Detailansicht
Improving the performance of dynamic control flux balance analysis models for bioprocess optimization
Maria Christina Kovacs
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Bioinformatik
Betreuer*in
Jürgen Zanghellini
DOI
10.25365/thesis.79140
URN
urn:nbn:at:at-ubw:1-16687.72252.639492-3
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die Simulation und Optimierung von Bioprozessen ermöglicht es, zum Beispiel in der industriellen Biotechnologie oder pharmazeutischen Produktion die Produktivität zu steigern, Kosten zu senken und einen effizienten Einsatz von Ressourcen zu gewährleisten. Dynamic control Flux Balance Analysis (dcFBA) ist dafür eine effektive mathematische Methode und wird zur Simulation und Analyse von metabolischen Prozessen unter dynamischen Bedingungen eingesetzt. Bei der Simulation eines Bioprozesses liefern dcFBA-Modelle wichtige Einblicke in den zellulären Stoffwechsel. Die algorithmische Komplexität solcher Modelle stellt jedoch bei besonders umfangreichen Simulationen eine erhebliche Herausforderung dar. Um die Leistung der Lösungsverfahren solcher Modelle zu verbessern, untersucht diese Arbeit verschiedene Ansätze, darunter die Optimierung der Solver-Einstellungen, die Verfeinerung des Modelles sowie die mögliche Beschleunigung mittels GPU-Rechenleistung. Den Ausgangspunkt der Studie bilden zwei zuvor entwickelte dcFBA-Modelle, die als Referenz herangezogen werden. Sie repräsentieren unterschiedliche Bioprozesse, diese sind jedoch von der Struktur ähnlich implementiert. Dazu wurde das Modellierungsframework JuMP und zur Lösung der Solver IPOPT verwendet. Im ersten Teil der Arbeit wird das Lösungsverfahren bestehender Modelle gezielt optimiert, indem unterschiedliche IPOPT-Optionen systematisch getestet und ihre Auswirkungen auf die Performanz untersucht werden. Dadurch sollen spezielle Solver-Einstellungen identifiziert werden, die insbesondere die Konvergenz, die Laufzeit und die Lösungsqualität verbessern. Weiters sollen mögliche Muster spezifischer Optionen aufgezeigt werden, die sich modellübergreifend als leistungsfördernd erweisen. Alle Anpassungen werden mit den beiden Referenzmodellen verglichen. Die daraus gewonnenen Erkenntnisse werden anschließend an zwei deutlich größeren Modellen validiert. Im zweiten Teil wird die Leistungsfähigkeit kürzlich entwickelter Alternativen zu IPOPT und JumP untersucht, konkret des Modellierungsframeworks IPOPT und des Solvers IPOPT. Die beiden Programme werden im Hinblick auf ihre Stärken und Schwächen im Kontext von dcFBA-Modellen bewertet, wobei besonderes Augenmerk auf ihr Potenzial zur GPU-Nutzung gelegt wird. Dabei steht die Frage im Mittelpunkt, ob eine parallele Rechenstruktur die Leistungsfähigkeit von diesen speziellen Implementationen verbessern kann. Bestimmte Konfigurationen der IPOPT-Optionen führte in einigen Fällen zu einer erheblichen Reduktion der Laufzeit, insbesondere bei einem der größeren Modelle, wo eine Reduktion von 78% erzielt wurde. Optionen im Zusammenhang mit Warm-Start und Initialisierung hatten dabei den größten Einfluss auf die Laufzeit. Hinsichtlich des zweiten Ansatzes gelang es IPOPT im Vergleich zu IPOPT in weniger Iterationsschritten eine Lösung mit vergleichbarer Qualität zu finden jedoch nicht erheblich schneller. Die GPU-Beschleunigung mit IPOPT brachte keine konsistenten Leistungsverbesserungen und war lediglich bei kleineren Teilproblemen der Modellen von Vorteil. Bei größeren Modellen haben möglicherweise eine unzureichende Skalierung sowie die Struktur der Implementierung die effektive Nutzung von GPU begrenzt. Zusammenfassend fokussiert sich diese Arbeit auf die Verbesserung des Lösungsprozesses von dcFBA-Modellen durch Optimierung von Solver-Einstellungen und den Einsatz von GPU-Nutzung. Ziel ist es, die rechnerische Effizienz zu steigern, um die Anwendung von dcFBA auf komplexere Simulationen von Bioprozessen zu ermöglichen. Die Ergebnisse machen deutlich, dass sowohl die Solver-Parameter als auch ein gut durchdachtes mathematisches Modell entscheidend für den Erfolg der Simulationen sind. Letztlich kann diese Arbeit dazu beitragen, dcFBA in der computergestützten Biologie nutzbarer zu machen, einem Bereich, in dem schnelle und leistungsfähige Simulationen zunehmend an Bedeutung gewinnen.
