人工智能算法在生物药剂学中的应用

论文摘要

人工神经网络（Artificial Neural Network,ANN）是对人脑若干基本特性通过数学方法进行的抽象和模拟,是一种模仿人脑结构及其功能的非线性信息处理系统。BP（Back-Propagation）网络是一种采用反向传播学习算法的神经网络,对于在任意闭区间内的一个连续函数都可以用单隐层的BP网络逼近,一个三层的BP网络就可以完成任意的n维到m维的映射。遗传算法（Genetic Algorithm,GA）以生物进化过程为背景,模拟生物进化的步骤,将繁殖、杂交、变异、竞争和选择等概念引入到算法中,通过维持一组可行解,并对可行解进行重新组合,改进可行解在多维空间内的移动轨迹或趋向,最终走向最优解。它克服了传统优化方法容易陷入局部极值的缺点,是一种全局优化算法。本文第一部分将神经网络应用到药物透过人皮肤的渗透性能预测研究中。采集两组数据样本,用Matlab自编程序分别建立了预测药物经皮渗透速率BP网络和预测经皮渗透系数的BP网络模型。两个模型的输入变量相同,为药物的分子量（Mr）,油水分配系数(logKow),供氢数（Hd）和受氢数（Ha）。输出变量分别为药物经皮渗透速率(logJmax)和经皮渗透系数（logKp）。前者模型测试组预测logJmax与实际logJmax的相关系数平方为0.997,回归直线的斜率为0.970。后者模型测试组预测得到的logKp与实际logKp的相关系数为0.95,均方误差平方根（RMSE）为0.37。本研究表明BP神经能够很好地预测药物透过皮肤的渗透性能。第二部分旨在建立一个生物药剂学分类系统（BCS）预测模型。药物在BCS中的分类取决于其溶解性和渗透性。故首先建立药物特征溶解度模型和绝对生物利用度模型。用多元线性回归和神经网络建立溶解度的线性模型和非线性模型,通过模型预测值与实际值的相关系数（R）、均方误差平方根（RMSE）和AIC比较,神经网络模型比逐步线性回归模型优越。用神经网络建立两种预测药物口服绝对生物利用度的模型。前者的输入变量为7个已能明确解释的理论参数,后者的输入变量有15个,包括上述变量和用遗传算法筛选出来的8个变量。通过比较,后者的预测效能优越。采集16个BCS分类明确的药物样本,用自行建立的溶解度模型和生物利用度模型预测分类,溶解度预测准确度为93.8%,渗透性预测准确度为81.2%,生物药剂学分类系统预测准确度为75.0%。第三部分将神经网络应用到药动学参数的预测,用BP网络预测新生儿丁胺卡那霉素消除速率常数。建立梯度下降BP网络（GD-BP-NN）,贝叶斯标准化BP网络（BR-BP-NN）和遗传BP网络（G-BP-NN）,以23例新生儿静脉滴注丁胺卡那霉素相关临床资料为研究对象,研究新生儿胎龄、日龄和体重对丁胺卡那霉素消除速率的影响,预测患者的消除速率常数,并比较三种网络的预测精度和运行效率。结果表明GD-BP-NN,BR-BP-NN和G-BP-NN测试组预测值和实验计算值的相关系数分别为0.92,0.91和0.98;测试组均方误差平方根（RMSE）分别是0.020,0.024和0.010;相同的预测精度条件下,GD-BP-NN,BR-BP-NN和G-BP-NN分别运行了2000,219和82步。从中可以看出遗传算法对BP神经网络权值和阈值进行优化,从而克服了BP神经网络训练速度慢,容易陷入局域极小和全局搜索能力弱等缺点,故G-BP-NN预测效果更好。

论文目录

• 摘要
• Abstract
• 前言
• 参考文献
• 第一章 分子结构处理与建模算法
• 1.1 分子结构处理
• 1.1.1 分子描述符计算
• 1.1.2 分子三维结构的优化
• 1.2 建模算法
• 1.2.1 遗传算法（Genetic Algorithm）
• 1.2.2 神经网络（Artificial Neural Network,ANN）
• 1.2.3 多元线性回归（Multiple Linear Regression,MRL）
• 参考文献
• 第二章 化合物透过人皮肤渗透性能的预测
• 2.1 实验方法
• 2.1.1 药物渗透速率BP网络
• 2.1.2 药物渗透系数BP神经网络
• 2.2 实验结果
• 2.2.1 药物渗透速率BP网络
• 2.2.2 药物渗透系数BP网络
• 2.3 讨论
• 2.4 本章小结
• 参考文献
• 第三章 药物溶解度预测
• 3.1 实验方法
• 3.1.1 数据集和参数
• 3.1.2 逐步多元线性回归
• 3.1.3 神经网络模型
• 3.2 实验结果
• 3.2.1 多元线性回归
• 3.2.2 BP神经网络
• 3.3 讨论
• 3.4 本章小结
• 参考文献
• 第四章 化合物口服生物利用度预测
• 4.1 实验方法
• 4.1.1 数据采集
• 4.1.2 三维分子结构构造
• 4.1.3 分子描述符
• 4.1.4 重要分子描述的选择
• 4.1.5 BP神经网络的建模
• 4.2 实验结果
• 4.2.1 遗传算法选择的分子描述符及其重要性
• 4.2.2 预测效能
• 4.3 讨论
• 4.4 本章小结
• 参考文献
• 第五章 生物药剂学分类系统的研究
• 5.1 实验方法
• 5.1.1 数据采集
• 5.1.2 特征溶解度预测
• 5.1.3 溶解性计算
• 5.1.4 绝对生物利用度预测
• 5.2 实验结果
• 5.2.1 溶解性预测
• 5.2.2 渗透性预测
• 5.2.3 生物分类系统预测
• 5.3 讨论
• 5.4 本章小结
• 参考文献
• 第六章 新生儿丁胺卡那霉素消除速率常数的预测
• 6.1 材料与方法
• 6.1.1 数据来源
• 6.1.2 药动学模型
• 6.2 实验方法
• 6.2.1 梯度下降BP神经网络（Gradient descent backpropagation neural network,GD-BP-NN）
• 6.2.2 贝叶斯标准化BP神经网络（Bayesian regularized back-propagation neural network,BR-BP-NN）
• 6.2.3 遗传BP神经网络（Genetic backpropagation neural network,G-BP-NN）
• 6.3 三种神经网络预测精度和运行效率的比较
• 6.4 实验结果
• 6.5 本章小结
• 参考文献
• 全文总结
• 综述 神经网络和遗传算法在药剂学中的应用
• 1.神经网络
• 1.1 简介
• 1.2 BP网络的MATLAB设计
• 1.3 BP网络在药物制剂中的应用
• 2.遗传算法
• 2.1 简介
• 2.2 遗传算法在药剂学上的应用
• 3.展望
• 参考文献
• 致谢
• 硕士阶段研究成果