人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)是對(duì)人腦若干基本特性通過數(shù)學(xué)方法進(jìn)行的抽象和模擬,是一種模仿人腦結(jié)構(gòu)及其功能的非線性信息處理系統(tǒng)。BP(Back-Propagation)網(wǎng)絡(luò)是一種采用反向傳播學(xué)習(xí)算法的神經(jīng)網(wǎng)絡(luò),對(duì)于在任意閉區(qū)間內(nèi)的一個(gè)連續(xù)函數(shù)都可以用單隱層的BP網(wǎng)絡(luò)逼近,一個(gè)三層的BP網(wǎng)絡(luò)就可以完成任意的n維到m維的映射。 遺傳算法(Genetic Algorithm,GA)以生物進(jìn)化過程為背景,模擬生物進(jìn)化的步驟,將繁殖、雜交、變異、競(jìng)爭(zhēng)和選擇等概念引入到算法中,通過維持一組可行解,并對(duì)可行解進(jìn)行重新組合,改進(jìn)可行解在多維空間內(nèi)的移動(dòng)軌跡或趨向,最終走向最優(yōu)解。它克服了傳統(tǒng)優(yōu)化方法容易陷入局部極值的缺點(diǎn),是一種全局優(yōu)化算法。 本文第一部分將神經(jīng)網(wǎng)絡(luò)應(yīng)用到藥物透過人皮膚的滲透性能預(yù)測(cè)研究中。采集兩組數(shù)據(jù)樣本,用Matlab自編程序分別建立了預(yù)測(cè)藥物經(jīng)皮滲透速率BP網(wǎng)絡(luò)和預(yù)測(cè)經(jīng)皮滲透系數(shù)的BP網(wǎng)絡(luò)模型。兩個(gè)模型的輸入變量相同,為藥物的分子量(Mr),油水分配系數(shù)(logK_(ow)),供氫數(shù)(Hd)和受氫數(shù)(Ha)。輸出變量分別為藥物經(jīng)皮滲透速率(logJ_(max))和經(jīng)皮滲透系數(shù)(logKp)。前者模型測(cè)試組預(yù)測(cè)logJ_(max)與實(shí)際logJ_(max)的相關(guān)系數(shù)平方為0.997,回歸直線的斜率為0.970。后者模型測(cè)試組預(yù)測(cè)得到的logKp與實(shí)際logKp的相關(guān)系數(shù)為0.95,均方誤差平方根(RMSE)為0.37。本研究表明BP神經(jīng)能夠很好地預(yù)測(cè)藥物透過皮膚的滲透性能。 第二部分旨在建立一個(gè)生物藥劑學(xué)分類系統(tǒng)(BCS)預(yù)測(cè)模型。藥物在BCS中的分類取決于其溶解性和滲透性。故首先建立藥物特征溶解度模型和絕對(duì)生物利用度模型。用多元線性回歸和神經(jīng)網(wǎng)絡(luò)建立溶解度的線性模型和非線性模型,通過模型預(yù)測(cè)值與實(shí)際值的相關(guān)系數(shù)(R)、均方誤差平方根(RMSE)和AIC比較,神經(jīng)網(wǎng)絡(luò)模型比逐步線性回歸模型優(yōu)越。用神經(jīng)網(wǎng)絡(luò)建立兩種預(yù)測(cè)藥物口服絕對(duì)生物利用度的模型。前者的輸入變量為7個(gè)已能明確解釋的理論參數(shù),后者的輸入變量有15個(gè),包括上述變量和用遺傳算法篩選出來的8個(gè)變量。通過比較,后者的預(yù)測(cè)效能優(yōu)越。采集16個(gè)BCS分類明確的藥物樣本,用自行建立的溶解度模型和生物利用度模型預(yù)測(cè)分類,溶解度預(yù)測(cè)準(zhǔn)確度為93.8%,滲透性預(yù)測(cè)準(zhǔn)確度為81.2%,生物藥劑學(xué)分類系統(tǒng)預(yù)測(cè)準(zhǔn)確度為75.0%。 第三部分將神經(jīng)網(wǎng)絡(luò)應(yīng)用到藥動(dòng)學(xué)參數(shù)的預(yù)測(cè),用BP網(wǎng)絡(luò)預(yù)測(cè)新生兒丁胺卡那霉素消除速率常數(shù)。建立梯度下降BP網(wǎng)絡(luò)(GD-BP-NN),貝葉斯標(biāo)準(zhǔn)化BP網(wǎng)絡(luò)(BR-BP-NN)和遺傳BP網(wǎng)絡(luò)(G-BP-NN),以23例新生兒靜脈滴注丁胺卡那霉素相關(guān)臨床資料為研究對(duì)象,研究新生兒胎齡、日齡和體重對(duì)丁胺卡那霉素消除速率的影響,預(yù)測(cè)患者的消除速率常數(shù),并比較三種網(wǎng)絡(luò)的預(yù)測(cè)精度和運(yùn)行效率。結(jié)果表明GD-BP-NN,BR-BP-NN和G-BP-NN測(cè)試組預(yù)測(cè)值和實(shí)驗(yàn)計(jì)算值的相關(guān)系數(shù)分別為0.92,0.91和0.98;測(cè)試組均方誤差平方根(RMSE)分別是0.020,0.024和0.010;相同的預(yù)測(cè)精度條件下,GD-BP-NN,BR-BP-NN和G-BP-NN分別運(yùn)行了2000,219和82步。從中可以看出遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行優(yōu)化,從而克服了BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度慢,容易陷入局域極小和全局搜索能力弱等缺點(diǎn),故G-BP-NN預(yù)測(cè)效果更好。

