本發明屬于化工

技術領域：

，具體是一種基于模糊神經網絡的化學分子生物毒性預測模型算法。

背景技術：

：近些年來，化學物質合成技術飛快發展，合成物質已經應用于社會的各行各業，隨著工業的高度發展，全球化學品的種類和年產量在急劇增長，化學污染物在品種和數量上日益增多，化學物質的污染處理早已受到了世界重點關注，其中研究如何減小化學物質的毒性已經成為了當今社會急需解決的問題。因此，在研究化學物質合成過程中運行控制技術，在保證精確控制的前提下，實現化學物質排放時毒性達標，減小環境污染，是未來環保型化學物質研究的必然趨勢。目前，針對化學物質生物毒性控制通常前段檢測控制和后端排放處理。前端檢測控制常采用的方法就是通過利用各種儀器對已合成的化學物質毒性檢測，超過指標則重新合成或者禁止使用，這種方法容易造成大量經濟損失，并且合成過程比較復雜麻煩；而后端排放處理通常是物質排放后對其造成的污染進行處理，這種手段容易造成環境污染和加大處理經濟成本。姚碧云等人在論文《QSAR方法在毒性預測中的應用和進展》中給出了一種基于QSAR的毒性預測方法，但其給出的是一種思路，未給出任何實質性的步驟和研究數據，無法得到其方案可行的結論，專利號為CN201510347479.0、CN201310705921.3等文獻也給出了類似的方案，但其計算預測精度較小，誤差較大。針對這一種情況，本文中給出了一種基于自適應模糊神經網絡預測模型進行預測控制算法，利用模糊神經網絡預測模型對建立的疏水性與生物毒性QSAR模型關系加以精確計算，比原來的預測手段提高了精確度，減小了預測誤差，實現了對化學物質生物毒性的提前預測，降低了化學合成的成本和減小了環境污染。技術實現要素：針對上述問題，本發明設計了一種基于自適應模糊神經網絡的生物毒性預測模型算法，通過構建自適應模糊神經網絡模型，利用模型預測控制的方法實現生物毒性的提前預測。本發明的技術方案如下：本發明獲得了一種基于自適應模糊神經網絡的化學分子生物毒性預測模型算法，該方法是基于自適應模糊神經網絡，構建了化學分子生物毒性預測模型，通過改變神經網絡參數，達到預測化學分子生物毒性的目的；提高了化學分子的預測精度，減小了預測誤差。本發明采用了如下的技術方案和步驟：1、建立生物毒性與辛醇/水分配系數的QSAR模型關系。具體是指，建立用于化學分子合成過程中生物毒性(用LC50半數致死濃度)與辛醇/水分配系數的模型關系；其步驟為：利用回歸分析法推導logKow和毒性EC50之間的數學表達式，建立方程：y＝ax+b，其中y表示毒性效應濃度，即為LogLC50，單位為mmol/L，x是LogKow值；最終得到公式：Log(LC50)＝aLog(Kow)+b(1)。式(1)中的a，b為線性回歸系數，應用這些導出的線性方程后，用于計算未測試化學品的毒性值，mmol/L。2、根據步驟1的生物毒性與辛醇/水分配系數的QSAR模型關系，建立自適應模糊神經網絡化學分子毒性預測模型，目的是使得計算的生物毒性值更加精確。這里我們選取了包含5層的NFN結構，包括輸入層，可信度層，歸一化層，解模糊層，輸出層。下面是各層的計算函數：網絡第一層為輸入層，主要目的是將輸入信號模糊化，得到信號隸屬度。我們可以采用某種函數來實現，通常包括高斯函數，鐘形函數、Sigmoid函數等，這里我們采用高斯函數來實現:式中，i取值1、2，c為函數的中心值，a為函數的中心寬度值。網絡第二層是可信度層，目的是把模糊化的信號隸屬度結果相乘，實際得到的是每條模糊推理規則的可信度。ω1＝μ1μ3，ω2＝μ1μ4，ω3＝μ2μ3，ω4＝μ2μ4(3)網絡第三層為歸一化層，目的是將可信度層的可信度進行歸一化計算。網絡第四層為解模糊層，目的是計算每條規則的輸出，把輸入信號x1，x2引入解模糊網絡模型，通常包括一階Sugeno模型或者二階Sugeno模型，這里我們采用一階Sugeno模型，其函數如下：式中，n取值1、2、3、4，P，Q，R為線性回歸系數。網絡第五層為輸出層，是各條規則的累加，y＝∑On。3、根據步驟2的自適應模糊神經網絡化學分子毒性預測模型，建立優化NFN參數的遺傳算法模型，具體是修正了模糊神經網絡參數，使得計算值更加精確；建立符合度函數：F＝1/(1+E)(6)E為與控制目標的誤差,F(t)是模糊神經網絡模型的輸出；Fp是輸出的控制目標。4、根據步驟2所述的一種基于模糊神經網絡的化學分子生物毒性預測模型算法，其特征在于，完成上述步驟后，進行：步驟S4、利用優化后的模糊神經網絡模型對新分子的生物毒性值進行計算預測，根據所計算的生物毒性值判斷該分子是否符合要求。如《中國環境保護行業標準》的要求。本發明的有益效果是：1、本發明中研究了化學分子的疏水性(用辛醇/水分配系數來表示)與生物毒性的關系；2、本發明建立了化學分子的疏水性(用辛醇/水分配系數來表示)與生物毒性的QSAR模型關系，并利用線性回歸法解出了具體的方程值；3、本發明中建立了自適應模糊神經網絡的生物毒性預測模型算法，并通過優化參數后的新模型對生物毒性進行了計算和預測，比原來的生物毒性QSAR模型相比，具有精度高、誤差小、高效穩定等特點。