报告题目：计算系统生物学及复杂疾病研究

报告人：陈洛南教授

报告时间：2022年10月15日  8：00-10：00

报告地点：腾讯会议号码：212-276-904 ，88038威尼斯数学系办公室

邀请单位：88038威尼斯，离散数学及其应用省部共建教育部重点实验室，福建省应用数学中心（威尼斯登录入口welcome）

报告摘要：高通量组学技术的兴起为研究包括复杂疾病研究等提供了大数据的支持，这些不同来源、不同层面、不同尺度的数据组成生物医学等的动态多元异质大数据，具有很强的时空动态性。这些特性使得我们迫切需要研究数据时空特性的动力学分析理论和系统科学方法，如基于动力系统的临界点预警方法、基于吸引子低维特性的时间序列预测理论、基于嵌入理论的因果关系推断算法、基于深度学习的非线性数据融合方法等。这些基于动力学的数据科学新理论与系统科学新方法能够帮助理解和预测复杂系统的动态发展，有助于分析复杂动态过程和机制，加速包括生物医学及人工智能等研究领域的步伐。这些方法和理论可广泛应用于癌症转移与复发，公共卫生实时监测、亚健康状态预警、时间序列预测、AI研究等方面，对动力学和系统科学驱动的数据科学理论和算法发展有重要的推动作用。

报告人简介：陈洛南，华中科技大学电气工程学士学位；获日本东北大学系统科学硕士学位；获日本东北大学系统科学博士学位。1997年起任日本大阪产业大学副教授；2000年起任美国加州大学洛杉矶分校(UCLA)访问教授；2002年起任日本大阪产业大学教授；2009年10月至今任中科院生化细胞研究所研究员，中国科学院系统生物学重点实验室执行主任，国科大杭高院首席教授。近年来主持承担了国家自然科学基金重点项目、面上项目等多项科研课题。中国运筹学会《计算系统生物学分会》名誉理事长，IEEE SMC学会《系统生物学技术委员会》主席，中国生化细胞学会《分子系统生物学专业分会》主任委员。主要从事计算系统生物学、大数据分析和人工智能的研究工作，建立和推动“动力学的生物大数据理论和方法”，特别是建立了动态网络标志物(DNB)及复杂疾病临界预警方法，空间-时间信息转化的机器学习理论体系(STI)，多组学数据的融合算法(PFA),分子网络的因果推断方法(PCM)等。近年来发表350余篇期刊论文(包括 Nature, Nature Genetics, Nature Communications, PNAS, PRL, National Science Review, Cancer Cell等)和两部专著(H-index > 72 , Citation > 22000)。