CC BY
28
УДК 004.9:[597-1.05:574.24]
ББК [28.901.1:28.693.324-6]В635
А. С. Мартьянов, А. А. Невалённая, Л. А. Невалённая
НЕЧЕТКО-НЕЙРОННОЕ МОДЕЛИРОВАНИЕ ИЗМЕНЕНИЙ УРОВНЯ АКТИВНОСТИ КАРБОГИДРАЗ ПИЛОРИЧЕСКОЙ ЖЕЛЕЗЫ РУССКОГО ОСЕТРА ПОД ВОЗДЕЙСТВИЕМ ОСМОЛЯРНОСТИ СРЕДЫ
A. S. Martyanov, A. A. Nevalennaya, L. A. Nevalennaya
FUZZY-NEURAL SIMULATION OF THE CHANGES OF ACTIVITY LEVEL OF CARBOHYDRAZES OF THE PYLIRIC GLAND OF RUSSIAN STURGEON UNDER THE INFLUENCE OF ENVIRONMENTAL OSMOTIC PRESSURE
Рассматривается задача имитационного моделирования воздействия осмотического давления окружающей среды на изменение уровня активности мальтазы и а-амилазы слизистой оболочки пилорической железы русского осетра (Acipenser guldenstadtii Brandt). Для ее решения использован аппарат нейронных сетей и нечеткой логики. Построенные модели относятся к классу адаптивных нечетко-нейронных сетей ANFIS. Исследованы закономерности данного воздействия, созданы модели, обладающие высокой аппроксимирующей и обобщающей способностью. Сделан вывод о перспективности применения подхода, сочетающего нейросетевое и нечеткое моделирование, в исследованиях адаптаций пищеварительной системы гидробион-тов к воздействию экологических факторов.
Ключевые слова: мембранное пищеварение, нечетко-нейронные сети, осмотическое давление среды, пищеварительные ферменты, мальтаза, а-амилаза.
The problem of the simulation of the influence of environmental osmotic pressure on the changes of the activity level of maltase and а-amylase of mucous tunic of the pyloric gland of Russian sturgeon (Acipenser guldenstadtii Brandt) is considered. For solution of this problem the apparatus of neural networks and fuzzy logic is used. The designed models can be referred to the class of adaptive fuzzy-neural networks ANFIS. The mechanisms of this influence are studied, the models with high approximating and generalizing properties are designed. The conclusion on high availability of application of the approach which combines neural and fuzzy simulation in the study of adaptations of the digestive system of aquatic organisms to the influence of environmental factors is made.
Key words: membrane digestion, fuzzy-neural networks, environmental osmotic pressure, digestive enzymes, maltase, а-amylase.
В настоящее время различными разделами экологической физиологии, в том числе имеющими непосредственное отношение к трофологии, накоплено значительное количество данных о разнообразных особенностях воздействия абиотических факторов среды на организм. Особенно много информации, касающейся реакций типа «воздействие - ответ», накоплено относительно физиолого-биохимических «адаптаций элементарных функций, механизмы реализации которых описываются в терминах биохимии» [1]. Выяснение характера подобных воздействий в трофологическом аспекте дисциплины особенно важно для гидробионтов [2, 3]. Все чаще данные факториальной экологии служат основой создания математических моделей при изучении экологических систем [4-6]. Вместе с тем, несмотря на огромное количество описательного материала, в настоящее время не существует каких-либо моделей, позволяющих прогнозировать изменение количественных показателей, по которым можно судить о характере адаптации хотя бы на биохимическом уровне. Необходимость же построения таких моделей становится очевидной при имеющейся в современной экологической физиологии рыб тенденции к изучению комплексного воздействия факторов среды на организм, в частности на такие биохимические показатели, как функциональные характеристики ферментных систем [7, 8].
Весьма перспективным способом решения этой проблемы является нейросетевой подход [9, 10]. Однако знания, накопленные нейронной сетью, оказываются распределенными между всеми ее элементами, что делает их практически недоступными для наблюдателя.
Нечеткие нейронные сети, или гибридные сети, объединяют в себе достоинства нейронных сетей и систем нечеткого вывода. С одной стороны, они позволяют разрабатывать и представлять модели систем в форме правил нечетких продукций, которые обладают наглядностью и относительной простотой содержательной интерпретации. С другой стороны, для построения правил нечетких продукций используются методы нейронных сетей, что является более удобным и менее трудоемким процессом [11].
Цель данной работы - построение нечетко-нейронной модели класса ANFIS (adaptive neural-fUzzy inference system) для прогнозирования изменения уровня активности а-амилазы и мальтазы слизистой оболочки пилорической железы русского осетра (Acipenser guldenstadtii Brandt) при изменении осмолярности среды.