【關(guān)鍵詞】：
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2008
【分類號(hào)】：R94
【目錄】：

• 摘要4-6
• Abstract6-8
• 前言8-14
• 參考文獻(xiàn)12-14
• 第一章 分子結(jié)構(gòu)處理與建模算法14-26
• 1.1 分子結(jié)構(gòu)處理14-16
• 1.1.1 分子描述符計(jì)算14-15
• 1.1.2 分子三維結(jié)構(gòu)的優(yōu)化15-16
• 1.2 建模算法16-25
• 1.2.1 遺傳算法(Genetic Algorithm)16-19
• 1.2.2 神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)19-22
• 1.2.3 多元線性回歸(Multiple Linear Regression,MRL)22-25
• 參考文獻(xiàn)25-26
• 第二章 化合物透過人皮膚滲透性能的預(yù)測(cè)26-42
• 2.1 實(shí)驗(yàn)方法26-34
• 2.1.1 藥物滲透速率BP網(wǎng)絡(luò)26-30
• 2.1.2 藥物滲透系數(shù)BP神經(jīng)網(wǎng)絡(luò)30-34
• 2.2 實(shí)驗(yàn)結(jié)果34-38
• 2.2.1 藥物滲透速率BP網(wǎng)絡(luò)34-35
• 2.2.2 藥物滲透系數(shù)BP網(wǎng)絡(luò)35-38
• 2.3 討論38-39
• 2.4 本章小結(jié)39-40
• 參考文獻(xiàn)40-42
• 第三章 藥物溶解度預(yù)測(cè)42-53
• 3.1 實(shí)驗(yàn)方法42-46
• 3.1.1 數(shù)據(jù)集和參數(shù)42-45
• 3.1.2 逐步多元線性回歸45-46
• 3.1.3 神經(jīng)網(wǎng)絡(luò)模型46
• 3.2 實(shí)驗(yàn)結(jié)果46-49
• 3.2.1 多元線性回歸46-48
• 3.2.2 BP神經(jīng)網(wǎng)絡(luò)48-49
• 3.3 討論49-50
• 3.4 本章小結(jié)50-51
• 參考文獻(xiàn)51-53
• 第四章 化合物口服生物利用度預(yù)測(cè)53-67
• 4.1 實(shí)驗(yàn)方法53-61
• 4.1.1 數(shù)據(jù)采集53-60
• 4.1.2 三維分子結(jié)構(gòu)構(gòu)造60
• 4.1.3 分子描述符60
• 4.1.4 重要分子描述的選擇60-61
• 4.1.5 BP神經(jīng)網(wǎng)絡(luò)的建模61
• 4.2 實(shí)驗(yàn)結(jié)果61-64
• 4.2.1 遺傳算法選擇的分子描述符及其重要性61-63
• 4.2.2 預(yù)測(cè)效能63-64
• 4.3 討論64-65
• 4.4 本章小結(jié)65-66
• 參考文獻(xiàn)66-67
• 第五章 生物藥劑學(xué)分類系統(tǒng)的研究67-73
• 5.1 實(shí)驗(yàn)方法67-69
• 5.1.1 數(shù)據(jù)采集67-68
• 5.1.2 特征溶解度預(yù)測(cè)68
• 5.1.3 溶解性計(jì)算68-69
• 5.1.4 絕對(duì)生物利用度預(yù)測(cè)69
• 5.2 實(shí)驗(yàn)結(jié)果69-70
• 5.2.1 溶解性預(yù)測(cè)69
• 5.2.2 滲透性預(yù)測(cè)69
• 5.2.3 生物分類系統(tǒng)預(yù)測(cè)69-70
• 5.3 討論70-71
• 5.4 本章小結(jié)71-72
• 參考文獻(xiàn)72-73
• 第六章 新生兒丁胺卡那霉素消除速率常數(shù)的預(yù)測(cè)73-83
• 6.1 材料與方法73-75
• 6.1.1 數(shù)據(jù)來源73-74
• 6.1.2 藥動(dòng)學(xué)模型74-75
• 6.2 實(shí)驗(yàn)方法75-78
• 6.2.1 梯度下降BP神經(jīng)網(wǎng)絡(luò)(Gradient descent backpropagation neural network,GD-BP-NN)75
• 6.2.2 貝葉斯標(biāo)準(zhǔn)化BP神經(jīng)網(wǎng)絡(luò)(Bayesian regularized back-propagation neural network,BR-BP-NN)75-76
• 6.2.3 遺傳BP神經(jīng)網(wǎng)絡(luò)(Genetic backpropagation neural network,G-BP-NN)76-78
• 6.3 三種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度和運(yùn)行效率的比較78
• 6.4 實(shí)驗(yàn)結(jié)果78-80
• 6.5 本章小結(jié)80-82
• 參考文獻(xiàn)82-83
• 全文總結(jié)83-85
• 綜述 神經(jīng)網(wǎng)絡(luò)和遺傳算法在藥劑學(xué)中的應(yīng)用85-102
• 1.神經(jīng)網(wǎng)絡(luò)85-91
• 1.1 簡(jiǎn)介85-87
• 1.2 BP網(wǎng)絡(luò)的MATLAB設(shè)計(jì)87-89
• 1.3 BP網(wǎng)絡(luò)在藥物制劑中的應(yīng)用89-91
• 2.遺傳算法91-97
• 2.1 簡(jiǎn)介91-93
• 2.2 遺傳算法在藥劑學(xué)上的應(yīng)用93-97
• 3.展望97-99
• 參考文獻(xiàn)99-102
• 致謝102-103
• 碩士階段研究成果103

