CC BY
9
УДК 613.2.038
Ю. А. Тунакова, С. В. Новикова, Р. И. Файзуллин, В. С. Валиев
МОДЕЛИРОВАНИЕ ПРОЦЕССОВ ФОРМИРОВАНИЯ МИКРОЭЛЕМЕНТНОГО СТАТУСА ОРГАНИЗМА ДЕТЕЙ С УЧЕТОМ ВОДНОГО ПУТИ ПОСТУПЛЕНИЯ
Ключевые слова: микроэлементы, ретенция, нейронные сети, моделирование.
Показано, что, что весь спектр зависимостей поступления, транспорта, выведения и удерживания микроэлементов в организме человека невозможно учесть используя лишь классические методы линейного моделирования. Поскольку зависимости между водным поступлением в организм и ретенцией микроэлементов с формированием их индивидуальных статусов имеют сложный и, как правило, нелинейный характер, то для их выявления и управления наиболее эффективны нейросетевые методы моделирования.
Keywords: microcells, neural networks, keeping of microcells, modeling.
It is shown that that all spectrum of dependences of receipt, transport, deducing and keeping of microcells in a human body cannot be considered using only classical methods of linear modelling. As dependences between water receipt in an organism and ретенцией microcells with formation of their individual statuses have difficult and, as a rule, nonlinear character for their revealing and management are most effective нейросетевые modelling methods.
Используемые нами теоретические обоснования предлагаемого нами принципа моделирования микроэлементного обмена, основаны на анализе такой фундаментальной способности живого организма, как гомеостаз, заключающийся в поддержании постоянства качественных и количественных характеристик внутренней среды.
Согласно этой концепции, концентрации микроэлементов в тканях организма поддерживаются в достаточно узких пределах, диапазон которых обеспечивает оптимальное функционирование и развитие его органов и систем. Особую роль в этом процессе играет кровь, которая является транспортной системой не только кислорода, но и питательных веществ, в том числе и микроэлементов (МЭ). МЭ переносятся кровью, связываясь со специфическими белками, однако, некоторая их часть (различная для разных элементов) присутствует в крови в ионизированном виде. Содержание именно этих форм элементов регламентируется почками, за счет их экскреции с мочой. Доля «свободных», не связанных с белками, форм МЭ резко возрастает при избыточном поступлении МЭ извне, в силу гомеостатических пределов возможного присутствия транспортных белков и, как следствие, отсутствие резервов для связывания. В этих условиях увеличивается экскретирующая функция почек и возрастает концентрация МЭ в моче [1,2].
Для дальнейшего понимания сути предлагаемой нами модели необходимо дать четкое определение некоторым понятиям и указать на различия между ними, зачастую игнорируемые исследователями.
Под ретенцией мы понимаем задержку, удерживание или сохранение МЭ в организме. То есть это весь пул вещества, удерживаемый в организме в конкретный временной период.
Под кумуляциеймы понимаем накопление МЭ в силу избыточного поступления, иными словами кумуляция - это результат избыточной ретенции.
А под депонированием мы понимаем процесс обратимого отложения МЭ с выведением из обмена
в данный период времени, как результат организованной (системной) кумуляции.
В целях создания комплексной модели процессов накопления и выведения МЭ в организме человека рассматриваются содержания исследуемых МЭ в различных компонентах окружающей среды в сочетании с их содержанием в различных биосредах организма человека. Как составная часть комплексной модели, были созданы ансамбли нейросетевых регрессионных моделей, отражающих поступление МЭ в кровь с питьевой водой. Логика реализованного подхода строилась на предположении об эффективном усвоении ионных форм МЭ, поступающих в организм. Диссоциированные в водной среде соли МЭ обладают высокой биологической активностью и для них нехарактерен транзит через желудочно-кишечный тракт с балластным веществом, поэтому величина той доли МЭ, которая поступает в организм в растворенном виде, так или иначе должна проявляться на уровне их гомеостатического транспорта, то есть на изменении сывороточных концентраций [1,3].
В ансамбль включены модели по МЭ, для которых отмечен достаточной широкий градиент концентраций в питьевой воде:2и, Бг, Си, РЬ, Сг, Бе.
Для построения моделей использованы кортежи экспериментальных данных типа: «содержание МЭ в питьевой воде - содержание МЭ в сыворотке крови». Проведенные эксперименты и описание получаемых экспериментальных данных подробно изложены в [4]. Так выход модели определяется единственным входом -содержанием МЭ в питьевой воде, назовем такую модель моно-моделью.
На этапе предварительного экспертного анализа установлен нелинейный характер данной зависимости, а также наличие не формализуемых действующих факторов, информация о влиянии которых опосредованно содержится в выборке экспериментальных данных.
