А.А. Адамова1, А.В. Бецков2, Д.И. Денисова3, И.С. Галишников4

1,3,4 МГТУ им. Н.Э. Баумана (Москва, Россия)

2 Академия управления МВД РФ (Москва, Россия)

Постановка проблемы. В настоящее время в работе криминалистов при биометрической идентификации человека широко используются методы анализа его физиологических характеристик (отпечатки пальцев, вены на ладони, ДНК, радужная оболочка, сетчатка и т.д.). Знание ДНК-информации позволяет воссоздать облик определённого человека и получить его ДНК-портрет, для построения которого используются ДНК-матрица – упорядоченная система фрагментов нуклеиновых кислот, соответствующих определённым генам и находящихся на определённой позиции в матрице. Вместе с тем существует ряд ограничений, одним из которых является проблема распознавания кодирующих участков в ДНК-последовательностях эукариот. В качестве перспективного направления решения указанной проблемы определено использование искусственных нейронных сетей (ИНС).

Цель. Проанализировать возможность применения методов искусственного интеллекта для обработки информации ДНК-матриц в криминалистике.

Результаты. Рассмотрены основные понятия и особенности ДНК-идентификации личности (биометрическая идентификация, ДНК-портрет, ДНК-матрица, протеиновые и водородные связи и методы обработки матриц). Проведён сравнительный анализ методов ДНК-профилирования для выявления преимуществ и недостатков тех или иных методов. Оценены пути решения проблемы распознавания ДНК-матриц с использованием ИНС. Выявлены сферы применения нейросетевой обработки ДНК информации и методы обработки ДНК-матриц в криминалистике.

Практическая значимость. Результаты работы могут быть использованы в криминалистике, в частности, в приёмах процедур дактилоскопии. С помощью ДНК-матриц могут быть решены следующие проблемы: ответ на вопрос «кто твои родители?», поиск преступника и т.п. С использованием ИНС для обработки ДНК-матриц возможно существенное повышение точности и скорости принятия решений криминалистами.

Адамова А.А., Бецков А.В., Денисова Д.И., Галишников И.С. Нейросетевая обработка ДНК-матриц в криминалистике // Нейрокомпьютеры: разработка, применение. 2023. T. 25. № 3. С. 5-19. DOI: https://doi.org/10.18127/j1999 8554-202303-01

