IGEM技术案例分析--Jilin_China(2020)

一、项目简介与生物学背景

      Jilin_China队2020年以"IGAME"为题设计了一款以合成生物学为基础的生命游戏。其利用在player中植入对光敏感的基因来创造出在不同光照下有不同状态(攻击/防守)的大肠杆菌。

      在游戏中玩家通过不同颜色的光来控制“Player”和“Enemy”进行对抗，“Enemy”持续进行攻击，蓝光照射后“Player”开始防御，红光照射后“Player”开始反击，最终通过KNN算法计算菌的数目判别胜负【1】。

二、数学建模及计算机技术

    Model 1--KNN算法

(1)算法简介：

   KNN又叫邻近算法，或K最近邻(kNN，k-NearestNeighbor)分类算法，它是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。

   KNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。

    

     如上图，待测点要分在哪一类呢？我们查看离它最近的K(这里K=8)个样本点，在这八个样本点中有四个⚪，三个▲，两个⭐，⚪的个数最多，则待测点分在⚪这一类中。

样本点间距离计算公式：

1、超参数距离：

    

2、欧氏距离：

     

 3、曼哈顿距离：

     

(2)在项目中的作用：

    采用KNN算法来模拟平板上菌落数量的分布，并以二进制图片的形式呈现，以快速评估细菌间的博弈结果。如果最后玩家的领土大于敌人的领土，则玩家获胜。如下图所示(图源网站：Team:Jilin China - 2020.igem.org)

 

(3)代码实现：

##KNN算法代码实现
##语言：python
##日期：2023.03.22
##创作：turbo1111

import numpy as np
import operator

def knn_classify(inputX, data, labels, k):
    # 1.计算测试数据与各训练数据之间的距离。
    dataSize = data.shape[0]#12
    x = np.tile(inputX, (dataSize, 1)) - data#计算待测点与样本点的差值(x1-x2)
    xPositive = x ** 2#差值的平方(（x1-x2）^2)
    xDistances = xPositive.sum(axis=1)#求和
    distances = np.sqrt(xDistances)#计算距离

    # 2.按照距离的大小进行排序。
    sortDisIndex = distances.argsort()

    # 3.选择其中距离最小的k个样本点。4.确定K个样本点所在类别的出现频率。
    classCount = {}  # 创建字典：label为键，频数为值
    for i in range(k):#循环k次，取出k个距离最小的样本点，获取他的类别，计算数目
        getLabel = labels[sortDisIndex[i]]
        classCount[getLabel] = classCount.get(getLabel, 0) + 1

    # 5.返回K个样本点中出现频率最高的类别作为最终的预测分类。
    sortClass = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
    print(sortClass[0][0])

    return sortClass[0][0]


if __name__ == '__main__':
    # 测试数据
    inputX = np.array([1,0.9,1])
    # 训练数据
    data = np.array([[1, 0.9, 1], [0.8, 0.9, 0.7], [1.3, 1, 1.2], [1.2, 0.9, 1], [2, 2.2, 2.1], [2.3, 2.2, 2],
                     [2, 2.2, 1.9], [1.9, 2.2, 2.1], [3.1, 3.1, 3], [2.8, 2.9, 3.1], [2.9, 3, 3.2], [3.1, 3, 3.1]])
    # 训练数据标签
    labels = np.array([1, 1, 1, 2, 2, 2, 2, 2, 3, 4, 3, 4])

    k = 4

    knn_classify(inputX, data, labels, k)

    Model 2--ODE(常微分方程分析)

(1)预备知识：

米氏方程：

米氏方程（Michaelis-Menten equation）是表示一个酶促反应的起始速度与底物浓度关系的速度方程。

在酶促反应中，在低浓度底物情况下，反应相对于底物是一级反应(与浓度的大小成正比)；而当底物浓度处于中间范围时，反应（相对于底物）是混合级反应（一级反应与零级反应的混合）。当底物浓度增加时，反应由一级反应向零级反应（生成速度与酶的浓度无关，表示酶已经过量了）过渡。

Hill方程(希尔方程)：

希尔方程是一个线性二阶常微分方程。

其中，J(z)是一个周期为pai的偶函数，可做傅里叶级数展开：

（2）项目中的ODE推导：

1、enemy攻击player

   enemy通过分泌木聚糖酶(xylanase)到细胞外水解木聚糖，水解产物是阿拉伯糖(ara)，阿拉伯糖可以进入player细胞中，与Arac相结合，改变其构象。

  Arac会进一步结合pBAD基因，激活relE的表达，产生ReLE(一中mRNA酶)，使得player自身的mRNA裂解从而抑制生长而死亡。

常微分方程公式推导如下：

2、红光下，player攻击enemy 

      在红光照射下，player内部的群体感应系统相关的基因--luxl基因被激活，其表达出的产物--AHL会与enemy的luxR基因表达出的luxR蛋白结合，从而激活prLUX基因(个人理解为luxR蛋白会抑制prLUX基因的表达)，使得enemy的relE基因表达，产生ReLE裂解enemy的RNA，从而杀死enemy。

常微分方程推导如下：

3、蓝光下，player进行防御：

  蓝光照射下，player内的抗毒素基因开始表达，其表达的产物RelB能与体内的RelE相结合，抑制RelE的RNA裂解作用。

具体微分方程推导如下：

 

本文引用博客/推文：

【1】Jilin_China|iGEM项目分析 (qq.com)

【2】KNN算法python实现

【3】Team:Jilin China - 2020.igem.org

本文如有疏漏、错误之处，欢迎指正。