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前10條

1 楊蘭;董鴻曄;;BP神經(jīng)網(wǎng)絡(luò)與遺傳算法結(jié)合優(yōu)化培養(yǎng)基配方應(yīng)用研究[J];黑龍江醫(yī)藥;2011年03期

2 許朝霞;王憶勤;顏建軍;郭睿;劉國(guó)萍;燕海霞;李福鳳;徐琎;郝一鳴;錢鵬;;基于支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)的心血管疾病中醫(yī)證候分類識(shí)別研究[J];北京中醫(yī)藥大學(xué)學(xué)報(bào);2011年08期

3 王小兵;孫久運(yùn);;幾種圖像分割技術(shù)在醫(yī)學(xué)圖像處理中的應(yīng)用研究[J];醫(yī)療衛(wèi)生裝備;2011年07期

4 田敬霞;張景祥;;人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)分娩方式的研究[J];醫(yī)學(xué)信息(中旬刊);2011年08期

5 荊斌;張鵬;李巍;查玉華;周雙勤;尚學(xué)義;;基于智能算法睡眠呼吸暫停監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J];中國(guó)醫(yī)學(xué)裝備;2011年09期

6 周紅標(biāo);張宇林;胡金平;;基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的CTG識(shí)別研究[J];重慶醫(yī)科大學(xué)學(xué)報(bào);2011年07期

7 劉春艷;賈鵬;劉文君;;應(yīng)用表面增強(qiáng)激光解吸電離飛行時(shí)間質(zhì)譜篩選急性特發(fā)性血小板減少性紫癜患兒血清生物標(biāo)志物[J];實(shí)用兒科臨床雜志;2011年15期

