Разработка компьютерных моделей для прогноза и экспериментальной оценки свойств нейропротекторов и стимуляторов когнитивных функций

• Автор: Мухина, Татьяна Валентиновна
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2001
• Место защиты: Черноголовка
• Количество страниц: 169 с. : ил

1.1. Применение искусственных нейронных сетей для построения

моделей КОСА.

1.1.1. Методы, использующиеся при построении корреляционных зависимостей КОСА

1.1.2. Архитектура нейронных сетей.

1.1.3. Развитие нейросетевых подходов, применяющихся при конструировании соединений

1.1.4. Применение ИНС с обратным распространением ошибок

1.2. Методы исследования влияния препаратов на обучение и память лабораторных животных.
1.2.1. Типы поведенческих тестов, используемых для нарушения пространственной ориентации.

1.2.2. Водный тест Морриса

ГЛАВА 2. МАТЕРИАЛЫ И МЕТОДЫ.

2.1. Исследуемые соединения.

2.2. Данные по биологической активности.
2.3. Расчет дескрипторов
2.4. Архитектура использовавшихся нейронных сетей.
2.5. Используемые алгоритмы обучения нейронной сети.
2.5.1. Расчет градиента с помощью алгоритма обратного распространения ошибок
2.5.2. Метод градиентного спуска с инерцией.
2.5.3. Алгоритм упругого распространения
2.5.4. Квазиньютоновский алгоритм ВГОБ
2.5.5. Алгоритм ЛевенбергаМаркардта
2.6. Регуляризационные алгоритмы
2.6.1. Алгоритмы прореживания.
2.6.2. Алгоритмы затухания весов
2.6.3. Байесовская регуляризация
2.7. Видсоустановка для измерения поведения животных в водном
тесте Морриса.
ГЛАВА 3. РАЗРАБОТКА МЕТОДИКИ ПОСТРОЕНИЯ МОДЕЛИ КССА ДЛЯ
ПРОГНОЗА СВОЙСТВ НЕЙРОПРОТЕКТОРОВ.
3.1. Специфика построения модели
3.2. Тестирование предложенной методики построения моделей на примере выборок ингибиторов ацетилхолинэстеразы
3.2.1. Построение моделей с использованием алгоритма прореживания связей
3.2.2. Построение моделей с использованием алгоритма затухания весов
3.2.3. Построение моделей с использованием байесовской регуляризации
3.2.4. Построение моделей с помощью нового регуляризационного алгоритма
3.3. Применение разработанной методики построения моделей для дибензиламиновых аналогов МК1.
3.3.1. Разделение соединений на активные и неактивные в ряду дибензиламиновых аналогов МК1.
3.3.2. Построение модели структура ЛС в ряду активных дибензиламинов.
4.3.3. Использование построенных моделей для прогнозирования активности новых соединений дибензиламинового ряда.
ГЛАВА 4. РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ ЭКСПЕРИМЕНТАЛЬНОЙ ОЦЕНКИ КОГНИТИВНЫХ СВОЙСТВ
НЕЙРОПРОТЕКТОРОВ В ВОДНОМ ТЕСТЕ МОРРИСА
4.1. Описание программы vi Vii
4.2.1. Организация и хранение массива данных.
4.2.2. Определение границ зон
4.2.3. Трекинг обьекта.
4.2.4. Анализ результатов
4.3. Параметры.
4.4. Постановка экспериментов
4.5. Анализ демонстрационных экспериментов.
4.6. Обсуждение рассмотренных параметров
4.7. Применение разработанной системы для опенки влияния соединений и на способность к обучению и воспроизведению навыка крыс в водном тесте Морриса.
ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ
ЛИТЕРАТУРА


Если сложная нейросеть доходит до стадии переучивания, она неизбежно будет иметь низкую прогнозирующую способность. Очевидным решением проблемы в этом случае является ранняя остановка обучения, как, например, было предложено в работе , где нейросеть содержала 0 связей при соединениях в обучающей выборке и обучение прекращали после 0 циклов при вполне допустимых ошибках для обучающей и контрольной выборок. В процессе рассмотрения вопроса о
выборе момента остановки обучения двумя группами исследователей был предложен хороший и довольно простой метод предотвращения переучивания , разделять все имеющиеся примеры на 2 выборки собственно обучающую i, по которой ведется минимизации функции ошибки сети, и контрольную , по которой проверяется качество прогноза, с остановкой обучения при достижении на последней минимальной ошибки. В в исходной выборке дополнительно выделяли третью тестовую vii, которая, как и в , служила только для контроля качества прогноза обученной нейросети. Как видно на рис. Значения весов нейросети в этот момент запоминают, и затем эту модель используют для прогнозирования. Рис. Еще один интересный подход к решению проблемы переучивания был рассмотрен в статье , где исследовалась КССЛ для ряда соединений, проявляющих фунгицидную активность. При обучении нейросети, имевшей архитектуру 1, использовался специальный параметр для подавления вариаций весов с целью предотвращения запоминания. Авторам удалось получить хорошую модель с коэффициентом корреляции 0. РЬБ, полученные для той же выборки.