Predicția toxicității compușilor aromatici prin metodă neuro-fuzzy

1. Abstract:

În ultimii ani, sistemele neuro-fuzzy au atras un interes crescând de cercetare. Acesta abordare a fost folosită cu succes în diferite domenii, cum ar fi intelegerea limbajului natural, robotica şi in diagnosticele medicale, bazate in special pe retelele neuro-fuzzy. Compusii aromatici formeaza o mare şi o structurala diversitate de grup. Acestea sunt interesante din punct de vedere toxicologic, deoarece acestea obţin un număr al toxicităţii pentru diferite specii. Un set de aproximativ 21 descriptori a fost examinat. Acestea au fost calculate utilizând un algoritmn original, luând în considerare compoziţia chimică şi aspecte legate de structura principala a 71 compuşi organici derivaţi ai benzenului, fără alte structuri ciclice.

Descriptorii constitutionali sunt utilizati în conformitate cu CODESSA (Katrizky, 1994): prin raportul cantitativ între speciile elementare constitutive şi masa moleculară şi tipul de obligaţiuni de stat implicate. Problema este modelata cu sistemul original dezvoltat NIKE, care este un sistem hibrid inteligent dezvoltat pentru predicţie, pe baza modulelor neuronale şi a retelelor neuro-fuzzy. Contributia fiecarui descriptor in ceea ce priveste influenta lor in toxicitate a fost masurata. În consecinţă, au fost elaborate modele pentru reducerea seturilor de date. Iniţialul set de date a fost împărţit în mod egal in 4 clase. Ideea este de a insera în sistemele hibride inteligente NIKE, cunostinte despre clase(forme specifice QSAR) ca fiind echivalente cu regulile fuzzy, precum ca si o antrenare a modelelor. Modelele neuronale sunt mai sensibile la zgomot, ceea ce le face un indicator foarte important in semnificatia descriptorilor in toxicologie. Această concluzie îl recomandă ca fiind adecvat pentru predictia toxicitatii.

2. Introducere:

Oamenii sunt din ce în ce mai conştienti de consecintele produse de actiunea produselor chimice asupra sănătăţii umane şi a mediului inconjurator.

Numărul continuu tot mai mare al compusilor ce urmeaza a fi studiati face acest lucru mai provocator. Sunt multe variabile luate în considerare în predictia toxicitatii: punctul ecotoxicologic final, numărul de molecule din setul de date, omogenitatea din setul de date, metodele ce descriu proprietatile chimice ale moleculelor, algoritmul de calcul pentru a produce relaţia statistică şi metoda de validare.

Problema de a descrie actiunea bio-chimica a diferitelor clase de compuşi chimici în raport cu compoziţia si structurile lor este cunoscuta sub numele de “relatia cantitativa structura-activitate”(QSAR). O serie de lucrari de cercetare au fost publicate până în prezent, discutand despre rolul pe care inteligenta artificiala (AI) l-ar putea juca în problemele legate de predictia toxicitatii şi de modelarea QSAR. Adamczak şi Duch (2000) au aplicat retele neuronale pentru a analiza doua serii de Qsar şi de a compara rezultatele cu alte trei abordari ale AI. Un alt sistem hibrid expert de abordare a fost făcut de către Gini (2000), şi a fost aplicat pentru a anticipa fitotoxicitatea. Un studiu cu privire la utilizarea logicii fuzzy pentru descriptorii de modelare a fost prezentată de către Exner şi Brickmann (1997). În toate cazurile, reteaua neruronala de abordare a predictiei toxicitatii este restricţionata pentru rumenirea modelarii datelor.

O atenţie specială în metodele neuronale şi metodele neuro-fuzzy de prelucrare este de a dezvolta unele metode universale de calcul, uşor de personalizat pentru a satisface un domeniu larg de caracteristici specifice. În acest scop, este indispensabil pentru a identifica structurile generic-prelucrare bazate pe modulare, care efectuează calculele generale pe setul fuzzy, şi cunoştinţe specifice pentru toxicitate de predicţie. În secţiunea 2, sunt prezentate unele aspecte legate de descrierea datelor. În secţiunea 3, aspectele legate de analiza datelor şi prelucrare sunt revizuite. În secţiunea 4, cunostintele despre structura neuro-fuzzy sunt prezentate şi aplicate pentru predictia toxicitatii. Problema este modelata cu Nike, un sistem hibrid inteligent dezvoltat sub Matblad de primul autor, pe baza modulelor neuronale / retelelor neuro-fuzzy Rezultatele arată că, combinand diferite modele pentru aceeasi problema, randamentele dau o predictie a toxicitatii mai buna. Lucrarea se încheie cu concluzii şi idei pentru lucrarile viitoare.

3. Descrierea datelor:

Un set de 21 descriptori a fost examinat. Ei au fost calculati folosind un algoritm original luand in considerare compozitia chimica si aspectele structurii principale a 71 de compusi organici derivati ai benzenului, dar fara structurile ciclice ale acestora. Descriptorii constitutionali sunt utilizati în conformitate cu CODESSA (Katrizky, 1994): prin raportul cantitativ între speciile elementare constitutive şi masa moleculară şi tipul de obligaţiuni de stat implicate.

O faza de pre-prelucrare a fost necesara pentru a putea selecta variabilele si pentru a putea descrie mai bine moleculele; cativa dintre acesti descriptori nu au dat nicio informatie, dar reprezinta zgomotul de baza, facand analiza mai complexa. Mai mult, folosind un numar relativ de variabile cat mai scazut, se reduce considerabil riscul