CC BY
45
УДК 541.69: 547.7
В. М. Гиниятуллин (к.т.н., доц.)1, Р. М. Ахметшин (магистрант)1, С. А. Кирлан (д.х.н., зав. лаб.)2
Прогноз фунгицидных свойств химических соединений с применением системы «SARD-21» и комплекснозначных нейронных сетей
1 Уфимский государственный нефтяной технический университет 450062, г. Уфа, ул. Космонавтов, 1; тел. (347) 2431737, e-mail: [email protected] 2Научно-исследовательский технологический институт гербицидов и регуляторов роста растений с c опытно-экспериментальным производством АН РБ 450029, г. Уфа, ул. Ульяновых, 65; тел. (347) 2433614, e-mail: [email protected]
V. M. Giniyatullin1, R. M. Akhmetshin1, S. A. Kirlan2
Forecast fungicidal properties of chemical compounds with the application of «SARD-21» and the complex neural networks
1 UfaState Petroleum Technological University 1, Kosmonavtov Str, 450062 Ufa, Russia; ph. (347) 2431878, e-mail: [email protected] 2The Scientific-research technological Institute of herbicides and plant growth regulators with the CES Academy of Sciences of the Republic of Bashkortostan 65, Ulyanovyih Str., 450029, Ufa, Russia; ph. (347) 2433614, e-mail: [email protected]
Предложен подход к доэкспериментальной оценке пестицидных свойств органических соединений на основе совместного применения программных комплексов БЛКО-21 и комплекс-нозначного персептрона. Исследована возможность кластеризации и прогнозирования фунги-цидных свойств на основе комплекснозначных нейронных сетей. Полученные результаты показали преимущество совместного применения двух методов, что позволяет вырабатывать оптимальные рекомендации для синтеза новых фунгицидных соединений.
Ключевые слова: активность; информативность; нейронные сети; теория распознавания образов; фунгициды; химическое соединение.
An approach to the before experimental estimation of pesticide properties of organic compounds on the basis of application software systems SARD-21 and a complex-perceptron is offered. The possibility of clustering and forecasting based on the fungicidal properties of complex neural networks is researched. The results show the advantage of combined application of two methods that can produce the best recommendations for the synthesis of new fungicidal compounds.
Key words: activity; information; neural networks; the theory of pattern recognition; chemical fungicides.
В настоящее время для поиска и целенаправленного синтеза новых биологически активных соединений широко используются компьютерные технологии и математические методы моделирования структур с заданными свойствами 1-4. Эти подходы базируются на знании объективных закономерностей связи между строением и определенными видами целевого действия химических соединений. Одним из способов выявления связи между структурой химического соединения и требуемым свойством является программный комплекс БЛКВ-21 2-4.
Дата поступления 10.08.13
Существуют, однако, определенные ограничения при использовании данной программы, поэтому предложено ее модернизировать с применением метода комплекснозначных нейронных сетей (КНС) 5'6.
Результаты и их обсуждение
Основным требованием к разрабатываемой программе на основе комплекснозначных нейронных сетей было повышение качества достоверного распознавания структур химических соединений. Проведено исследование
Таблица 1
Сравнение результатов распознавания пестицидных свойств
Тип свойств соединений и их количество (в группе А - в группе В) вАРй-21 КНС Эффект
Фунгицидноактивные против неактивных (165 - 160) - Уровень распознавания в группе А - Уровень распознавания в группе В 73.33 78.13 94.55 82.50 +21.22 +4.37
Фунгицидноактивные против неактивных (113 - 87) - Уровень распознавания в группе А - Уровень распознавания в группе В 77.88 83.91 99.12 89.66 +21.24 +5.75
Гербицидноактивные против инсектицидноактивных (169 - 154) - Уровень распознавания в группе А - Уровень распознавания в группе В 94.08 79.87 89.35 96.10 -4.73 + 16.23
Гербицидноактивные против регуляторов роста растений (169 - 152) - Уровень распознавания в группе А - Уровень распознавания в группе В 92.31 71.05 92.31 94.74 0 +23.69
Регуляторы роста растений против инсектицидноактивных (152 - 154) - Уровень распознавания в группе А - Уровень распознавания в группе В 86.18 83.12 94.08 91.56 +7.9 +8.44
двух массивов, содержащих фунгицидноак-тивные и неактивные соединения. Дополнительно исследованы массивы химических соединений с другими типами пестицидных свойств 7'8. Результаты распознавания структур их сравнение приведено в табл. 1.
Реализация подхода на основе комплекс-нозначных нейронных сетей показывает лучшие результаты и его применение позволяет также формулировать осмысленные рекомендации по конструированию новых структур: формировать списки правил построения структур и усеченные вектора.
