Россия
Волгоград, Россия
Огромное количество исследований по разработке новых препаратов требует совершенствования существующих подходов в поиске новых химических соединений, обладающих фармакологической активностью. Одним из возможных путей внедрения инновационных методов в процесс проведения доклинических исследований лекарственных средств является использование активно развивающихся направлений в области информационных технологий, например интеллектуального анализа данных с использованием методов глубокого машинного обучения. При наличии огромного объема информации, накопленной за несколько лет доклинических исследований, существующие решения в данной сфере позволяют получить нейросетевую модель данных достаточной степени точности, тем не менее, нет универсального метода, который позволил бы комплексно подойти к проблеме анализа результатов доклинических лабораторных исследований лекарственных средств. Существующие решения обладают рядом недостатков, которые зачастую не позволяют использовать их на практике. Две главные проблемы – это сложность верификации результатов и неполнота списка рассчитываемых параметров. Для решения данной проблемы предложена система идентификации фармакологической активности нового лекарственного средства, рассмотренная на примере офтальмологических доклинических лабораторных исследований. В рамках разработки данной системы реализован метод классификации офтальмологической патологии на основе сверточной нейронной сети. Разработана архитектура нейронной сети, экспериментальным путем подобраны ее гиперпараметры. Точность модели во время обучения составила 90 %, а точность тестовой выборки – 81 %.
лекарственное средство, офтальмологическая патология, сверточные нейронные сети, фармакологическая активность, лабораторные исследования
1. Al-Gunaid M. A., Shcherbakov M. V., Kravets A. G., Loshmanov V. I., Shumkin A. M., Trubitsin V. N., Vakulenko D. V. Analysis of Drug Sales Data based on Machine Learning Methods // 7th International Conference on System Modeling & Advancement in Research Trends (SMART-2018, IEEE Conference ID: 44078) (23rd-24th November, 2018): Proceedings. New Delhi, 2018. P. 32-38.
2. Kravets A. G., Al-Gunaid M. A., Loshmanov V. I., Rasulov S. S., Lempert L. B. Model of medicines sales forecasting taking into account factors of influence // Journal of Physics: Conference Series. 2018. V. 1015. P. 8.
3. Nagasato D., Tabuchi H., Ohsugi H., Masumoto H., Enno H., Ishitobi N., Sonobe T., Kameoka M., Niki M., Hayashi K., Mitamura Y. Deep Neural Network-Based Method for Detecting Central Retinal Vein Occlusion Using Ultrawide-Field Fundus Ophthalmoscopy // Hindawi Journal of Ophthalmology. 2018. V. 1-6. DOI:https://doi.org/10.1155/2018/1875431.
4. Guven A., Kara S. Classification of electro-oculogram signals using artificial neural network // Expert Systems with Applications. 2006. V. 31. P. 199-205.
5. Bagheri A., Adorno D. R., Rizzo P., Barraco R., Bellomonte R. Empirical mode decomposition and neural network for the classification of electroretinographic data // Medical and Biological Engineering. 2014. V. 52. P. 619-628.
6. Ocular Disease Recognition. URL: https://www.kaggle.com/andrewmvd/ocular-disease-recognition-odir5k (дата обращения: 21.02.2021).
7. Avinash Sharma V. Understanding Activation Functions in Neural Networks. URL: https://medium.com/the-theory-of-everything/understanding-activation-functions-in-neural-networks-9491262884e0 (дата обращения: 21.02.2021).
8. Нгуен Т. В., Зыонг К. Х. Т., Кравец А. Г. Анализ и прогноз тенденций использования терминов в компьютерных науках на основе нейросетевых моделей // Вестн. компьютер. и информац. технологий. 2021. Т. 18. № 2. С. 24-38.
9. Кравец А. Г., Бурмистров А. С., Задорожный П. А. Экспериментальное определение оптимальных параметров рекуррентной нейронной сети для задач классификации патентов // Моделирование, оптимизация и информационные технологии (Modeling, Optimization and Information Technology «MOIT»): науч. журн.: сетевое изд. 2019. Т. 7. № 2 (25). C. 325-338. URL: https://moit.vivt.ru/wp-content/uploads/2019/05/KravetsSoavtors_2_19_1.pdf (дата обращения: 21.02.2021).
10. Ажмухамедов И. М., Демина Р. Ю. Повышение качества классификации объектов на основе введения новой метрики кластеризации // Вестн. Астрахан. гос. техн. ун-та. Сер.: Управление, вычислительная техника и информатика. 2019. № 4. С. 106-114.
11. Веденина Н. В., Кравец А. Г. Программный комплекс прогнозирования опасности новых и малоизученных химических соединений и веществ // Вестн. компьютер. и информац. технологий. 2011. № 6. C. 53-56.
12. Boquete L., Miguel-Jiménez J. M., Ortega S., Rodríguez-Ascariz J. M., Pérez-Rico C., Blanco R. Multifocal electroretinogram diagnosis of glaucoma applying neural networks and structural pattern analysis // Expert Systems with Applications. 2012. V. 39. Iss. 1. P. 234-238.
