Оценка влияния ионов тяжелых металлов и осмотического давления среды на уровень активности пищеварительных ферментов русского осетра : Acipenser gueldenstaedtii Brandt

• Автор: Мартьянов, Александр Сергеевич
• Шифр специальности: 03.03.01
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Астрахань
• Количество страниц: 159 с. : ил.

СОДЕРЖАНИЕ

Введение
Глава 1. Литературный обзор
1.1. Виды и механизмы процессов пищеварения организмов
1.2. Особенности процессов пищеварения рыб
1.3. Содержание тяжелых металлов в водах Волги и Каспия и их влияние на организм гидробионтов
1.4. Действие тяжелых металлов на биологические системы рыб
1.5. Осмолярность среды, ее значение в жизни гидробионтов
1.6. Кластерный анализ
1.7. Нейронные сети как средство анализа данных
1.7.1. Свойства нейронных сетей
1.7.2. Знания в нейронных сетях
1.7.3. Применение нейросетевых технологий в биологичесих и медицинских исследованиях
1.8. Многомерное шкалирование
Глава 2. Материал и методы исследований
2.1. Физиолого-биохимические методики исследований
2.2. Обзор техник применяемой иерархической кластеризации данных
2.3. Техники нечеткой кластеризации
2.4. Методика исследования массивов экспериментальных данных с помощью многомерного шкалирования
2.5. Список используемых для нейросетевого моделирования функций
Neural Network Toolbox
Г лава 3. Результаты и обсуждение
3.1. Влияние ионов металлов на активность пищеварительных гидролаз слизистой оболочки кишечника русского осетра
3.2. Влияние ионов тяжелых металлов на уровень активности пищеварительных гидролаз слизистой оболочки пилорической железы

русского осетра
3.3. Влияние осмотического давления на уровень активности гидролаз слизистой оболочки кишечника русского осетра
3.4. Влияние осмолярности окружающей среды на уровень активности гидролаз слизистой оболочки пилорической железы русского осетра
3.5. Кластерный анализ экспериментальных данных
3.5.1. Кластеризация данных о воздействии тяжелых металлов на пищеварительные ферменты русского осетра
3.5.2. Кластерный анализ данных о влиянии осмотического давления среды на уровень активности пищеварительных гидролаз русского
осетра
3.6. Анализ реакции комплекса ферментов на изменения осмолярности среды с помощью классификационных методик
3.7. Нейросетевое моделирование воздействия осмолярности среды на уровень активности пищеварительных гидролаз русского осетра
3.8. Нечетко-нейронное моделирование воздействия осмолярности
среды на пищеварительные ферменты русского осетра
Заключение
Выводы
Список литературы
Введение
Актуальность проблемы. В последнее время одной из центральных проблем современной биологии является проблема адаптаций организмов к воздействию факторов окружающей среды. Относительно ферментов пищеварительной системы изучение воздействия подобных факторов приводит к вопросам относительно структурной однородности фермента, выполняющего определенную функцию. Основные особенности физиологии пищеварения рыб к настоящему времени изучены весьма подробно (Уголев, Кузьмина, 1993), однако факториальные исследования в этой области продолжаются по сей день (Кузьмина, 2007, Кузьмина, Ушакова, 2007; Кузьмина, 2009).
На протяжении ряда лет представители семейства Ашрешепбае, многие из которых населяют воды Каспийского бассейна, привлекают к себе внимание исследователей. Это обусловлено рядом уникальных свойств данной группы рыб. В частности, это специфичные морфофизиологические, филогенетические и экологические свойства осетровых. Однако до настоящего времени остается ряд вопросов, на которые не существует однозначного ответа. В области физиологии пищеварения рыб это касается особенностей воздействия на пищеварительные ферменты осетровых ряда ионов тяжелых металлов, так как относительно данного явления существует ограниченное количество работ (Кузьмина, Голованова, 1998; Неваленный, Бедняков, 2000; Бедняков, 2000; Неваленный и др., 2003). Кроме того, практически ничего не известно об особенностях адаптаций пищеварительных энзимов осетровых и вообще проходных рыб к периодически меняющимся (в силу их образа жизни) осмотическим условиям окружающей среды (Краюшкина, Семенова, 2006; Кузьмина, 2010; Металлов и др., 2010).
В случае рассмотрения изменений активности ферментов под влиянием вышеназванных факторов как адаптивных реакций подходящим средством для анализа экспериментальных данных, по нашему мнению, является кластерный анализ результатов экспериментов, позволяющий создать компактную

• Для накопления знаний применяются связи между нейронами, называемые синаптическими весами Процедура, используемая для процесса обучения, называется алгоритмом обучения. Эта процедура настраивает синаптические веса нейронной сети для обеспечения необходимой структуры взаимосвязей нейронов.
В общем случае нейронная сеть представляет собой машину, моделирующую способ обработки нервной системой конкретной задачи (Крылова и др., 2007). Для того, чтобы добиться высокой производительности, нейронные сети используют множество взаимосвязей между элементарными ячейками вычислений - нейронами.
Преимущества нейронных сетей основаны, во-первых на распараллеливании обработки информации, а во-вторых на способности самообучаться, т.е. создавать обобщения. Под термином обобщение понимается способность получать обоснованный результат на основе данных, которые не встречались в процессе обучения (Пимашкин и др., 2010).
Использование нейронных сетей позволяет обеспечить следующие важные особенности моделирования:
1. Нелинейность. Искусственные нейроны могут быть линейными и нелинейными. Нейронные сети, построенные из соединений нелинейных нейронов, сами являются нелинейными. Это особая нелинейность, так как она распределена по сети. Нелинейность является очень важным свойством в случае если физический механизм, отвечающий за формирование входного сигнала, тоже является нелинейным.
2. Отображение входной информации в выходную. Весьма популярной парадигмой обучения является обучение с учителем, что подразумевает изменение синаптических весов на основе маркированных учебных примеров. Каждый пример состоит из входного сигнала и соответствующего ему желаемого отклика. Из этого множества случайным образом выбирается пример, а нейронная сеть модифицирует синаптические веса для минимизации расхождения желаемого входного сигнала и формируемого