Phòng thí nghiệm Công nghệ tri thức tổ chức hội thảo, seminar khoa học với các thông tin chi tiết như sau:

– Chủ đề: Scalable Enumeration of Trap Spaces in Boolean Networks via Answer Set Programming

– Thời gian: 9h00 Thứ Hai ngày 19/08/2024

– Địa điểm: Phòng 405 E3

– Diễn giả: TS. Trịnh Văn Giang

– Tóm tắt nội dung báo cáo:

(Tiếng Việt bên dưới)

Boolean Networks (BNs) are widely used as a modeling formalism in several domains, notably systems biology and computer science. A fundamental problem in BN analysis is the enumeration of trap spaces, which are hypercubes in the state space that cannot be escaped once entered. Several methods have been proposed for enumerating trap spaces, however they often suffer from scalability and efficiency issues, particularly for large and complex models. To our knowledge, the most efficient and recent methods for the trap space enumeration all rely on Answer Set Programming (ASP), which has been widely applied to the analysis of BNs. Motivated by these considerations, our work proposes a new method for enumerating trap spaces in BNs using ASP. We evaluate the method on a mix of 250+ real-world and 400+ randomly generated BNs, showing that it enables analysis of models beyond the capabilities of existing tools (namely pyboolnet, mpbn, trappist, and trapmvn).

(Tiếng Việt)

Boolean Networks (BNs) được sử dụng rộng rãi như một hình thức mô hình hóa trong nhiều lĩnh vực, nổi bật là sinh học hệ thống và khoa học máy tính. Một vấn đề cơ bản trong phân tích các mô hình BN là việc liệt kê các không gian bẫy (trap spaces), là các siêu khối trong không gian trạng thái nơi không thể thoát ra được sau khi đã đi vào chúng. Một số phương pháp đã được đề xuất để liệt kê các không gian bẫy, tuy nhiên chúng thường gặp phải các vấn đề về khả năng mở rộng và hiệu quả, đặc biệt là đối với các mô hình lớn và phức tạp. Theo hiểu biết của chúng tôi, các phương pháp hiệu quả và mới nhất để liệt kê không gian bẫy đều dựa vào Answer Set Programming (ASP), đã được áp dụng rộng rãi để phân tích các mô hình BN. Được thúc đẩy bởi những yếu tố trên, công trình của chúng tôi đề xuất một phương pháp mới để liệt kê các không gian bẫy trong BNs bằng ASP. Chúng tôi đánh giá phương pháp này trên sự kết hợp của hơn 250 BNs thực tế và hơn 400 BNs được tạo ngẫu nhiên, cho thấy phương pháp này cho phép phân tích các mô hình vượt quá khả năng của các công cụ hiện có (cụ thể là pyboolnet, mpbn, trappist và trapmvn).

– Thông tin về diễn giả:

(Tiếng Việt bên dưới)

Van-Giang Trinh received his PhD in Information Science from Japan Advanced Institute of Science and Technology in November 2021. Currently, he is a postdoctoral researcher at Polytech Marseille within Aix-Marseille University, Marseille, France. His research interests include theoretical computer science, symbolic artificial intelligence, and computational systems biology. In particular, he mainly focuses on Boolean networks, Petri nets, answer set programming, and their applications to modeling, analysis, and control of biological systems.

(Tiếng Việt)

Trịnh Văn Giang nhận bằng Tiến sĩ Khoa học thông tin từ Viện Khoa học và Công nghệ tiên tiến Nhật Bản vào tháng 11 năm 2021. Hiện tại, anh là nhà nghiên cứu sau tiến sĩ tại Polytech Marseille thuộc Đại học Aix-Marseille, thành phố Marseille, Pháp. Các mối quan tâm nghiên cứu của anh bao gồm khoa học máy tính lý thuyết, trí tuệ nhân tạo biểu tượng và sinh học hệ thống tính toán. Đặc biệt, anh chủ yếu tập trung vào Boolean networks, Petri nets, answer set programming và các ứng dụng của chúng vào mô hình hóa, phân tích và kiểm soát các hệ thống sinh học.