Abstract
(Englisch)
Simulating and optimizing bioprocesses allows us to improve productivity, reduce costs, and guarantee efficient resource usage in industrial biotechnology or pharmaceutical manufacturing. Therefore, dynamic control flux balance analysis (dcFBA) is a powerful mathematical framework that is used to simulate and analyze metabolic processes under dynamic conditions. When simulating a bioprocess, dcFBA models provide valuable insights into cellular metabolism. However, their computational complexity poses significant challenges, particularly for large-scale simulations. To improve performance, this thesis explores several approaches, including solver optimization, model refinement, and GPU acceleration. The study begins with two previously developed dcFBA models serving as references. They represent different bioprocesses but are implemented in a similar way using a combination of the modeling framework JuMP and the solver IPOPT. The first objective is to improve the current solution process by systematically testing different IPOPT option configurations and analyzing how they affect performance. The goal is to identify settings that, above all, improve convergence, runtime, and solution quality, while also revealing patterns of specific options that consistently improve performance across different problems. All adaptations will be compared to these two reference models. The findings of these tests will then be validated in two substantially larger models. As a second objective, this study evaluates recently developed alternatives to IPOPT and JuMP, the solver MadNLP, and the modeling framework ExaModels, testing them on the two reference models. These tools are assessed for their strengths and limitations in the context of dcFBA, with a particular focus on their ability to leverage GPU acceleration and also reduce computational costs. The goal is to determine whether parallel computing can improve the performance of dcFBA models. The configurations of the solver options (objective 1) led to reduced runtime in some cases, particularly for one of the larger models, where a reduction of 78% was achieved. The options related to warm-start and initialization had the most noticeable impact on run time. Regarding objective 2, MadNLP achieved a lower number of iterations compared to IPOPT while maintaining similar solution quality, but not particularly faster. The use of GPU with ExaModels did not consistently improve performance and was only beneficial for smaller sub-problems of the models. For larger models, factors such as poor scaling and the overall implementation structure may limit the effectiveness of GPU execution. In summary, this thesis focuses on improving the solution process for dcFBA models by optimizing solver configurations, refining model structures, and leveraging GPU acceleration. The goal is to improve computational efficiency, enabling the application of dcFBA to more complex bioprocess simulations. The results highlight the importance of the solver parameters and a well-posed mathematical model for the successful convergence of the simulations. In the end, this work could help to make dcFBA more useful in computational biology, where fast and powerful simulations are becoming more important.
Schlagwörter
Schlagwörter
(Deutsch)
Optimierung Bioprozesse Flux Balance Analysis dcFBA Interior Point Methods IPOPT
Schlagwörter
(Englisch)
optimization bioprocess flux balance analysis dcFBA interior point methods IPOPT
Autor*innen
Maria Christina Kovacs
Haupttitel (Englisch)
Improving the performance of dynamic control flux balance analysis models for bioprocess optimization
Paralleltitel (Deutsch)
Verbesserung der Leistung von Dynamic control Flux Balance Analysis Modellen zur Bioprozessoptimierung
Publikationsjahr
2025
Umfangsangabe
vii, 87 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Jürgen Zanghellini
Klassifikationen
35 Chemie > 35.06 Computeranwendungen ,
54 Informatik > 54.80 Angewandte Informatik
AC Nummer
AC17626839
Utheses ID
77275
Studienkennzahl
UA | 066 | 875 | |