В результате проведенных исследований создана программа «Прогнозирование свойств химических веществ на основе комплексно-значных нейронных сетей», которая является реализацией алгоритмов обучения и работы комплекснозначной нейронной сети. Схема работы программы представлена на рис. 1. Программа позволяет: выбрать входные файлы математического описания структур, формируемые в системе 8ЛКО-21; распознавать соединения обучающей выборки; генерировать правила моделирования структур; проверять конкретную функциональную группу и более сложные фрагменты структур, их математических наборов (векторов) на наличие целевого свойства.
Входными данными для оценки свойств на основе нейронных сетей являются матема-
тическое описание химических структур, сформированное в рамках системы БЛКВ-21 и содержащее: количество и состав всех дескрипторов (химических фрагментов) первого и второго порядка; математическое представление химических структур двух альтернативных групп А и В. Выходными данными являются: результаты распознавания обучающей выборки; правила построения структур; усеченные вектора; список всех нейронов обученной сети, их функции и номера связанных с ними входных данных, а также число и процентное соотношение нейронов по конкретной функции.
Таким образом, в результате проведенных исследований разработан подход к теоретической оценке пестицидных свойств органических соединений на основе совместного применения программных комплексов БЛКВ-21 и комплекс-нозначного персептрона. Предложенный подход позволяет решить следующие задачи: сформировать входные вектора; распознавать обучающую выборку; сформировать правила построения новых химических структур; сформировать усеченные вектора; проверить любой вектор на наличие требуемого свойства. В результате апробации подхода выявлено, что процент корректного распознавания обучающей выборки в среднем на 5—10 % выше результата, полученного в рамках системы БЛКВ-21.
Рис. 1. Схема программного модуля на основе нейронных сетей
Литература
1. Филимонов Д. А., Поройков В. В. // Рос. хим. ж.-2006.- №2.- С.66.
2. Тюрина Л. А., Тюрина О. В., Колбин А. М. Методы и результаты дизайна и прогноза биологически активных веществ.- Уфа: Гилем, 2007.— 331 с.
3. Кирлан С. А., Сементеева Л. Ш., Кирлан В. В., Кантор Е. А. // Баш. хим. ж.— 2011.— Т.8, №2.- С.63.
4. Кирлан С. А., Кантор Е. А., Димогло А. С., Вовденко М. К.// Баш. хим. ж.- 2011.- Т.8, №2.- С.30.
5. Руденко О. Г., Бодянский Е. В. Основы теории искусственных нейронных сетей. - Харьков: Те-летех, 2002.- 369 с.
6. Гиниятуллин В. М. // Нефтегазовое дело.-2008.- Т.6, №1.- С.35.
7. Мельников Н. Н., Новожилов К. В., Белан С. Р. Пестициды и регуляторы роста растений.- М.: Химия, 1995.- 576 с.
8. Рахманкулов Л. Л., Базунова Г. Г., Мусави-ров Р. С. Современные химические средства защиты растений.- Т.2. Фунгициды, бактерициды, протравители семян.- Уфа: Реактив, 1999.252 с.
References
1. Filimonov D. A., Porojkov V. V. Ros. him. zh.—
2006.- no.2.— P.66.
2. Tjurina L. A., Tjurina O. V., Kolbin A. M.
Metody i rezul'taty dizajna i prognoza biolo-gicheski aktivnyh veshhestv.— Ufa: Gilem,
2007.— 331 s.
3. Kirlan S. A., Sementeeva L. Sh., Kirlan V. V., Kantor E. A. Bash. khim. zh.— 2011.— V.8, no.2.— P.63.
4. Kirlan S. A., Kantor E. A., Dimoglo A. S., Vovdenko M. K. Bash. khim. zh.— 2011.— V.8, no. 2.— P.30.
5. Rudenko O. G., Bodjanskij E. V. Osnovy teorii iskusstvennykh neironnykh setei.— Har'kov: Te-leteh, 2002.— 369 s.
6. Ginijatullin V. M. Neftegazovoe delo.— 2008.— V.6, no. 1.— P.35.
7. Mel'nikov N. N., Novozhilov K. V., Belan S. R. Pesticidy i regulyatory rosta rastenii.— M.: Himija, 1995.— 576 s.
8. Rahmankulov L. L., Bazunova G. G., Musavi-rov R. S. Sovremennye himicheskie sredstva zashhity rastenij.— T.2. Fungicidy, baktericidy, protraviteli semjan.— Ufa: Reaktiv, 1999.— 252 s.
