CC BY
12
УДК 613.2.038
Ю. А. Тунакова, С. В. Новикова, Р. И. Файзуллин, В. С. Валиев, О. Н. Кузнецова
ОЦЕНКА РЕТЕНЦИИ МИКРОЭЛЕМЕНТОВ В УСЛОВИЯХ
ПОЛИМЕТАЛЛИЧЕСКОГО З АГРЯЗНЕНИЯ ТЕРРИТОРИИ Г.КАЗАНИ
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.
Как рассматривалось нами ранее, основной источник водоснабжения в г. Казани (до 92% от общей потребности города в воде) - поверхностные воды Куйбышевского водохранилища, имеет значительную степень полиметаллического загрязнения ввиду значительного привноса соединений металлов со сточными водами предприятий города [1].
В настоящее время, исследования в области оценки микроэлементного баланса организма, выявления значимых внешних факторов должны опираться на инновационные математические методы и информационные технологии. Весь спектр взаимосвязей между значимыми факторами невозможно учесть, используя лишь коэффициенты регрессии или поправочные коэффициенты в существующих расчетных методиках, основанных на методах линейного моделирования. Поскольку зависимости между водно-пищевым 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. В ранних публикациях нами подробно рассмотрены возможности нейросетевых методов,где автоматически учитываются как явные, так и скрытые зависимости между исходными данными [2-3].
Кроме того, нейронные сети по сравнению с традиционными методами моделирования позволяют использовать неполные, зашумленные исходные данные, отражать нелинейные, в том числе неявные зависимости между данными, автоматически подбирать корректирующие коэффициенты [4].
Как обосновывалось нами ранее, в сообщении 1, в качестве важнейшего этапа, характеризующего процессы ретенции микроэлементов (МЭ), является моделирование динамики содержания
микроэлементов в сыворотке крови при водном пути поступления в организм.Результаты ранее проведенных экспериментов продемонстрировали, что информации о содержании МЭ в питьевой воде недостаточно для построения адекватной модели
поступления МЭ в кровь человека. Поэтому было принято решение дополнить модель информацией о физиологических особенностях конкретного человека. В качестве антропометрических характеристик, непосредственно влияющих на процессы накопления и выведения металлов из организма, были выбраны рост и вес человека. Эти показатели определяют такой ключевой морфометрический параметр, широко
используемый в токсикологии и физиологии человека, как поверхность тела, являющийся косвенной характеристикой протяженности кровеносной сети.
Для построения моделей использованы кортежи экспериментальных данных типа:
«Рост+Вес+концентрация МЭ в питьевой воде -концентрация МЭ в сыворотке крови». Так как в качестве входов кроме уровня содержания МЭ в питьевой воде используются морфометрические данные человека, такую модель можно назвать антропо-модель. Нейросетевые антропо-модели проектировались для каждого металла самостоятельно и независимо. Все модели представляют собой персептрон с тремя входами (рост в сантиметрах, вес в килограммах, концентрация МЭ в питьевой воде), единственным скрытым слоем и единственным выходом (концентрация МЭ в сыворотке крови). В результате было спроектировано 6 моделей, которые показаны в табл.1.
Точность построенных антропо-моделей значительно превзошла результаты моно-моделей без использования антропометрической
информации, ошибка регрессии составила в среднем от 0,003% (для железа) до 17% (для стронция). Результаты регрессии и кратность
повышенияточности по сравнению с моно-моделью без морфометрических данных отражены в табл. 2.
Таким образом, полученные антропо-модели достаточно точно отражают реальный процесс поступления МЭ в организм человека с питьевой водой и могут быть использованы для расчета уровня металлов в сыворотке крови на практике.
Таблица 1 - Характеристика нейросетевых антропо-моделей
полученных
МЭ
ги
8г
Си
РЬ
Сг
Бе
Структура
Функции активации слоев
скрытый -гиперболический тангенс; выходной -линейная.
скрытый -гиперболический тангенс; выходной -линейная.
скрытый -гиперболический тангенс; выходной -линейная.
скрытый -гиперболический тангенс; выходной -линейная.
скрытый -гиперболический тангенс; выходной -линейная.
скрытый -гиперболический тангенс; выходной -линейная.