Объектами исследования служили половозрелые самки русского осетра (Acipenser guldenstadtii), выловленные в Северном Каспии. При изучении влияния осмотического давления на указанные ферменты гомогенат и субстрат готовили при помощи растворов хлорида натрия с целью получения ряда концентраций этого осмотически активного вещества от нулевой и очень малой (0,05 %) до предельной (20 %); возрастание концентраций в экспериментах в целом соответствовало ряду геометрической прогрессии со знаменателем 2. Активность ферментов определяли с использованием стандартных физиолого-биохимических методик [12].
Реализация модели осуществлялась в среде MATLAB с использованием пакета расширения Fuzzy Logic Toolbox [13]. Из общего объема экспериментальных данных 15 % было зарезервировано для тестовой и контрольной выборок. На оставшихся данных производилось обучение гибридным методом, сочетающим при минимизации среднеквадратической ошибки метод наименьших квадратов и алгоритм обратного распространения ошибки. Структура сети показана на рис. 1.
Рис. 1. Структура нечетко-нейронной сети, моделирующей изменения активности а-амилазы под воздействием осмотического давления
Цикл обучения занял 500 эпох. Значение усредненной нормированной среднеквадратической ошибки в конце обучения составило 0,19 при максимально допустимом значении 0,67. При этом на обучающей выборке значение среднеквадратической ошибки составило 0,19, на контрольной и тестовой - 0,21. Результаты обучения показаны на рис. 2.
|[■ Rfxj
File Edit View
ANFISInfo.
Training data : о FIS output: *
Load data Type:- Frdm: ©Training О W (^Testing (jj Checking @ worksp. Q Defiio 0 Load trom file О Load trom worksp. ©-©rid partition O'Stob- clustering Optim. Method: | hybrid Error Tolerance: E -і Epochs: Щ I Test FIS Plot against: 0 Training data О Testing data Q Checking data
Load Data... | | Clear Data Generate FIS ... Train Now Test Now
Average testing error; 0.053426 Help Close
Рис. 2. Результаты обучения нечетко-нейронной сети, структура которой изображена на рис. 1: 1 - экспериментальные данные; 2 - результаты моделирования
Аналогичная сеть была использована также при моделировании воздействия осмолярно-сти на мальтазу кишечника русского осетра. Задача успешно решалась при наличии в каждом из промежуточных слоев сети лишь 5 нейронов. Структура сети изображена на рис. 3.
Рис. 3. Структура нечетко-нейронной сети, прогнозирующей изменения уровня активности мальтазы
под воздействием исследуемого фактора
Веса всех синтезирующихся по результатам обучения правил были приняты равными единице. Цикл обучения занял 152 эпохи. Значение усредненной нормированной среднеквадратической ошибки в конце обучения составило 0,07. Результаты обучения продемонстрированы на рис. 4.
|-> Anfis Editor: Untitled BBS
File Edit View
Training data : о FIS output
# of inputs: 1
# of outputs: 1
# of input mfs:
------------ Load data
Type: From:
О file
.,© Training .0 Testing О Checking 0 worksp.
. О Derno
Load Data... | J Clear
Average.testing error; 0.071921'
— Train FIS Optim. Method:
О Load from file Q Load from worksp. @ Grid partition Q:Sub. clustering
Error Tolerance:
Generate FIS ...
Plot against:
© Training data Q Testing data Q Checking data
Рис. 4. Результаты обучения нечетко-нейронной сети, структура которой изображена на рис. 3 (обозначения см. на рис. 2)
Как видно из рис. 2 и 4, наибольший вклад в суммарную погрешность моделей вносит область низких значений исследуемого фактора. В принципе не исключается возможность достижения существенно более высокой точности моделирования при использовании моделей более сложной структуры, прежде всего с большим числом нейронов в скрытых слоях сети.
По-нашему мнению, результаты эксперимента свидетельствуют о значительных перспективах гибридного подхода, сочетающего нейросетевое моделирование и математику нечетких систем в исследованиях физиолого-биохимических аспектов адаптации пищеварительной системы гидробионтов (в частности, рыб), при создании прогностических моделей, а также при обобщении и систематизации больших массивов экспериментальных данных. Однако следует заметить, что в данном случае среднеквадратическая ошибка на диапазоне низких значений осмолярности существенно выше, чем для остальной области прогноза. Это свидетельствует о том, что прогноз изменений активности фермента при низких значениях осмолярности среды может оказаться неадекватным. Вероятно, для данного диапазона требуется разработка отдельной нечеткой модели. В целом же в ходе обучения достигается довольно высокая точность аппроксимации исходных данных. Нужно также отметить, что при данной структуре сети достигается оптимум соотношений погрешности аппроксимации модели и времени, затраченного на обучение.