1. Butler J.M. Advanced Topics in Forensic DNA Typing: Methodology. Academic Press. 2012. 699 p. DOI 10.1016/C2011-0-04189-3.
2. Животовский Л.А. ДНК в суде // Химия и жизнь. 2001. №12. С. 23–27.
3. Ясницкий Л.Н., Ваулева С.В., Сафонова Д.Н., Черепанов Ф.М. Использование методов искусственного интеллекта в изучении личности серийных убийц // Криминологический журнал Байкальского государственного университета экономики и права. 2015.  Т. 9. № 3.  С. 423–430.  DOI 10.17150/1996-7756.2015.9(3).423-430.
4. Балухто А.Н., Галушкин А.И., Ковальчук Д.В., Назаров Л.Е., Томашевич Н.С. Нейрокомпьютеры в прикладных задачах обработки изображений. Сер. Библиотека журнала «Нейрокомпьютеры: разработка, применение». Т. 8. М.: Радиотехника. 2003.
5. Hopfield J.J. Neural networks and physical systems with emergent collective computational abilities. USA: PNAS. 1982 2558 p. DOI 10.1073/pnas.79.8.2554.
6. Werbos P.J. Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Science. Thesis (Ph.D.). Appl. Math. Harvard University. 1974.
7. Перова В.И., Зайцева К.В. Исследование динамики инновационной деятельности регионов России с применением нейросетевого моделирования // Экономический анализ: теория и практика. 2017. Т. 16. № 5 (464). С. 887–901.
8. Глинский В.В., Серга Л.К., Зайков К.А., Хван М.С. Нечеткие нейронные сети в оценке экологической безопасности // Вопросы статистики. 2015. № 12. С. 61–68.
9. Кулик С.Д., Жижилев А.В. Нейросетевые технологии на финансовом рынке // Нейрокомпьютеры: разработка, применение. 2009. № 4. С. 59–78.
10. Степашина Е.В. Оптимизация финансовых показателей предприятия на основе нейросетевой модели // Информационные системы и технологии. 2014. № 5 (85). С. 34–42.
11. Рахметуллаев М.А., Алтынбекова Л.Б. Искусственные нейронные сети в военной сфере // Молодой ученый. 2020. № 19 (309). С. 48–53.
12. Бауэр Е.В., Воронова Л.И. Применение систем распознавания единиц вооружения и военной техники // Телекоммуникации и информационные технологии. 2021. Т. 8. № 1. С. 87–93.
13. Абросимов В.К. Искусственный интеллект и проблемы развития вооружения и военной техники // Вооружение и экономика. 2021. № 2 (56). С. 5–21.
14. Поморин И.А. Как человечеству не попасть в нейросети компьютера. Искусственный интеллект в нейросетях для кино, телевидения и образования // Мир техники кино. 2023. Т. 17. № 1. С. 3–9.
15. Тимошкин А.Г., Власов А.И. О стратегии и тактике маркетинговой политики многопрофильной компьютерной фирмы // Приборы и системы управления. 1996. № 9. С. 59–61.
16. Лабинский А.Ю., Подружкина Т.А. Особенности использования генетических алгоритмов и нейронных сетей // Природные и техногенные риски (физико-математические и прикладные аспекты). 2015. № 4. С. 56–61.
17. Лейстнер Л., Буйташ П. Химия в криминалистике: Пер. с венг. И.В. Мишина / Под ред. Н.М. Кузьмина М.: Мир. 1990. 302 с.
18. Яковец Е.Н. Проблемы аналитической работы в оперативно-розыскной деятельности органов внутренних дел. М.: Издат. дом И.И. Шумиловой. 2005. 219 с.
19. Zakharov E.R., Zakharova V.O., Vlasov A.I. Methods and Algorithms for Generating a Storage Key Based on Biometric Parameters // Proceedings – 2021 International Russian Automation Conference. Sochi: Institute of Electrical and Electronics Engineers Inc. 2021. P. 137–141. DOI 10.1109/RusAutoCon52004.2021.9537423.
20. Ren D., Bedzyk L.A., Thomas S.M., Ye R.W., Wood T.K. Gene expression in Escherichia coli biofilms // Applied microbiology and biotechnology. 2004. № 64(4). P.515–524. DOI 10.1007/s00253-003-1517-y.
21. Coulocheri S., Pigis D., Papavassiliou K., Papavassiliou A. Hydrogen bonds in protein-DNA complexes: Where geometry meets plasticity // Biochimie. 2007. V. 89. № 11. P. 1291–1303. DOI 10.1016/j.biochi.2007.07.020.
22. Mandel-Gutfreund Y., Schueler O, Margalit H. Comprehensive Analysis of Hydrogen Bonds in Regulatory Protein DNA-Com­plexes: In Search of Common Principles // Journal of Molecular Biology. 1995. V. 253. № 2. P. 370–382. DOI 10.1006/jmbi.1995. 0559.
23. Luscombe N., Laskowski R., Thornton J. Amino acid-base interactions: A three-dimensional analysis of protein-DNA interactions at an atomic level // Nucleic acids research. 2001. V. 29. № 13. P. 2860–2874. DOI 10.1093/nar/29.13.2860.
24. Копа Ю., Момыналиев К. ДНК-макроматрицы и транскрипционное профилирование // Наноиндустрия. 2007. №1. С. 28–33.
25. Чемерис А.В., Ахунов Э.Д., Вахитов В.А. Секвенирование ДНК. М.: Наука. 1999. 429 с. ISBN 5-02-004412-1.
