CC BY
10
УДК 613.2.038
Ю. А. Тунакова, С. В. Новикова, Р. И. Файзуллин, В. С. Валиев
ОЦЕНКА РЕТЕНЦИИ МИКРОЭЛЕМЕНТОВ ПРИ ПОТРЕБЛЕНИИ ПИТЬЕВОЙ ВОДЫ ДЕТСКИМ НАСЕЛЕНИЕМ Г.КАЗАНИ С УЧЕТОМ ВТОРИЧНОГО ЗАГРЯЗНЕНИЯ
(СООБЩЕНИЕ 1)
Ключевые слова: питьевая вода, микроэлементы, ретенция, моделирование, нейронные сети.
Рассмотрены процессы поступления микроэлементов в организм человека с питьевой водой с целью расчета их содержания в сыворотке крови как важнейшего этапа ретенции микроэлементов в организме человека, оцениваемого с использованием методов нейросетевого моделирования.
Keywords: drinking water, minerals, retention, modeling, neural networks.
The processes of receipt of microelements in the human body of drinking water for the purpose of calculating their co-content in blood serum as an important stage of retention of trace elements in the human body, estimated with use of IP-neural network modeling methods.
Используемые нами теоретические обоснова-нияпринципа 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 элементов 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 элементов 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 ретенциеймы понимаем 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.
Создания комплексной модели процессов накопления и выведения МЭ в организме человека необходимо для последующей адекватной коррекции с использованием методов доочистки питевой воды, ее минерализации и энтеросорбционных технологий. Для построения модели был проведен анализ содержания МЭ(2и, Бг, Си, РЬ, Сг, Бе) в пробах питьевой воды в конечной точке потребления в сочетании с их содержанием в динамичных биосредах организма человека (сыворотка крови).Подробное описание методик пробоотбора, пробоподготовки, анализа и обработки его результатов описаны в [36]. 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 металлов, которая поступает в организм в растворенном виде, так или иначе должна проявляться на уровне их гомеостатического транспорта, то есть на изменении сывороточных концентраций [1,2,7].
В ансамбль включены модели по исследуе-мымМЭ. Следует отметить, что для всех МЭ отмечен достаточной широкий градиент концентраций в питьевой воде.
Для построения моделей использованы кортежи экспериментальных данных типа: «содержание МЭ в питьевой воде - содержание МЭ в сыворотке крови». 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 неформализуемых 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 MLP, 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 Fe-1.
Таблица 1 - Характеристика полученных нейро-сетевых Моно- 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.
В таблице 2 проиллюстрированы структуры спроектированных нейросетевых моделей.
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 состоянии в полной мере отразить регрессионную зависимость, и генерировали некий усредненный показатель уровня железа в сыворотке крови, что не
позволяет использовать их на практике. Результаты регрессии отражены в табл.3.
Таблица2 - Структура полученных нейросетевых Моно- моделей
МЭ
Zn
Sr
Cu
Pb
Cr
Fe
Структура
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.
Работа выполнена в рамках государственной программы повышения конкурентоспособности Казанского (Приволжского) федерального университета среди ведущих мировых научно-образовательных центров и субсидии, выделенной Казанскому феде-
ральному университету для выполнения государственного задания в сфере научной деятельности.
Таблица 3 - Проценты ошибки моделирования
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 повышения адекватности моделей за счет учета физиологических характеристик будут описаны в последующих статьях.
Литература
1.Авцын А.П.,. Жаворонков А.А, Риш М.А., Строчкова Л.С. Микроэлементозы человека: этиология, классификация, органопатология АМН СССР. Медицина, Москва, 1991. 496 с.
2.Скальный А.В. Химические элементы в физиологии и экологии человека. М.: Мир. Оникс 21 век, 2004. 216 с.
3.ТунаковаЮ.А., ГалимоваА.Р., Шмакова. Ю.А. Вестник Казанского технологического университета,15, 19, 7679 (2012);
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).
6. Тунакова Ю.А., Шагидуллина Р.А., Новикова С.В., Валиев В.С., Башкирский химический журнал, 21, 3, 7985 (2014).
7.Manoj Kumar and AvinashPuri. Indian J Occup Environ Med. Jan-Apr; 16(1), 40-44 (2012).
© Ю. А. Тунакова - д-р хим. наук, проф. каф. Технологии пластических масс КНИТУ, juliaprof@mail.ru; С. В. Новикова -д-р техн. наук, проф. каф. прикладной математики и информатики КНИТУ им. А.Н. Туполева-КАИ, sweta72@bk.ru; Р. И. Файзуллин - канд. мед. наук, зам. дир. по науке института фундаментальной медицины и биологии К(П)ФУ, r406@mail.ru; В. С. Валиев - науч. сотр. лаб. биогеохимии Института проблем экологии и недропользования АН РТ.
© J. Tunakova - Doctor of Chemistry, professor, chair of TBI KNRTU, juliaprof@mail.ru; S.Novikova - Doctor of Technical Sciences, Professor, Department of Applied Mathematics and Computer Science of KNRTU A.N. Tupolev-KAI, sweta72@bk.ru; R. Fayzullin - PhD , Deputy. Director for Science, Institute of Basic Medicine and Biology FSAEI VPO Kazan (Volga Region ) Federal University, r406@mail.ru; V. Valiev - Researcher, Laboratory of Biogeochemistry Institute of Ecology and subsoil of the Academy of Sciences of the Republic of Tatarstan.
