Онтологические модели алгоритмов роевого интеллекта для иммунносетевого моделирования лекарственных препаратов
Ключевые слова:
компьютерный молекулярный дизайн лекарств, QSAR, роевой интеллект, выделение информативных дескрипторов, онтологические моделиАннотация
Статья посвящена разработке информационной системы прогнозирования свойств новых лекарственных препаратов на основе методов роевого интеллекта и искусственных иммунных систем. Важным аспектом при прогнозировании зависимости между химическим строением вещества и их биологической активностью (QSAR, Quantitative Structure-Activity Relationship) является выбор дескрипторов. Перспективным направлением в области QSAR стало применение подходов искусственного интеллекта, которые обеспечивают высокую точность прогнозирования химических соединений с заданными свойствами. В статье рассматриваются методы пчелиной колонии и алгоритм роя частиц для решения задачи выделения информативных дескрипторов и дальнейшего иммунносетевого моделирования фармакологической активности химических соединений. Приведены существующие программные средства реализации данных алгоритмов для построения оптимального набора дескрипторов. Применение мультиалгоритмического подхода при иммунносетевом моделировании лекарств требует систематизации используемых методов и создание интегрированной онтологической модели. Разработка онтологических моделей позволяет структурировать входные и выходные данные, учитывать особенности функционирования и взаимосвязи, экономит временные и вычислительные ресурсы при разработке компонентно-ориентированного программного обеспечения для иммунносетевого моделирования новых химических веществ с заданной фармакологической активностью. Разработаны онтологические модели пчелиной колонии и алгоритма роя частиц для решения задачи выделения информативных дескрипторов в редактор онтологий Protege.
Библиографические ссылки
[2] Baranjuk V.V. and Smirnova O.S., "Expanding the bionics ontology by the description of swarm intelligence" International Journal of Open Information Technologies 3(12) (2015): 13-17.
[3] Chin Y.L. and Chun W.Y., "Current Modeling Methods Used in QSAR/QSPR,"Statistical Modelling of Molecular Descriptors in QSAR/QSPR(2012): 1-31.
[4] Dasgupta D., Artificial Immune Systems and Their Applications (NY: Springer-Verlag, 1998), 438.
[5] Gladun A.Ya., Rogushina Yu.V. (2006) Ontologii v korporativnyh sistemah [Ontologies in enterprise systems]. Korporativnye sistemy, vol. 1, accessed December 19, 2016, http://www.management.com.ua/ims/ims116.html.
[6] Golla S. et al., "Virtual design of chemical penetration enhancers for transdermal drug delivery,"Chem. Biol. Drug Design (2012): 478-487.
[7] Hamed Z., Aboozar K., Hamid M., "Application of modified particle swarm optimization as an efficient variable selection strategy in QSAR/QSPR studies"Journal of chemometrics (2012): 123-128.
[8] Oleinik An.A., Oleinik Al.A., Subbotin S.A. (2012) Agentnye texnologii dlya otbora informativnyh priznakov [Agent technologies for the selection of informative features]. Kibernetika i sistemnyi analiz, vol. 2, pp. 113-125.
[9] Oleinik A.A. (2011) Multiagentnyi metod optimizacii s adaptivnymi parametrami [Multi algorithmic approach with adaptive parameters]. Iskusstvennyi intellekt, vol.1, pp. 83-90.
[10] Raevskii O.A. (2006) Deskriptory bodorodnoi svyazi v komputernom moleculyarnom dizaine [Descriptors of hydrogen bond in computer molecular design]. Ros. xim. jurnal, vol. 2, pp. 97-108.
[11] Rangel C. et al., "An Approach for the Emerging Ontology Alignment based on the Bees Colonies,"Int’l Conf. Artificial Intelligence (2015): 536-541.
[12] Samigulina G.A. and Samigulina Z.I., "Computational Molecular Design of Antiseptic Drags based on Immune Network Modeling,"Proceedings of the 12-th International Conference on Electronics Computer and Computation "ICECCO- 2015" (Almaty: Suleyman Demirel University, 2015): 47-52.
[13] Samigulina G.A. and Samigulina Z.I. "Drag Design of sulfanilamide based on Immune Network Modeling and Ontological approach,"Proc. of the 10th IEEE Int. Conf. on Application of Information and Communication Technologies AICT2016, accessed January 19, 2017, www.aict.info/2016.
[14] Samigulina G.A. et al. (2015)Komputernyi molekulyarnyi dizain lekarstvennyh preparatov na osnove immunnosetenovogo modelirovaniya [Computer-aided molecular design of drugs based on immune network modeling].Otchet o NIR, pp. 145.
[15] Samigulina G.A., Samigulina Z.I. (2013) Postroenie optimalnoi immunnosetevoi modeli dlya prognozirovaniya svoistv neizvestnyh lekarstvennyh soedinenii na osnove multialgoritmicheskogo podhoda [Construction of an optimal immune-network model for predicting the properties of unknown drug compounds on the basis of a multi-algorithmic approach]. Problemy informatiki, pp. 21-29.
[16] Schiezaro M. and Pedrini H., "Data feature selection based on Artificial bee colony algorithm," EURASIP Journal on Image and Video processing(2013): 29-33.
[17] Shao L. et al., "Particle Swarm Optimization Algorithm Based on Semantic Relations and Its Engineering Applications,"Systems Engineering Procedia (2012): 222-227.
[18] Shi-xiong X. et al., "Fault Diagnosis Method Based on Ontology and Particle Swarm-Immune Optimization Algorithm in the Motor,"Multimedia and Signal Processing (CMSP)(2011): 1-9.
[19] Tarakanov A. and Nicosia G., "Foundations of immunocomputing,"Proceedings of the 1-st IEEE Symposium of Computational Intelligence (Honolulu, 2007): 503-508.
[20] Xodashinskii I.A., Gorbunov I.V., Dudin P.A., Sinkov D.S. (2012) Postroenie nechetkih sistem prognozirovaniya effektivnosti nemedikamentoznogo lecheniya [Construction of fuzzy systems for predicting the effectiveness of non-drug treatment]. Intellektualnye systemy, vol. 3, no 33, pp. 140-149.
[21] Yuan F. et al., "Artificial bee colony-based extraction of non-taxonomic relation between symptom and syndrome in TCM records,"International Journal of Computing Science and Mathematics(2015), accessed January 7, 2017, DOI: http://dx.doi.org/10.1504/IJCSM.2015.073600.
