Искусственные нейросети для прогноза влияния растворителя на черезкожную проницаемость химических веществ Medline.ru - медико-биологический информационный портал Медлайн.ру

Искусственные нейросети для прогноза влияния растворителя на черезкожную проницаемость химических веществ

Иванов Д.Г., Лысенко Ю.Н., Круглова А.А., Афонькина Е.А., Юдин М.А., Субботина С.Н.

ФГБУ «Государственный научно-исследовательский испытательный институт военной медицины» Министерства обороны Российской Федерации
ФГБОУ ВО СЗГМУ им. И. И. Мечникова Минздрава РФ

Резюме
Проанализированы искусственные нейросети, моделирующие регрессионную зависимость коэффициента проницаемости от молекулярной массы, числа акцепторов водородной связи вещества и растворителя, а также индикаторных переменных, учитывающих вид животных, тип диффузионных ячеек, форму вещества, число компонентов растворителя. Лучшая модель представлена многослойным персептроном с 19 входными нейронами, одним скрытым слоем из 5 нейронов и одним нейроном выходного слоя. Функция активации нейронов скрытого слоя гиперболический тангенс, нейрона выходного слоя - логистическая функция. Средняя квадратичная ошибка остатков многослойного персептрона в 1,22 раза меньше, чем у линейной регрессии.

Ключевые слова
многослойный персептрон; трансдермальный перенос веществ; эффект растворителя

(статья в формате PDF. Для просмотра необходим Adobe Acrobat Reader)

открыть статью в

новом окне

Список литературы

1. Selzer D., Schaefer U.F., Lehr C.M., Hansen S. Basic mathematics in skin absorption. Percutaneous penetration enhancers drug penetration into/through the skin. 2017. P. 9-10.

2. Gaddam P., Muthuprasanna P., Suriyaprabha K., Manojkumar J., Rao B.B., Jukanti R. Diffusion cells for measuring skin permeation in vitro. 2008. Vol. 5. P. 277-287.

3. Tsakovska I., Pajeva I., Al Sharifa M., Alova P., Fioravanzo E., Kovarich S., Worth A. P., Richarz A. N., Yang Ch., Mostrag-Szlichtyng A., Cronin M. T. Quantitative structure-skin permeability relationships. Toxicology. 2017. Vol. 387. P. 27-42.

4. Potts R.O., Richard H.G. Predicting skin permeability. Pharmaceutical research. 1992. Vol. 9. P. 663-669.

5. Abraham M. H., Martins F., Human skin permeation and partition: General linear free-energy relationship analyses. Journal of pharmaceutical sciences. 2004. Vol. 93. P. 1508-1523.

6. Кондрашов В.А. Значение кожного пути поступления химических веществ в организм и профилактика перкутанных отравлений. 2014. 287 с.

7. Кундиев Ю.И. Всасывание пестицидов через кожу и профилактика отравлений. 1975. 199 с.

8. Najib O.N., Kirton S.B., Martin G.P., Botha M.J., Sallam A.S., Murnane D. Multivariate analytical approaches to identify key molecular properties of vehicles, permeants and membranes that affect permeation through membranes. Pharmaceutics. 2020. Vol. 12. P. 958. doi:10.3390/pharmaceutics12100958.

9. Riviere J. E., Brooks J. D. Predicting Skin Permeability from Complex Chemical Mixtures: Dependency of Quantitative Structure Permeation Relationships on Biology of Skin Model Used. Toxicological sciences. 2011. Vol. 119. P. 224-232.

10. Samaras E. G., Riviere J. E., Ghafourian T. The effect of formulations and experimental conditions on in vitro human skin permeation. International Journal of Pharmaceutics. 2012. Vol. 434. P. 280- 291.

11. Atobe T., Mori M., Yamashita F., Hashida M., Kouzuki H. Artificial neural network analysis for predicting human percutaneous absorption taking account of vehicle properties. Toxicology. 2015. Vol. 40. P. 277-294.

12. Baba H., Takahara J. Yamashita F. Hashida M. Modeling and prediction of solvent effect on human skin permeability using support vector regression and random forest. Pharmaceutical Research. 2015. P. 3-4. DOI 10.1007/s11095-015-1720-4.

13. Sinco J.P. Martin´s physical pharmacy and pharmaceutical sciences. Physical chemical and biopharmaceutical sciences. 2011. P. 182-196

14. Регрессионный анализ в SPSS: учебное пособие / Яковлев В. Б., Яковлев И.В. // Москва: Эдитус. 2016. 69 с.

15. Введение в статистическое обучение с примерами на языке. Джеймс Г., Уиттон Д., Хасти Т., Тибширани Р. ДМК-Пресс. 2017. 254 с.

16. Нейронные сети. STATISTICA Neural Networks: Методология и технология современного анализа данных / Под. ред. В.П. Боровикова. Москва: Телеком. 2008. 394 с

17. Классификация, регрессия и другие алгоритмы Data Mining с использованием R. Шитиков В.К., Мастицкий C.Э. Тольятти, Лондон. 2017. 351 с.

18. Monteiro-Riviere N.A. Anatomical Factors Affecting Barrier Function. Marzulli and Maibachs Dermatotoxicology, 7th Edition. Boca Raton London New York: CRC PressTaylor & Francis Group. 2008. P. 43-52.