В связи с этим в качестве парадигмы регрессионной модели были выбраны нейронные сети типа МЬР, структура которых определяется эмпирически
и обуславливается потенциальной сложностью информации в данных.
Для различныхМЭ были спроектированы различные нейросетевые моно-модели. Для всех моделей входной слой состоит из единственного нейрона - уровень металла в питьевой воде, выходной слой -единственный нейрон - уровень металла в сыворотке крови. В табл. 1. приведено краткое описание видов построенных нейросетевых моно-моделей. Количествоскрытых слоев-2, для Бе-!.
Таблица 1 - Характеристика полученных нейро-сетевых моделей
МЭ Кол-во нейронов в скрытых слоях Функции активации слоев
Zn I скрытый - 6 II скрытый - 3 I скрытый - гиперболический тангенс; II скрытый - гиперболический тангенс; выходной - гиперболический тангенс.
Sr I скрытый - 5 II скрытый - 2 I скрытый - гиперболический тангенс; II скрытый - гиперболический тангенс; выходной - гиперболический тангенс.
Cu I скрытый - 7 II скрытый - 3 I скрытый - гиперболический тангенс; II скрытый - гиперболический тангенс; выходной - гиперболический тангенс.
Pb I скрытый - 6 II скрытый - 2 I скрытый - гиперболический тангенс; II скрытый - линейная с насыщением; выходной - гиперболический тангенс.
Cr I скрытый - 4 II скрытый - 2 I скрытый - гиперболический тангенс; II скрытый - гиперболический тангенс; выходной - линейная.
Fe I скрытый - 3 I скрытый - гиперболический тангенс; выходной - линейная.
Несмотря на высокую структурную сложность моделей, ни для одного МЭ не удалось получить регрессию со средней ошибкой менее 17% (17,3% для цинка). Нейросетевые моно-модели не в
полной мере отражали регрессионную зависимость и генерировали некий усредненный показатель содержания МЭ в сыворотке крови, что не позволяет использовать их на практике. Результаты регрессии отражены в табл. 2.
Таблица 2 - Результаты регрессии
МЭ Средняя ошибка Минимальная
(%) ошибка (%)
Zn 17,29 0,05
Sr 40,61 0,21
Cu 19,52 0,02
Pb 40,24 0,30
Cr 69,50 0,58
Fe 35,14 0,38
Результаты экспериментов продемонстрировали, что информации только об содержании МЭ в питьевой воде недостаточно для построения адекватной модели поступления МЭ в в кровь человека. Поэтому целесообразно дополнить модель информацией о физиологических особенностях каждого из
исследуемых индивидуумов. Результаты повышения адекватности моделей за счет учета физиологических характеристик будут описаны в последующих статьях.
Работа выполнена за счет средств субсидии, выделенной в рамках государственной поддержки Казанского (Приволжского) федерального университета в целях повышения его конкурентоспособности среди ведущих мировых научно-образовательных центров.
Литература
1. АвцынА.П.,. ЖаворонковА.А, РишМ.А., Строчкова Л.С. Микроэлементозы человека: этиология, классификация, органопатология АМН СССР.Медицинка, Москва, 1991. 496 с.
2. Скальный А.В. Химические элементы в физиологии и экологии человека. М.: Мир. Оникс 21 век, 2004. 216 с.
3. Файзуллина Р.А. Авторефер. дисс. докт. мед. наук, Казань, Мед. университет, 2004, 40с.
4. Тунакова Ю.А., Шагидуллина Р.А., Валиев В.С.Вестник Казан. технол. ун-та, 16, 22, 210-213 (2013).
5. Галимова А.Р., Тунакова Ю.А. Вестник Казан. технол. ун-та, 16, 20, 165-169 (2013).
© Ю. А. Тунакова - доктор химических наук, профессор, кафедры ТПМ КНИТУ, juliaprof@mail.ru; С. В. Новикова - доктор технических наук, профессор кафедры прикладной математики и информатики КНИТУ-КАИ; sweta72@bk.ru; Р. И. Фай-зуллин - кандидат медицинских наук доцент, заместитель директора по научной деятельности Института фундаментальной медицины и биологии Казанского (Приволжского) Федерального университета: r406@mail.ru; В. С. Валиев - научный сотрудник лаборатории биогеохимии Института проблем экологии и недропользования Академии наук Республики Татарстан.
© J. A. Tunakova - Doctor of Chemistry, professor, chair of TBI KNRTU; S. Novikova - Doctor of Technical Sciences, Professor, Department of Applied Mathematics and Computer Science of KNRTU-KAI; R. 1 Fajzullin - candidate of medical sciences the senior lecturer, the deputy director on scientific activity of Institute of fundamental medicine and biology of the Kazan (Privolzhsky) Federal university; V.S. Valiev - the research assistant of laboratory of biogeochemistry of Institute of problems of ecology Republic Tatarstan Academies of Sciences.