СПИСОК ЛИТЕРАТУРЫ
1. Кузьмина В. В. Физиолого-биохимические основы экзотрофии рыб / Ин-т биологии внутренних вод им. И. Д. Папанина. - М.: Наука, 2005. - 300 с.
2. Голованова И. Л., Таликина М. Г. Влияние низких концентраций хлорофоса в период раннего индивидуального развития на пищеварительные карбогидразы сеголеток плотвы Rutilus гыШш // Вопросы ихтиологии. - 2006. - Т. 46, № 3. - С. 412-416.
3. Голованова И. Л., Таликина М. Г., Филиппов А. А. Отдаленные последствия влияния сверхнизких
концентраций хлорофоса и нитрозогуанидина в период эмбриогенеза на физиолого-биохимические показатели сеголеток плотвы // Современные проблемы физиологии и биохимии водных организмов: материалы 2-й науч. конф. с участием стран СНГ: Петрозаводск, 11-14 сентября 2007 г. - Петрозаводск: Карел. науч. центр РАН, 2007. - С. 42.
4. Мельников А. В., Мельников В. Н. Особенности управления ресурсами окружающей среды методами экологической кибернетики // Вестн. Астрахан. гос. техн. ун-та. Сер.: Рыбное хозяйство. - 2010. -№ 1. - С. 29-31.
5. Мельников В. Н., Мельников А. В. Системные исследования в теории промышленного рыболовства, аквакультуры и экологии // Вестн. Астрахан. гос. техн. ун-та. Сер.: Рыбное хозяйство. - 2010. - № 1. - С. 32-41.
6. Мельников В. Н., Мельников А. В. Экологическая кибернетика. Основы управления экологическими процессами и системами: в 2 ч. - Ч. 2. - Астрахань: Изд-во АГТУ, 2010. - 424 с.
7. Голованова И. Л. Влияние скорости нагрева воды на активность пищеварительных карбогидраз карпа в различные сезоны года // Тепловодная аквакультура и биологическая продуктивность водоемов аридного климата, Междунар. симпоз., 16-18 апреля 2007 г., Астрахань: материалы и докл. - Астрахань: Изд-во АГТУ, 2007. - С. 445-448.
8. Кузьмина В. В., Ушакова Н. В. Процесс экзотрофии у рыб. Влияние тяжелых металлов ^п, Си) // Журнал эволюционной биохимии и физиологии. - 2008. - Т. 44, № 4. - С. 365-372.
9. Хайкин С. Нейронные сети: полный курс. - М.: Изд. дом «Вильямс», 2006. - С. 219-341.
10. Руанет В. В. Нейросетевые технологии в медико-биологических исследованиях. - Тула: Изд-во ТулГу, 2007. - 194 с.
11. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. - М.: Горячая линия - Телеком, 2006. - 452 с.
12. Невалённый А. Н., Бедняков Д. А., Дзержинская И. С. Энзимология: учеб. пособие. - Астрахань:
Изд-во АГТУ, 2005. - 84 с.
13. Дьяконов В. П., Круглов В. В. МЛТЬЛБ 6.5 8Р1/7 8Р1/7 8Р2 + 8тиНпк 5/6. Инструменты искусственного интеллекта и биоинформатики. - М.: СОЛОН-ПРЕСС, 2006. - 456 с.
Статья поступила в редакцию 29.12.2011
ИНФОРМАЦИЯ ОБ АВТОРАХ
Мартьянов Александр Сергеевич - Астраханский государственный технический университет; Центр образовательной политики, начальник отдела лицензирования; martalex.84@list.ru.
Martyanov Alexander Sergeevich - Astrakhan State Technical University; Center of Educational Policy, Head of the Department of Licensing; martalex.84@list.ru.
Невалённая Анастасия Александровна - Астраханский государственный технический университет; студентка, специальность «Товароведение и экспертиза товаров»; nevalennyy@rambler.ru.
Nevalennaya Anastasiya Alexandrovna - Astrakhan State Technical University, Student, Speciality "Commodity Research and Examination of Goods"; nevalennyy@rambler.ru.
Невалённая Лейла Азадовна - Астраханская государственная медицинская академия; канд. мед. наук, доцент; доцент кафедры «Офтальмология»; nevalennyy@rambler.ru.
Nevalennaya Leila Azadovna - Astrakhan State Medical Academy; Candidate of Medical Science, Assistant Professor; Assistant Professor of the Department "Ophthalmology"; nevalennyy@rambler.ru.
