学术报告 报告题目1： City Traffic Forecasting Using GPS Data
报 告 人：胡煜成 副研究员（清华大学周培源数学中心）
报告时间：2016年12月15日（星期四）上午09:00-10:00
报告题目2：复杂疾病的分子网络标志物研究
报 告 人：曾涛 副研究员（中国科学院上海生命科学研究院）
报告时间：2016年12月15日（星期四）上午10:00-11:00
报告地点：四号楼4224室
欢迎广大师生参加!
数学学院
2016年12月13日
报告1摘要: For many big cities in China, traffic has become a major bottleneck limiting the development of the city. To take rational actions to control and manage city traffic, it is important for us to have a deep understanding on how the traffic system works first. Big
data on city traffic that has recently become available provide new ways to understand traffic flow. Our group start to tackle this problem using GPS data collected from all taxis in Beijing.
In this talk, I will mainly discuss a coarse-grained cellular automata model we develop aiming to reconstruct and forecast the city traffic flow. The coarse-grained model is less computational expensive than the microscopic car following model and can incorporate historical data into the model parameters in a way the macroscopic model cannot.
报告2摘要：随着生物医学大数据的到来，针对复杂疾病的精准医学正快速发展。新的数据提出的新的方法学挑战。作为基础探索到临床应用的转化研究的核心之一，生物标志物识别迫切需要新的理论假设与分析手段，来同时提高标志物的疾病表型区分能力与生物机制解释能力。不同于传统的“点”标志物，即用单个、孤立的基因这类特征物作为疾病诊断预后的分子标志物；我们提出新的“边”标志物，采用多个分子及它们之间的（表达）关联作为复杂疾病的分子网络标志物。
分子网络标志物一方面通过引入分子相关性的约束来提高解释力；另一方面通过引入新的网络定量来提高区分力。大量的疾病数据分析表明，分子网络标志物能挖掘新的疾病差异信息，可从传统方法所忽略的基因的非差异表达这类“表达暗物质”中提取差异相关性；进而在小样本、高维数据上对差异相关性的定量将有助于提高疾病预测的精准度。特别是，分子网络标志物能够刻画新的个体化差异，可从疾病异质性的角度来识别复杂疾病的分子分型，从而为个体化疾病预防、诊断、治疗提供新思路。