Информационно-поисковые и экспертные системы в аналитической химии

Обзор _________________________________________________ Рудакова Л.В., Рудаков О.Б. и Бердникова Н.В.

Размещено на http://www.allbest.ru/

2 ______________ http://butlerov.com/ ________________ ©--Butlerov Communications. 2011. Vol.24. No.2. P.1-15.

Тематический раздел: Научная методология. Обзор

Подраздел: Аналитическая химия. Регистрационный код публикации: 11-24-2-1

г. Казань. Республика Татарстан. Россия. __________ ©--Бутлеровские сообщения. 2011. Т.24. №2. __________ 1

Воронежская государственная медицинская академия

Информационно-поисковые и экспертные системы в аналитической химии

Рудакова Людмила Васильевна

Компьютеризация инструментальных методов химического анализа сопровождается разработкой все новых информационно-поисковых, информационно-аналитических и экс-пертных систем, позволяющих существенно повысить надежность идентификации, интерпре-тации аналитических данных, автоматизировать работу оператора в контроле качества много-компонентной продукции, по обобщенным критериям или целевым функциям оптими-зировать методики определения и так далее.

Классификация информационно-поисковых и экспертных систем. В настоящее время исчерпывающая общепринятая классификация информационно-поисковых (ИПС), информа-ционно-аналитических (ИАС) и информационно-экспертных систем (ИЭС) отсутствует, несмотря на то, что в разных областях науки и техники в России за последние 10 лет защи-щено более 100 диссертационных работ. Приведем ссылки лишь на некоторые работы, выполненные в последние годы [1-7].

В широком смысле любая информационная система (ИС) есть совокупность техничес-кого, программного и организационного обеспечения, а также персонала, предназначенная для того, чтобы своевременно обеспечивать надлежащих людей надлежащей информацией. Федеральный закон РФ от 27 июля 2006г. №149-ФЗ «Об информации, информационных технологиях и о защите информации» даёт следующее определение: «информационная сис-тема ? совокупность содержащейся в базах данных информации и обеспечивающих ее обработку информационных технологий и технических средств», т.е. ИС должна включать в себя базы данных (БД), систему управления базами данных (СУБД) и прикладные программы для решения задач в конкретной предметной области [8, 9].

Классификация информационных систем по архитектуре. По степени распределённости отличают настольные (desktop), или локальные ИС, в которых все компоненты (БД, СУБД, клиентские приложения) работают на одном компьютере; распределённые (distributed) ИС, в которых компоненты распределены по нескольким компьютерам. Распределённые ИС, в свою очередь, разделяют на файл-серверные ИС и клиент-серверные ИС (ИС с архитектурой «клиент-сервер»). В файл-серверных ИС база данных находится на файловом сервере, а СУБД и клиентские приложения находятся на рабочих станциях. В клиент-серверных ИС база данных и СУБД находятся на сервере, а на рабочих станциях находятся клиентские прило-жения. В свою очередь, клиент-серверные ИС разделяют на двухзвенные и многозвенные. В двухзвенных (two-tier) ИС всего два типа «звеньев»: сервер баз данных, на котором находятся БД и СУБД, и рабочие станции, на которых находятся клиентские приложения. Клиентские приложения обращаются к СУБД напрямую. В многозвенных (multi-tier) ИС добавляются промежуточные «звенья»: серверы приложений (application servers). Пользовательские кли-ентские приложения не обращаются к СУБД напрямую, они взаимодействуют с проме-жуточными звеньями.

Классификация ИС по степени автоматизации. Различают автоматизированные ИС (ав-томатизация частичная) и автоматические ИС (автоматизация полная).

Классификация ИС по характеру обработки данных. По характеру обработки данных ИС делятся на информационно-справочные, или информационно-поисковые (ИПС), в которых нет сложных алгоритмов обработки данных, а целью ИС является поиск и выдача инфор-мации в удобном виде; ИПС обработки данных, или решающие ИПС, в которых данные под-вергаются обработке по сложным алгоритмам. К таким системам в первую очередь относят автоматизированные системы управления и системы поддержки принятия решений (СППР).

