Определение аминокислот в неразделенных бинарных смесях с помощью метода искусственных нейронных сетей

Размещено на http://allbest.ru

5

Саратовский? государственный? университет

Кафедра прикладной? информатики

Кафедра аналитической химии и химической экологии

Определение аминокислот в неразделенных бинарных смесях с помощью метода искусственных нейронных сетей

Аравин Олег Игоревич,

Чернова Римма Кузьминична

Шевырев Сергей Павлович

г. Саратов, Россия.

Введение

Определение химического состава сложных природных и промышленных объектов обычно сопряжено с предварительным разделением компонентов. Традиционно для этого привлекаются трудоемкие методы экстракции, сорбции, осаждения и другие. Наиболее распространенные в настоящее время, эффективные методы молекулярного анализа многокомпонентных смесей органических веществ, такие как хроматография, капиллярный электрофорез, также основаны на предварительном разделении компонентов и последующем их детектировании.

В последнее время возросло количество исследований, посвященных изучению возможности применения хемометрических алгоритмов для определения отдельных ингредиентов в многокомпонентных смесях без их разделения. Изучаются методы множественной линейной регрессии [1], многомерной градуировки [2], искусственных нейронных сетей [4].

Применение хемометрических алгоритмов способно расширить возможности многих методов анализа, например, спектрофотометрического, потенциометрического, пьезокварцевого микровзвешивания и др., поскольку становится возможным анализ более сложных смесей (до 10 компонентов и более) без их разделения. Тем не менее, заранее нельзя оценить точность создаваемых методик, особенно, когда получаемый аналитический сигнал не аддитивен, или когда содержания компонентов различаются на порядок и более. В связи с этим необходимо моделирование различных многокомпонентных систем и сравнительное изучение их с помощью хемометрических алгоритмов.

Применение последних перспективно при анализе смесей 20 основных альфа-аминокислот, из которых построены молекулы белков и которые образуют многие другие разнохарактерные аминокислоты уже в составе белковой молекулы (примером последнего служит образование дисульфидных «мостиков» при окислении двух остатков цистеина в составе уже сформированных пептидных цепей). Смеси самих аминокислот, а также их сочетание со многими биологически активными веществами, широко применяются в медицине для парэнтерального питания больных, в животноводстве - для обогащения кормов, в пищевой промышленности, при синтезе красителей и лекарственных веществ.

Цель настоящего исследования состояла в изучении возможности применения метода искусственных нейронных сетей для спектрофотометрического определения незаменимых аминокислот, фенилаланина и тирозина, в их бинарных смесях как модельных системах. Выбор указанных аминокислот был обусловлен как их практической значимостью, так и спецификой электронных спектров поглощения.

Экспериментальная часть

Все исследования проводились нами в водных растворах при физиологических значениях pH (6.5-7.1). В этих условиях фенилаланин и тирозин находятся в форме цвиттерионов (табл. 1).

Табл. 1. Ионные формы исследуемых аминокислот

Было приготовлено 10 растворов смесей фенилаланина (Phe) и тирозина (Tyr), причем интервал концентраций фенилаланина составлял 3.72-9.08.10-3 мг/мл, интервал концентраций тирозина - от 0.16 до 5.5.10-2 мг/мл. Оптическая плотность растворов смесей варьировалась в интервале 0.5-2.0, интервал длин волн составлял 190-280 нм. В качестве среды разработки для создания и обучения нейронной сети был выбран Matlab, в котором имеется удобный и гибкий пакет для работы с нейронными сетями - Neural Network Toolbox [8]. нейронный спектр аминокислота смесь

Использование нейронной сети. Для решения поставленной задачи была выбрана модель двухслойной нейронной сети прямого распространения. Данная модель нейронной сети наиболее часто используется для решения подобных задач [5]. Нейронные сети, имеющие два и более слоев, имеют несколько отличительных факторов [4]:

Ш каждый нейрон сети имеет нелинейную функцию активации;

Ш сеть содержит один или несколько скрытых слоев нейронов, которые не являются частью входа или выхода сети;

Ш сеть обладает высокой степенью связности.

Входной слой нейронной сети, выполняющий задачу передачи входных значений на скрытый слой, состоял из 51 нейрона, что соответствовало количеству значений рассматриваемого диапазона спектра двухкомпонентной смеси. Количество нейронов скрытого слоя обычно подбирается экспериментально [5]. На основании опыта [6] использовалось скрытый слой из 22 нейронов, при этом выходной слой состоял из 2 нейронов, которые соответствуют искомым концентрациям веществ в смеси. На рис. 1 представлена общая архитектура созданной нейронной сети.

