One goal of synthetic biology is to implement useful functions with biochemical reactions, either by reprogramming living cells or programming artificial vesicles. In this perspective, we consider Chemical Reaction Networks (CRNs) as a programming language. Recent work has shown that continuous CRNs with their dynamics described by ordinary differential equations are Turing complete. That means that any function over the reals that is computable by a Turing machine in arbitrary precision, can be computed by a CRN over a finite set of molecular species. The proof uses an algorithm which, given a computable function presented as the solution of a PIVP (PolynomialInitial Values Problem), generates a finite CRN to implement it. In the generated CRNs, the molecular concentrations play the role of information carriers, similarly to proteins in cells. In this Master’s Thesis, we investigate an approach based on an evolutionary algorithm to build a continuous CRN that approximates a real function given a finite set of the values of the function. The idea is to use a two-level parallel genetic algorithm. A first algorithm is used to evolve the structure of the network, while the other one enables us to optimize the parameters of the CRNs at each step. We compare the CRNs generated by our method on different functions. The CRNs found by evolution often give good results with quite unexpected solutions.

Ett mål med syntetisk biologi är att genomföra användbara funktioner med biokemiska reaktioner, antingen genom omprogrammering av levande celler eller programmering av artificiella vesiklar. I detta perspektiv anser vi Chemical Reaction Networks (CRNs) som ett programmeringsspråk. Det senaste arbetet har visat att kontinuerliga CRNs med dynamik som beskrivs av vanliga differentialekvationer är Turingkompletta. Det betyder att en funktion över de realla talen som kan beräknas av en Turing-maskin i godtycklig precision, kan beräknas av en CRN över en ändlig uppsättning molekylära arter. Beviset använder en algoritm som, givet en beräkningsbar funktion som presenteras som lösningen av ett PIVP (Polynomial Initial Values Problem), genererar en ändlig CRN för att implementera den. I de genererade CRN:erna spelar molekylkoncentrationerna rollen som informationsbärare, på samma sätt som proteiner i celler. I detta examensarbete undersöker vi ett tillvägagångssätt baserat på en evolutionär algoritm för att bygga en kontinuerlig CRN som approximerar en verklig funktion med en ändlig uppsättning av värden för funktionen. Tanken är att använda parallell genetisk algoritm i två nivåer. En första algoritm används för att utveckla nätets struktur, medan den andra möjliggör att optimera parametrarna för CRN:erna vid varje steg. Vi jämför de CRN som genereras av vår metod på olika funktioner. De CRN som hittas av evolutionen ger ofta bra resultat med ganska oväntade lösningar.