Система поддержки принятия решений (англ. Decision Support System) ? компьютерная автоматизированная ИС, целью которой является помощь людям, принимающим решение в сложных условиях для полного и объективного анализа предметной деятельности. СППР возникли в результате слияния управленческих ИС и систем управления БД. Для анализа и выработок предложений в СППР используются разные методы. Это может быть информа-ционный поиск, интеллектуальный анализ данных, поиск знаний в БД, рассуждение на основе прецедентов, имитационное моделирование, эволюционные вычисления и генетические алгоритмы, нейронные сети, ситуационный анализ, когнитивное моделирование и др. Неко-торые из этих методов были разработаны в рамках искусственного интеллекта (ИИ). Если в основе работы СППР лежат методы ИИ, то говорят об интеллектуальной СППР. Близким к СППР классом систем являются экспертные системы (ЭС).

Классификация ИС по сфере применения. Поскольку ИС создаются для удовлетворе-ния информационных потребностей в рамках конкретной предметной области, то каждой предметной области (сфере применения) соответствует свой тип ИС.

В аналитической химии наиболее широкое применение находят ИПС - программно-аппаратные комплексы, предоставляющие возможность поиска справочной информации. Программной частью ИПС является поисковая машина ? комплекс программ, обеспечиваю-щий функциональность поисковой системы и являющийся, как правило, коммерческой тайной компании-разработчика ИПС. Наиболее распространены ИПС для опознания соеди-нения по его спектру.

Например, задача ИПС по молекулярной спектроскопии - отобрать из соответствующей БД эталонные спектры, подобные спектру пробы. Методология такого поиска обсуждена в [10-12]. Эти ИПС сталкиваются с 6-ю типичными поисковыми ситуациями:

Ш эталонный спектр аналита есть в БД, условия регистрации его близки к условиям регист-рации спектра исследуемой пробы;

Ш эталонный спектр аналита есть в БД, но получен в иных условиях регистрации;

Ш эталонный спектр есть в БД, но он недостаточно высокого качества;

Ш анализируемая проба является смесью компонентов, спектры которых есть в БД;

Ш анализируемая проба является индивидуальным веществом, но его эталонный спектр отсутствует в БД, в которой, тем не менее, есть похожие спектры гомологов, изомеров и других структурных аналогов аналита;

Ш эталонные спектры структурных аналогов аналита в БД отсутствуют.

Независимо от того, с какими спектрами работает ИПС, реализуются 5 стадий поиска: ввод запроса (спектра пробы и априорной информации о ней); предварительный отбор наибо-лее подходящих эталонных спектров; количественное сопоставление степени сходства спектров; формирование ответа на запрос, в котором ИПС выдает ранжированный перечень эталонных спектров, максимально похожих на спектр пробы. Перечень ограничивается с помощью априорно заданных граничных условий (критериев).

Большой интерес для химиков-аналитиков представляют также информационно-анали-тические системы - автоматизированные системы, позволяющие экспертам быстро анализи-ровать большие объемы данных. Иногда в состав ИАС включают систему сбора данных. Данные делятся на 3 вида - структурированные числовые данные (показатели), справочники и неструктурированные текстовые данные. ИАС, содержащие информацию по физико-химическим свойствам аналитов, по спектральным, хроматографическим данным, условиям инструментального анализа и т.п. являются чрезвычайно востребованными [10-12].

Классификация ИС по охвату задач (масштабности). Различают персональную ИС, предназначенную для решения некоторого круга задач 1 человека (рабочее место оператора); групповую ИС, ориентированную на коллективное использование информации членами рабочей группы или подразделения; наконец, корпоративную ИС, которая в идеале охва-тывает все информационные процессы целого предприятия, достигая их полной согласован-ности. Такие ИС иногда называют системами комплексной автоматизации предприятия.

Развитием ИАС и СППР являются экспертные системы, под которыми чаще всего понимают компьютерную программу, способную частично заменить специалиста-эксперта в разрешении проблемной ситуации. ЭС ? это прикладные системы ИИ, в которых база знаний (БЗ) представляет собой формализованные эмпирические знания высококвалифицированных специалистов (экспертов) в какой либо узкой предметной области. ЭС предназначены для замены при решении задач экспертов в силу их недостаточного количества, недостаточной оперативности в решении задачи или по иным причинам.