26. Сойфер В.А. Компьютерная обработка изображений. Часть 1. Математические модели // Соросовский образовательный журнал. 1996. T.2. №2. С. 118–124.
27. Нейрокомпьютеры в системах обработки изображений / Под ред. Галушкина А.И., Гуляева Ю.В. М: Радиотехника. 2003. 192 с. ISBN 5-93108-029-5.
28. Аверьянихин А.Е., Власов А.И., Евдокимова Е.В. Иерархическая пирамидальная субдискретизация в глубоких сверточных сетях для распознавания визуальных образов // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 1. С. 17–31. DOI 10.18127/j19998554-202101-03.
29. Власов А.И., Папулин С.Ю. Анализ данных с использованием гистограммной модели комбинации признаков // Нейрокомпьютеры: разработка, применение. 2019. Т. 21. № 5. С. 18–27. DOI 10.18127/j19998554-201905-02.
30. Глушко А.А., Бусов В.Д., Передерин К.Д. Методы алгоритмического проектирования искусственного интеллекта // Технологии инженерных и информационных систем. 2019. № 2. С. 72–88.
31. Адамова А.А., Зайкин В.А., Гордеев Д.В. Методы и технологии машинного обучения и нейросетевых технологий в задачах компьютерного зрения // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 4. С. 25–39. DOI 10.18127/j19998554-202104-03.
32. Дмитриев В.Е., Попов Д.В. Анализ носимых средств для инфракрасной термографии // Технологии инженерных и информационных систем. 2018. №2. C. 66–77.
33. Гриднев В.Н., Сергеева М.Д., Чебова А.И. Линейные модели распознавания тепловизионных изображений неисправностей электронных ячеек // Контроль. Диагностика. 2014. № 8. С. 57–66. DOI 10.14489/td.2014.08.pp.057-066.
34. Панфилова С.П., Власов А.И., Гриднев В.Н., Червинский А.С. Бесконтактный тепловой контроль электронно-вычислитель­ных средств // Технология и конструирование в электронной аппаратуре. 2007. № 6 (72). С. 42–49.
35. Гриднев В.Н., Власов А.И., Панфилова С.П., Червинский А.С. Бесконтактный тепловой контроль изделий электронной техники // Производство электроники. 2007. № 3. С. 25–30.
36. Вирясова А.Ю., Власов А.И., Гладких А.А. Нейросетевые методы дефектоскопии интегральных структур // Нейрокомпьютеры: разработка, применение. 2019. № 2. С. 54–67. DOI 10.18127/j19998554-201902-06.
37. Буянов А.И., Власов А.И., Загоскин А.В. Применение нейросетевых методов при дефектоскопии печатных плат // Нейрокомпьютеры: разработка, применение. 2002. № 3. С. 42–70.
38. Гриднев В.Н., Власов А.И., Константинов П., Юдин А.В. Нейросетевые методы дефектоскопии печатных плат // Электронные компоненты. 2004. № 8. С. 148–155.
39. Власов А.И., Завьялов Н.В., Селиванов К.В., Скальченков И.И. Применение нейронных сетей в обнаружении дефектов печатных плат // Нейрокомпьютеры: разработка, применение. 2022. Т. 24. № 6. С. 5–19. DOI 10.18127/j19998554-202206-01.
40. Шахнов В.А., Власов А.И., Поляков Ю.А., Кузнецов А.С. Нейрокомпьютеры: архитектура и схемотехника. М.: Машиностроение. 2000. 24 с.
41. Доррер М.Г. Попытка применения нейронных сетей для прогнозирования психологической совместимости в группе // Нейроинформатика и ее приложения. 1994. №1. С. 13.
42. Цветков А.А., Шорох Д.К., Зубарева М.Г., Юрсков С.В., Шуклин А.В., Хамуш А.Л., Ануфриев И.Б. Алгоритмы распознавания объектов // Материалы IV Междунар. науч. конф. «Технические науки: проблемы и перспективы». Санкт-Петербург: Свое издательство. 2016. №4. С. 20–28.
43. Sukhodolov A.P., Bychkova A.M. Artificial intelligence in crime counteraction, prediction, prevention and evolution // Russian Journal of Criminology. 2018. V. 12. № 6. С. 753–766. DOI 10.17150/2500-4255.2018.12(6).753-766.
44. Грицаев С.И., Помазанов В.В., Заболотная Ю.А. Компьютеризация целеопределения и планирования расследования // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2015.
    № 108. С. 491–499.
45. Густов Г.А. Программно-целевой метод организации раскрытия убийств. Изд. 2-е. СПб.: Санкт-Петербский юридический институт Генеральной прокуратуры Российской Федерации. 1997. 121 с.
46. Горяинова К.К., Овчинского В.С., Синилова Г.К. Теория оперативно-розыскной деятельности. 1998. 795 с.
47. Старков И.И., Власов А.И. Применение методов машинного обучения в системах выявления плагиата с целью решения проблемы узкоспециализированных понятий // Нейрокомпьютеры: разработка, применение. 2022. Т. 24. № 6. С. 30–37. DOI 10.18127/j19998554-202206-03.
48. Гордеев А.Ю. Перспективы развития и использования искусственного интеллекта и нейросетей для противодействия преступности в России (на основе зарубежного опыта) // Научный портал МВД России. 2021. № 1 (53). С. 123–135.