点击显示 收起
【摘要】 本文阐述人工神经网络的原理与特点，介绍人工神经网络在药学中的应用进展，探究基于MATLAB的人工神经网络在药学中的应用研究。
【关键词】 人工神经网络;药学研究;MATLAB
AbstractThis paper describes the principle and features of artificial neural network, introduces the artificial neural network application in pharmacy development, inquiry based on MATLAB artificial neural network application in pharmacology research.
Key wordsartificial neural network; pharmaceutical research;MATLAB
人工神经网络(artificial neural network，ANN)作为一种由大量处理单元互联组成的非线性、自适应信息处理系统，能够模拟大脑神经网络处理、记忆信息的方式对信息进行处理，具有自学习和自适应的能力，可以通过对相互对应的输入-输出数据进行分析，掌握两者之间潜在的规律，因而被广泛用于医药信息处理和实验数据分析等方面。
1人工神经网络概述
人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。神经网络是一种运算模型，由大量的节点(或称神经元)和之间相互联接构成。见图1。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式、权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达[1]。图1神经元模型
2人工神经网络在药学中的应用进展
2.1在定量药物设计中的应用定量药物设计是运用药物定量构效关系、分子药理学和药动学等多方面理论进行新药设计的新兴学科分支。它着重研究药物的生物活性和结构信息参数间的量变规律，从而应用这些规律指导新药的设计与合成，预测未知化合物的生物活性，探讨和推论药物的作用机制，力求使新药研究摆脱“泛泛合成、随机筛选”的经典方式，提高命中率，加快新药研究的步伐。已有Aoyama[2]利用BP神经网络对29个芳基丙烯酰哌嗪类化合物的抗高血压活性进行了研究，对抗癌药物卡波醌在慢性治疗方案和一次性注射中最低有效剂量(MED)和最佳剂量(0D)进行预测[3]，结果表明优于自适应最小二乘法。
2.2在药动学/药效学中的应用在药动学研究中，对生物活性物质的药动学相关性进行统计分析，可以获得药物的一般测量值与药理效能之间的明确关系。这在新药筛选、药品开发以及剂型优化等方面尤其重要。神经网络的特点在于不需要精确的数学模型，而只需从样本数据中学习如何建立输入与输出间的联系，能够非常灵活地通过自组织、自学习等功能找到药动学参数与药效学参数之间的关系。它可以把药物作用时间、剂量、浓度和代谢活性物质的浓度作为输入变量，预测药效。同时，也可以根据药效学参数预测药动学参数。
2.3在中药学中的应用中药因其原料来源的复杂性及其制作工艺的多样性，很难建立一套科学的质量标准体系，人工神经网络作为一种特殊的模式识别方法在中药研究中有良好的研究前景。蔡煜东等用BP网络模型评价中药威灵仙的质量，对色谱峰与样品抗炎作用的复杂对应关系进行预测，在此基础上建立了中药威灵仙的质量评价系统[4]。张亮等利用BP神经网络对中药雷公藤和昆明山海棠浸出物的红外光谱进行分类识别，正确率达90%[5]。可见人工神经网络对中药进行化学分析具有可行性。同时，对人工神经网络在化学药品的组分含量测定中的应用也有一些探讨，结果良好，提示人工神经网络可能是一种有前途的化学计量分析方法。复方制剂中多组分的含量测定是药物分析的另一个重要课题，人工神经网络作为一种新的数据处理方法引起了药物分析专家的重视，研究表明将BP神经网络用于光谱重叠的药物含量测定，效果良好。
3基于MATLAB的人工神经网络的药学应用实例
3.1利用BP人工神经网络进行药物处方优化利用BP网络考察不同配比的药物处方，以期获得缓释制剂处方理想的释放度[1]。考察的因素、目标及实验样本见表1。表1因素目标考察实验结果表2不同隐层节点数时网络预测值和实验值结果比较表3处方预测结果
3.2径向基函数神经网络模型实现函数逼近发酵生产过程中微生物体内的生物合成离不开酶的催化作用，酶活性的大小影响着生物代谢产物的速率和产率。酶活性主要受温度和pH的影响，利用径向基函数神经网络的函数逼近能力，建立酶活性的最佳温度和pH，可实现酶活性的最佳控制。建立酶活性实验数据：考察温度、pH两种因素在不同水平下对酶活性的影响，获取的实验数据见表4[1]。表4酶活性实验数据图2径向基函数神经网络优化酶活性仿真三维图结果表明，RBF网络模型中温度的最佳点约为30℃，pH最佳点为是8.04，对应的最大酶活性约为0.8625，与实际结果十分接近。
3.3自组织特征映射神经网络对样本资料进行分类见表5。表5是10批次不同产地的中药苦碟子注射液指纹图谱经主成分分析后得到的10个样本数据，每个样本用4个主成分表示其特征信息，希望通过自组织特征映射神经网络对样本资料进行聚类分析，从而能够实现对样本的自动分类[1]。表510批次苦碟子注射液指纹图谱主成分分析样本数据表6苦参碱聚类结果
由表6可知，当训练步数为10时，初步分类结果是：样本3和6分为一类，2和4分为一类;当训练步数为100时，分类结果比上面的更精确一些，此时，样本3和6分为一类，2和4分为一类，7、8和9分为同一类;当训练步数为1000时，样本的分类与上面结果一致。4讨论如前所述，人工神经网络不需要精确的数学模型，没有任何对变量的假设要求，能通过模拟人的智能行为处理复杂的、不确定的、非线性问题。由于在药学研究领域，变量间关系往往非常复杂，为了探测变量间的复杂模式，神经网络正逐渐变成药学数据分析中的有力工具。本文设计的只是基于MATLAB人工神经网络基本理论和简单应用实例，人工神经网络在药学中的应用还会有更大的应用前景，以备后续继续研究与开发。随着计算机技术的进一步发展，神经网络在药学领域的应用前景也无疑会更加广阔。
【参考文献】
1董鸿晔.计算机在药学中的应用.北京：人民卫生出版社，2010：86-88;98;100;159-162.
2T Aoyama,Y Suzuki,H Ichikawa.Neural network applied to structure-activity relationships.Med Chem,1990,33(3):905.
3T Aoyama,Y Suzuki,H Ichikawa.Neural network applied to quantitative structure-activity relationships analysis.Med Chem,1990,33(9):2583.
4张亮，蓝要武，韩英，等. 人工神经网络用于中药材雷公藤和昆明山海棠的分类识别研究. 药学学报，1995,30920:127-132.
5蔡煜东，宫家文，程兆年，等. 中药质量的人工神经网络评价方法.中草药，1995,25940:187.