附圖說明圖1為本發明的流程結構圖；圖2為本發明的模糊神經網絡拓撲結構；圖3為本發明的不同結構化合物的生物毒性測量值與預測值；圖4為本發明的不同結構化合物的生物毒性測量值與預測值的誤差。具體實施方式下面結合附圖和實施例對本發明進一步說明。在本次實例中，我們選取含氯乙烷的不同結構的化學分子，通過實驗我們可以得出不同分子的疏水性，即logKow值，以及部分物質的毒性檢測值，同時，采用以上方法我們可以對不同分子進行毒性預測，最終通過對比可以看出預測值與檢測值的誤差較小，如表1所示。這里以計算預測氯取代基的乙烷分子毒性為例。根據如圖1所示，本發明的基于自適應模糊神經網絡的化學分子生物毒性預測模型算法，主要步驟如下內容如下：1、建立用于化學分子合成過程中生物毒性(用LC50半數致死濃度)與辛醇/水分配系數(Kow)的QSAR模型關系，利用回歸分析法推導logKow和毒性EC50之間的數學表達式，建立方程：y＝ax+b，其中“y”表示毒性效應濃度(即，LogLC50，單位為mmol/L)，“x”是LogKow值。將現有的部分常用的結構化合物的辛醇/水分配系數進行統計，并制作下表1，根據表1中的辛醇/水分配系數的數據，采用線性回歸法中的最小二乘法對一元方程“y＝ax+b”進行推導，可以計算得出回歸系數的值a為-0.746，b為0.89。則最終可寫為：Log(LC50)＝-0.746Log(Kow)+0.89(8)計算含氯乙烷的不同結構的化學分子的LogLC50值，如表1所示。表1不同結構化合物辛醇-水分配系數LC50測量值QSAR預測值氯乙烷1.544070.27251-0.261871,1-二氯乙烷1.790290.06416-0.445551,2-二氯乙烷1.480010.32672-0.214091,1,1-三氯乙烷2.49969-0.53614-0.974771,1,2-三氯乙烷2.46982-0.51086-0.952491,1,1,2-四氯乙烷2.38917-0.44261-0.89232五氯乙烷2.88986-0.86630-1.26584六氯乙烷4.59988-2.31332-2.541512、根據步驟1建立自適應模糊神經網絡化學分子毒性預測模型，建立了基于Sugeno模型，這里我們選取了包含5層的NFN結構，包括輸入層，可信度層，歸一化層，解模糊層，輸出層。如圖2所示，下面是各層的計算函數：網絡第一層為輸入層，主要目的是將輸入信號模糊化，得到信號隸屬度。我們可以采用某種函數來實現，通常包括高斯函數，鐘形函數、Sigmoid函數等，這里我們采用高斯函數來實現:式中，i取值1、2，c為函數的中心值，a為函數的中心寬度值。對上式函兩邊求取Log函數，通過積分求得c＝1.6，a＝0.14。得到函數網絡第二層是可信度層，目的是把模糊化的信號隸屬度結果相乘，實際得到的是每條模糊推理規則的可信度。ω1＝μ1μ3，ω2＝μ1μ4，ω3＝μ2μ3，ω4＝μ2μ4(10)網絡第三層為歸一化層，目的是將可信度層的可信度進行歸一化計算。網絡第四層為解模糊層，目的是計算每條規則的輸出，把輸入信號x1，x2引入解模糊網絡模型，通常包括一階Sugeno模型或者二階Sugeno模型，這里我們采用一階Sugeno模型，其函數如下：式中，n取值1、2、3、4，P，Q，R為線性回歸系數。網絡第五層為輸出層，是各條規則的累加，y＝∑On。3、根據步驟2建立優化NFN參數的遺傳算法模型，其特征在于修正了模糊神經網絡參數，使得計算值更加精確。建立符合度函數：F＝1/(1+E)(13)E為與控制目標的誤差，F(t)是模糊神經網絡模型的輸出；Fp是輸出的控制目標。4、根據步驟2所述的一種基于模糊神經網絡的化學分子生物毒性預測模型算法，其特征在于，完成上述步驟后，進行：步驟S4、利用優化后的模糊神經網絡模型對含氯取代基的乙烷的生物毒性值進行計算預測，代入步驟3中，最終計算出LC50。如表2所示。根據圖3和圖4所示可以發現，經過模糊神經網絡模型計算測得的值比原有的函數值更加精確，誤差值更小。表2以上所述，僅是本發明的較佳實施例而已，并非對本發明作任何形式上的限制，雖然本發明已以較佳實施例揭露如上，然而并非用以限定本發明，任何熟悉本專業的技術人員，在不脫離本發明技術方案范圍內，當可利用上述揭示的技術內容作出些許更動或修飾為等同變化的等效實施例，但凡是未脫離本發明技術方案的內容，依據本發明的技術實質對以上實施例所作的任何簡單修改、等同變化與修飾，均仍屬于本發明技術方案的范圍內。當前第1頁1&nbsp2&nbsp3&nbsp

總結

以上是生活随笔為你收集整理的python模糊神经网络预测_一种基于模糊神经网络的化学分子生物毒性预测模型算法的制作方法...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。