Рис. 1. Архитектура неи?роннои? сети

Обучение нейронной сети заключается в нахождении оптимальной комбинации весовых коэффициентов, соединяющих нейроны соседних слоев, при которой погрешность определения класса образа стремится к минимуму [7]. Считается, что если погрешность работы нейронной сети с данными, не участвующими в процессе обучения, находится в пределах установленной нормы, то сеть обладает хорошей обучающей способностью.

Результаты и их обсуждение

Фенилаланин и тирозин - ароматические аминокислоты - важнейшие биологически активные вещества, извлечение которых из ферментационных растворов, культуральных жидкостей и белковых гидролизатов с последующим раздельным определением на уровне микроколичеств относится к актуальным биотехнологическим и аналитическим задачам. Указанные аминокислоты не синтезируются в организме человека и должны поступать с пищей. Они активно участвуют в разнообразных обменных процессах.

Например, фенилаланин служит основным источником синтеза тирозина (рис. 2) - предшественника ряда биологически важных веществ (гормонов тироксина и адреналина, некоторых пигментов).

Как следует из схемы метаболизма фенилаланина и тирозина, уровень концентрации каждого из этих веществ в крови, плазме крови, моче и спинномозговой жидкости характеризует обменные процессы в организме и служит важным диагностическим фактором [3]. Поэтому разработка экспрессных и надежных методов определения этих аминокислот в смеси с разными другими сопутствующими биологически активными веществами весьма актуальна.

Рис. 2. Схема метаболизма фенилаланина и тирозина

Спецификой выбранных соединений являются характерные электронные спектры поглощения (рис. 3).

Рис. 3. УФ спектры светопоглощения водных растворов: фенила-бланина (а), тирозина (б)

Ш оценка возможности применения метода искусственных нейронных сетей для определения фенилаланина и тирозина по спектрам поглощения в двухкомпонентной модельной смеси;

Ш оценка точности и оптимизация разработанной методики (выбор спектральных диапазонов, ограничение объема обучающего набора и других.);

Ш адаптация разработанной методики для определения фенилаланина и тирозина в многокомпонентных смесях с другими неароматическими -аминокислотами.

Табл. 2. Исходные концентрации веществ в смесях

В качестве основы для формирования обучающей выборки были взяты 10 двухкомпонентных смесей тирозина и фенилаланина с различной концентрацией каждого вещества в смеси (табл. 2). В результате эксперимента была получена серия спектров данных смесей, которая представлена на рис. 4.

В данном случае спектр смеси выступал в качестве входного значения для нейронной сети, а концентрации веществ в смеси данного спектра выступали в качестве ожидаемого ответа.

Прежде чем разделить множество спектров на обучающую и тестирующую выборки, было решено расширить имеющееся множество спектров, поскольку размер данного множества представлялся слишком небольшим для корректного обучения нейронной сети [4].

Спектры, которыми было дополнено множество, были получены в результате разбиения значений граничных спектров на равные участки. В результате итоговое множество состояло из 180 спектров.

В качестве наиболее информативных значений спектра был выбран диапазон между 240 и 290 нанометрами.

Рис. 4. Спектры светопоглощения смесей из фенилаленина и тирозина различных концентраций

Обучение продолжалось в течение 500 эпох, после чего уровень ошибки достиг минимального значения и обучение было остановлено. Результаты тестирования показывают (табл. 3), что погрешность работы обученной нейронной сети над тестовыми данными, состоящими из дополненных и полученных в результате эксперимента спектров, находится в пределах 1%, и это означает, что нейронная сеть научилась обобщать информацию и способна эффективно определять концентрации веществ в двухкомпонентной смеси фенилаланина и тирозина.

Табл. 3. Погрешности работы нейронной сети на тестирующей выборке

Одним из факторов, определяющих способность нейронной сети к обобщению, является размер и представительность обучающей выборки.

Обучающая выборка обычно формируется из примеров, каждый из которых представляет собой результат эксперимента предметной области с определенным ответом.

Обучение нейронной сети производилось одним из наиболее популярных алгоритмов для обучения многослойных нейронных сетей - алгоритмом обратного распространения ошибки. Этот алгоритм основывается на коррекции ошибок, в процессе которого синаптические веса настраиваются с целью максимального приближения выходного сигнала сети к желаемому в статистическом смысле [4].

Табл. 4. Сравнительная таблица