10.10.2025, 15:00 Uhr

Universität Wien
Besprechungsraum 4.34
Währinger Str. 29
1090 Wien

Titel: Improving the performance of dynamic control flux balance
analysis models for bioprocess optimization

Kurzfassung:
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 IPOPTOptionen
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
ExaModels und des Solvers MadNLP. 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 MadNLP im Vergleich zu IPOPT in weniger Iterationsschritten
eine Lösung mit vergleichbarer Qualität zu finden jedoch nicht erheblich schneller. Die
GPU-Beschleunigung mit ExaModels 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.