度地预测蛋白质的三维结构，在CASP比赛中达到实验级精度。
b. 它厉害在哪儿？
①无需昂贵实验，几小时内完成结构预测；
②覆盖整个人类蛋白质组（AlphaFold DB已开放2亿+结构）；
③加速新药开发、功能预测、酶设计等一系列生命科学研究；
④就像显微镜让我们“看见细胞”，AlphaFold 让我们“看见构造生命的拼图”。
c. AlphaFold的底层逻辑
①利用 Transformer 架构，学习序列中的远程依赖关系；
②引入多序列比对（MSA）与图卷积网络（GNN），理解进化背景与空间约束；
③最终输出的是原子级的结构预测结果，甚至包含可信度评分（pLDDT）。
d. 深度学习还能做什么？
①预测蛋白-蛋白/蛋白-DNA 相互作用；
②识别功能位点与突变效应；
③模拟分子动力学过程，探索蛋白质折叠通路。
(3) 农村有机种植优化模型——国赛C题实战
a.阅读题意，问题拆解
①约束条件：地块类型（平旱地 / 梯田 / 山坡地 / 水浇地 / 大棚）、作物重茬限制（不可连续种植）、豆类种植周期（三年至少一次）、种植分散度约束；
②目标函数：收益最大化，考虑产量、价格、成本及滞销处理（正常销售 / 50% 降价）。
b.不断优化，算法创新
针对传统遗传算法生成可行解效率低的问题，提出“育种者遗传算法”：
①启发式初始化：按地块种植规则（如水浇地第二季限种大白菜等）固定无效解区域（直接设为 0），减少搜索空间；
②死解修复机制：交叉 / 变异后自动修正违反轮作、面积约束的个体，提升收敛速度。
PART02 总结与建议
无论是生物还是其他学科，都需要我们积极观察生活中的问题，提出自己的解决方案进行数学建模。人工智能与生命科学的交融正开辟科研新路径——数学建模构建逻辑框架，人工智能挖掘数据价值，生命科学提供探索空间。希望有越来越多的同学们投身其中，拓宽学术视野，以跨学科智慧攻克难题，书写科研新篇章。