8 王國(guó)鋒;彭小虎;;計(jì)算機(jī)處理睡眠數(shù)據(jù)中2導(dǎo)腦電和1導(dǎo)眼電的非周期波形分析[J];中國(guó)組織工程研究與臨床康復(fù);2011年26期

9 陳鑫;張正國(guó);馮逵;陳莉;韓少梅;朱廣瑾;;兒童青少年肺通氣功能預(yù)測(cè)的后向傳播神經(jīng)網(wǎng)絡(luò)方法[J];生理學(xué)報(bào);2011年04期

10 徐繼承;李磊;劉桂紅;周鳳娟;苗慧;孫桂香;趙華碩;張訓(xùn)保;金英良;黃水平;;人工神經(jīng)網(wǎng)絡(luò)建立食管癌發(fā)病預(yù)測(cè)模型的比較研究[J];現(xiàn)代預(yù)防醫(yī)學(xué);2011年17期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 劉傳文;仿生優(yōu)化算法在數(shù)字圖像處理中的應(yīng)用研究[D];武漢理工大學(xué);2008年

2 吳建發(fā);優(yōu)選壓裂井方法研究[D];西南石油學(xué)院;2005年

3 閆濱;大壩安全監(jiān)控及評(píng)價(jià)的智能神經(jīng)網(wǎng)絡(luò)模型研究[D];大連理工大學(xué);2007年

4 王海瑞;密閉式城市生活垃圾直接氣化熔融焚燒過程控制策略研究[D];昆明理工大學(xué);2007年

5 趙勝利;基于計(jì)算智能方法的巖土工程與工程網(wǎng)絡(luò)計(jì)劃的應(yīng)用研究[D];天津大學(xué);2004年

6 張旭;具有拓?fù)浣Y(jié)構(gòu)布局優(yōu)化的理論及算法[D];大連理工大學(xué);2004年

7 廖平;基于遺傳算法的形狀誤差計(jì)算研究[D];中南大學(xué);2002年

8 王俊國(guó);基于神經(jīng)網(wǎng)絡(luò)的建模方法與控制策略研究[D];華中科技大學(xué);2004年

9 楊立峰;油品市場(chǎng)特性分析及企業(yè)發(fā)展研究[D];天津大學(xué);2004年

10 李軍紅;冷軋帶肋鋼筋工藝的現(xiàn)代優(yōu)化方法及質(zhì)量控制[D];南昌大學(xué);2006年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 盛本云;人工神經(jīng)網(wǎng)絡(luò)在變電站綜合自動(dòng)化系統(tǒng)優(yōu)化中的應(yīng)用[D];南京理工大學(xué);2003年

2 王國(guó)峰;基于遺傳神經(jīng)網(wǎng)絡(luò)的礦山泥石流危險(xiǎn)性評(píng)價(jià)[D];西安科技大學(xué);2008年

3 秦偉剛;基于人工神經(jīng)網(wǎng)絡(luò)的智能交通系統(tǒng)檢測(cè)與控制[D];山東大學(xué);2005年

4 鄭未名;模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法[D];武漢大學(xué);2005年

5 汪磊;基于遺傳神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)模型研究[D];哈爾濱理工大學(xué);2005年

6 宋富財(cái);反應(yīng)精餾的模擬與優(yōu)化[D];天津大學(xué);2004年

7 田偉雄;人工神經(jīng)網(wǎng)絡(luò)在連續(xù)梁橋施工控制中的應(yīng)用[D];華中科技大學(xué);2005年

8 趙建軍;基于多Agent的流域洪水預(yù)報(bào)系統(tǒng)研究與應(yīng)用[D];西北農(nóng)林科技大學(xué);2008年

9 周會(huì)娜;基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法對(duì)工程陶瓷磨削力建模的研究[D];天津大學(xué);2007年

10 曹艷龍;基于BP神經(jīng)網(wǎng)絡(luò)的渭河水質(zhì)評(píng)價(jià)方法[D];陜西師范大學(xué);2008年

  本文關(guān)鍵詞：人工智能算法在生物藥劑學(xué)中的應(yīng)用，由筆耕文化傳播整理發(fā)布。