350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №3 за 2010 г.
Статья в номере:
Нейронная сеть как инструмент реализации кусочно-линейного классификатора при массовом скрининге молекул
Ключевые слова: задача «структура-свойство» искусственные нейронные сети нечеткие молекулярные дескрипторы молекулярные графы
Авторы:
Е.И. Прохоров - студент механико-математического факультета Московского государственного университета им. М. В. Ломоносова, Москва. E-mail: proher@gmail.com А.В. Перевозников - студент механико-математического факультета Московского государственного университета им. М. В. Ломоносова, Москва. E-mail: sperev@yahoo.com Л.А. Пономарева - к. ф.-м. н., н. с. механико-математического факультета Московского государственного университета им. М. В. Ломоносова, Москва. E-mail: luda-57@list.ru М.И. Кумсков - д. ф.-м. н., проф. кафедры вычислительной математики механико-математического факультета Московского государственного университета им. М. В. Ломоносова, Москва. E-mail: Kumskov@mail.ru
Аннотация:
Предложено использование многоуровневых искусственных нейронных сетей (ИНС) для реализации кусочно-линейной функции прогнозирования на этапе анализа новых молекул (скрининга). «Кусочность» функции основана на знании кластерной структуры обучающей выборки. Радиально-базисные нейроны реализуют правила «свой-чужой» - правила отказа от прогноза, и используют топологические молекулярные дескрипторы. Другой тип дескрипторов - дескрипторы пространственной молекулярной формы, ? используется линейными нейронами для проведения прогнозирования внутри кластера. Показано, что улучшение качества прогноза может быть основано на представлении формы кластера (как области допустимых аргументов функции прогноза) с помощью ядер Дидэ. Построены модели «структура-свойство» с высоким качеством прогноза и проведено их сравнение, показывающее практическую эффективность метода.
Страницы: 39-45
Список источников
  1. Джурс О. П., Айзенауэр Т. Распознавание образов в химии: Пер.с англ. М.: Мир. 1977.
  2. Стьюпер Э., Брюггер У., Джурс П. Машинный анализ связи химической структуры и биологической активности: Пер.с англ. М.: Мир. 1982.
  3. Baskin, I. I., Palyulin, V. A., and Zefirov, N. S., NASA. A computer program for performing QSAR/QSPR studies using artificial neural networks // QSAR and Molecular Modeling: Concepts, Computational Tools and Biological Applications. Barcelona: Prous Science Publ. 1995. P. 30-31.
  4. Baskin, I. I., Keshtova, S. V., Palyulin, V. A., and Zefirov, N. S., Combining Molecular Modeling with the Use of Artificial Neural Networks as an Approach to Predict Substituent Constants and Bioactivity // Molecular Modeling and Prediction of Bioactivity; K. Gundertofte; F.S. Jorgensen, Eds. Klumer Academic / Plenum Publishers: NY. 2000. Р. 468-469.
  5. Karelson, M., Molecular Descriptors in QSAR/QSPR. Wiley-Interscience, 2000.
  6. Кумсков М. И., Смоленский Е. А., Пономарева Л. А., Митюшев Д. Ф., Зефиров Н. С. Системы структурных дескрипторов для решения задач «структура-свойство» // Докл. РАН. 1994. Р. 336.
  7. Kumskov, M. I., Mityushev, D. F., Oshchepkov, E. N., and Kolovanov, E. A., Computer-Aided Extraction and Application of Knowledge about Structure-Property Relationship in Factographical Chemical-Structure Data Bases // Pattern Recognition and Image Analysis. 1995. V. 5. No.4. P. 589-601.
  8. ГОСТ Р ИСО/МЭК 12207-99. Информационная технология. Процессы жизненного цикла программных средств. М.: ИПК Издательство стандартов. 2000.
  9. Айвазян С. А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Д. Прикладная статистика. Т. 3: Классификация и снижение размерности: Справ. изд. / под ред. С. А. Айвазяна. М.: Финансы и статистика. 1989.
  10. Минский М. Л., Пейперт С. Персептроны: Пер. с англ. М.: Мир. 1971.
  11. Handbook of Brain Theory and Neural Networks / Second Edition, Ed. by M. A Arbib.NY, MIT Press. 2002.
  12. Nigrin, A., Neural Networks for Pattern Recognition. NY. MITPress. 1993.
  13. Дюран Б., Оделл П. Кластерный анализ. М.: Статистика. 1977.
  14. Классификация и кластер / Под ред. Дж. Райзина. М.: Мир. 1980.
  15. Haykin, S., Neural Networks: a Comprehensive Foundation - Macmillan. NY. 1994.
  16. Буркерт У., Эллинджер Н. Л. Молекулярная механика. М.: Мир, 1986.
  17. Кумсков М. И. Методология прогнозирования свойств химических соединений и ее программная реализация // Автореф. дисс. - докт. физ.-мат. наук. М. 1997.
  18. Дидэ Э., Боши С., Бросье Ж. и др. Методы анализа данных. Подход, основанный на методе динамических сгущений: Пер. с франц. М.: Финансы и статистика. 1985.
  19. Деветьяров Д. А., Кумсков М. И. Использование нейронных сетей в задаче «структура-свойство» с использованием нечеткого описания пространственных структур молекул / Нейрокомпьютеры: разработка и применение. 2010. № 3.
  20. Прохоров Е. И., Перевозников А. В., Воропаев И. Д., Кумсков М. И., Пономарева Л. А. Поиск представления молекул и методы прогнозирования активности в задаче «структура-свойство» // Докл. XIV Всеросс. конф. «Математические методы распознавания образов (ММРО-14)». М.: МАКС Пресс. 2009. С. 589-591.
  21. Деветьяров Д. А., Кумсков М. И., Апрышко Г. Н., Носеевич Ф. M. и др. Сравнительный анализ применения нечетких дескрипторов при решении задачи «структура-активность» для выборки гликозидов // Докл. XIV Всеросс. конф. «Математическиеметодыраспознаванияобразов(ММРО-14)». М.: МАКСПресс. 2009. С. 511-514.