人工神经网络和群体药动学在药动学中应用.docVIP

人工神经网络和群体药动学在药动学中的应用 　　摘要：目前很多研究者都致力于用人工智能或数学算法建立预测药物浓度变化的模型，来预测药物在体内的药动学变化。本文总结概括了目前常用的人工神经网络处理方法和群体药动学方法预测体内药动学变化的应用进展，阐述了数字化方法的原理、运用方面以及发展前景。 　　关键词：人工神经网络；群体药动学 　　当今时代是信息化时代，而信息的数字化也越来越为研究人员所重视。于此同时，数字化的发展也为我们在预测分析体内的药动学提供了很好的途径。目前很多研究者都致力于用药动学的数字化来预测药物在体内的药动学。药动学数字化在预测分析方面的研究得到了很好的发展。所以我们有必要了解并归纳药动学数字化预测分析研究目前的发展。 　　药动学数字化顾名思义就是通过药动学实验将复杂多变的信息转变为可度量的数字及数据，再以这这些数字、数据建立起适当的数字化模型，将他们转化为二进制代码，引入计算机内部，进行统一处理。因此，就可以利用得到的某药动学数字化模型对相应的药物在体内的药动学进行预测分析。下面正文将对各种药动学数字化方在预测分析研究方面的发展以及各种方法的优缺点法进行阐述。 　　1神经网络预测体内药动学 　　近年来，神经网络在预测学、药代动力学等领域得到广泛应用，取得了常规统计学方法所不能得到的效果。神经网络又称人工神经网络就是是模拟生物的神经网络结构和功能而形成的一门数据分析的新方法学。它还可分为径相基（RF）神经网络、反向传播（BP）神经网络等。 　　1.1 人工神经网络处理方法原理 　　神经网络是由多个神经元通过一定的方式连接而成的网状结构， 其基本结构单位称为神元或节点。神经网络模型的结构参见图1。神经元是一个非线性元件， 具有多个输入和单个输出的特点。多个输入进入神经元后， 首先通过加权求和，输出时还要经过一个转换函数（也叫激励函数） ， 激励函数可以是线性函数， 但大多数情况下是非线性函数如S 型函数或双曲线正切函数等等[1]。 　　神经元之间的连接权通过学习过程调节。神经网络的学习过程可以分为有监督学习和无监督学习两种。有监督学习存在期望输出（也成为目标输出）。在学习过程中， 神经网络的预测值和期望输出比较， 并根据两者的差值调整神经元之间的连接权值， 直到最小为止。无监督学习中不提供期望输出， 由网络根据输入值自组织自习产生输出结构[2]。 　　1.2 BP神经网络在药动学的应用 　　基于误差反向传播（Back propagation）算法的多层前馈网络（Multiple―layer feedforward net.work，简记为P网络），是目前应用最多也是最成功的网络之一，构造一个P网络需要确定其处理单元――神经元的特性和网络的拓扑结构[3]。 　　Gouru 等[4] 利用BP神经网络分析了药动学_药效学数据， 以时间、剂量（ 3 个水平） 及药物浓度的对数作为输入值，每个时间点的药动学或药效学数据作为输出值， 对网络经过训练后， 神经网络可很好地预测更高药物浓度时的效应值，实验值和预测值的相关系数 0. 99。相反， BP神经网络也能通过药物效应值来预测药物浓度， 实验值和预测值的相关系数 0. 99。由于BP神经网络有很强的容错能力， 因此适用于处理分散数据， 可利用较大范围内的多种药动学―药效学关系， 灵活预测药效学特征。 　　1.3 径相基神经网络（RF）在药动学的应用 　　众所周知，BP神经网络用于函数逼近时，权值得调节采用的是负梯度下降法，这种调节权值的方法有它的局限性，即存在着收敛速度慢和局部小等小等缺点。这里我要介绍在逼近能力、分类能力和学习速度等方面均优于BP神经网络的另一种有监督的神经网络?D径向基函数（Radial Basis Function，RBF）网络，它是由J.Moody和C.Darken于20世纪80年代末提出的一种网络结构，是一种具有单层隐的三层前馈网络[5]。 　　刘朝晖[6]等人将数据分为训练集、校验集和测试集来建立获取输入、输出变量两者间关系的RF网络模型，其中以患者的性别、年龄、体重、剂量、血压、多项生理生化指标等37 项参数为输入变量，氯氮平稳态血药浓度为输出变量。用训练集和校验集的网络计算输出值与目标输出值之间的均方差（MSE）和相关系数（R）来综合评价网络模型的学习效果，用测试集的网络计算输出值与目标输出值之间的MSE和R来评价网络模型的预测性能。结果：当扩展系数（SP）值为3.0 时，训练集的MSE为1.33×10-5、R值为0.999 85，校验集的MSE为0.002 833、R值为0.971 86，测试集的MSE为0.005 439、R值为0.936 76，网络模型的预测效果和泛化能力较好。 　　2 群体药动学预测体内