Таблица 2 - Проценты ошибки моделирования
МЭ Средняя ошибка (%) Минимальн ая ошибка (%) Кратность повышения точности (раз)
ги 5,51 0,02 3,14
8г 17,41 0,26 2,33
Си 1,12 0,005 17,43
РЬ 4,24 0,01 9,49
Сг 14,47 0,03 4,80
Бе 0,003 2х10-5 11713
Однако, известно, что упрощение структуры нейросетевой регрессионной модели ведет к увеличению ее способности к обобщению, а, следовательно, и точности на тестовых данных [5]. Рост и вес человека определяют такую морфометрическую характеристику, как площадь поверхности тела, согласно формуле:
РхВ
3600
где 8тела - площадь поверхности тела в м , Р - рост в сантиметрах, В - масса тела в килограммах, то вместо двух различных входов модели (вес и рост). Следовательно, можно использовать один вход -площадь поверхности тела и общее количество входов антропо-модели может быть сокращено с трех до двух, что способно повысить способность модели к обобщению в 1,5 и более раза [6]. Как и ожидалось, редуцирование (сокращение числа входов модели) без потери информации за счет использованияпараметра-площадь поверхности тела, привело к увеличению точности и способности к обобщению моделей по сравнению с антропо-моделями без редукции. Повышение способности к обобщению по сравнению с антропо-моделью без редукции (раз) составило: ги-, 2,13, 8г-2,40, Си-1,52, РЬ-1,60, Сг-2,13, Бе-1,78.
Таким образом, только информации о концентрации МЭ в питьевой воде недостаточно для построения адекватной модели поступления МЭ в кровь человека водным путем. Морфометрические характеристики человека, такие как рост и вес, в сочетании с данными о концентрации МЭ в питьевой воде в полной мере объясняют концентрацию МЭ в сыворотке крови, о чем свидетельствуют разработанные антропо-модели.
Вместо двух антропо-характеристик - роста и веса, с успехом может использоваться единая характеристика - площадь поверхности тела человека. Точность моделей при этом не только не уступает, но и превосходит точность нередуцированных антропо-моделей. Именно редуцированные антропо-модели, таким образом, можно рекомендовать для практического использования при расчетах и исследовании поступления, выведения и накопления МЭ в организме человека.
Оценка ретенции МЭ в организме человека позволит разрабатывать более гибкие и адекватные сложившейся ситуации рекомендации по коррекции в случае возникновения экообусловленного микроэлементного дисбаланса в организме при употреблении питьевой воды
неудовлетворительного качества. Причем количественная оценка ретенции имеет большое значение так, к примеру, в ряде случаев избыточной ретенции (кумуляции) могут быть эффективны методы энтеросорбции для выведения избыточного содержания микроэлементов из организма, а в случае дефицита ретенции МЭ - методы минерализации питьевой воды, потребляемой населением.
Работа выполнена в рамках государственной программы повышения конкурентоспособности Казанского (Приволжского) федерального университета среди ведущих мировых научно-образовательных центров и субсидии, выделенной Казанскому федеральному университету для выполнения государственного задания в сфере научной деятельности.
Литература
1. Галимова А.Р., Шагидуллин Р.Р., Тунакова Ю.А. Вестник Казан.технол. ун-та, 14, 18, 245-249 (2015).
2. Тунакова Ю.А., Новикова С.В., Шагидуллина Р.А., Шагидуллин А.Р.Вестник Казан.технол. ун-та, 17, 4, 180182 (2014).
3. Тунакова Ю.А., Шагидуллина Р.А., Валиев В.С. Вестник Казан. технол. ун-та, 16, 22, 210-213 (2013).
4. Zadeh L.A. Fuzzy Sets, Advances in Fuzzy Systems -Applications and Theory, Vol. 6, River Edge, NJ: World Scientific (1996).
5. Мозер Ю., «КАМ-теория и проблемы устойчивости», Ижевск, РХД, 2001.
6. Hecht-Nielsen R..Counterpropagation networks. In Proceedings of the IEEE First International Conference on Neural Networks, eds. M. Caudill and C. Butler, vol. 2, pp. 19-32. San Diego, CA: SOS Printing. (1987).
© Ю. А. Тунакова - д.х.н., проф., зав. каф. общей химии и экологии КНИТУ им. А.Н. Туполева - КАИ, [email protected]; С. В. Новикова - д.т.н., проф. каф. прикладной математики и информатики КНИТУ им. А.Н. Туполева-КАИ, [email protected]; Р. И. Файзуллин - канд. мед. наук, зам. директора по науке института фундаментальной медицины и биологии К(П)ФУ, [email protected]; В. С. Валиев - науч. сотр. лаб. Института проблем экологии и недропользования АН РТ; О. Н. Кузнецова -к.х. н., доцент кафедры ТПМ КНИТУ.
© Yu. Tunakova - the doctor of chemistry, professor, head of the department of General chemistry and ecology KNRTU-KAI, [email protected]; S. Novikova - Doctor of Technical Sciences, Professor, Department of Applied Mathematics and Computer Science, KNRTU-KAI, [email protected]; R. Fayzullin - PhD , Deputy. Director for Science, Institute of Basic Medicine and Biology FSAEI VPO Kazan (Volga Region ) Federal University; V. Valiev - Researcher, Laboratory of Biogeochemistry Institute of Ecology and subsoil of the Academy of Sciences of the Republic of Tatarstan; О. Kuznetsova - candidate of chemical Sciences. assistant Professor of plastics technology, KNRTU.