ЭС начали разрабатываться исследователями ИИ в 1970-х годах, а в 1980-х получили коммерческое подкрепление и в настоящее время интенсивно развиваются в прикладных областях [13-45], то есть. ЭС ? яркое и наиболее активно развивающееся направление исследований в области искусственного интеллекта. Отличительная их черта ? способность накапливать знания и опыт квалифицированных специалистов (экспертов) в какой-либо области. Затем, применяя эти знания, пользователи ЭС, не имеющие необходимой квалифи-кации, могут решать свои задачи почти столь же успешно, как это делают эксперты. Такой эффект достигается за счет того, что ЭС в своей работе воспроизводит примерно ту же цепочку рассуждений, что и человек-эксперт.

В информатике ЭС рассматриваются совместно с БЗ как модели поведения экспертов в определенной области знаний с использованием процедур логического вывода и принятия решений. Похожие действия выполняют программы-мастера (wizard), которые применяются как в системных программах, так и в прикладных для интерактивного общения с пользователем (например, при установке ПО). Главное отличие мастеров от ЭС ? отсутствие БЗ; все действия жестко запрограммированы. Это просто набор форм для заполнения пользователем.

Другие подобные программы ? поисковые или справочные (энциклопедические) системы. По запросу пользователя они предоставляют наиболее подходящие (релевантные) разделы базы статей (представления об объектах областей знаний, их виртуальную модель).

ЭС в отличие от решения задач по алгоритму не исключает пользователя из решения, наоборот, сохраняет за ним инициативу. В то же время ЭС не является просто пассивным источником полезной информации подобно книжному справочнику или БД. В нужные мо-менты ЭС подсказывает необходимое направление решения задачи, развивает цепочки умозаключений, объясняет свои действия. В структуру ЭС включают интерфейс пользова-теля, самого пользователя, интеллектуальный редактор БЗ, эксперта, инженера по знаниям, рабочую (оперативную) память, БЗ, решатель (механизм вывода) и подсистему объяснений.

База знаний - это основа интеллектуального обеспечения ЭС, представляющая собой совокупность программных средств, которые обеспечивают хранение, накопление, удаление, поиск, переработку и запись в память ЭВМ разнообразных моделей представления знаний в различных сложно структурированных формах. БЗ могут содержать модели 3 типов знаний: предметные знания, управляющие знания, и метазнания. Предметные знания - это совокупность декларативных и процедурных знаний предметной области. Управляющие знания - совокупность знаний о различных стратегиях принятия решений в предметной области. Метазнания - это знания о знаниях, которые в компьютерной форме хранятся в БЗ, и о процедурах, которые можно совершать со знаниями, хранящимися в БЗ. Метазнания применяются для адекватного выбора правил при текущем состоянии базы фактов.

БЗ для хранения экспертных знаний о предметной области, используемых при решении задач ЭС содержит факты (статические сведения о предметной области) и правила анализа информации от пользователя по конкретной проблеме. ЭС анализирует ситуацию и, в зависимости от направленности ЭС, дает рекомендации по разрешению проблемы.

База знаний ЭС создается при помощи 3 групп людей: экспертов той проблемной области, к которой относятся задачи, решаемые ЭС; инженеров по знаниям, являющихся специалистами по разработке ИС и программистов, осуществляющих реализацию ЭС.

База данных - это совокупность программных средств, обеспечивающих накопление, поиск, хранение и запись информационных единиц заданной структуры данных (массивы, файлы, списки и так далее), используемых под управлением системы управления базами дан-ных. БД предназначена для временного хранения фактов или гипотез, являющихся проме-жуточными решениями или результатом общения ЭС с человеком, ведущим диалог с ЭС.

Машина логического вывода - механизм рассуждений, оперирующий знаниями и данными с целью получения новых данных из знаний и других данных, имеющихся в рабочей памяти. Для этого обычно используется программно реализованный механизм дедуктивного логического вывода (какая-либо его разновидность) или механизм поиска решения в сети фреймов или семантической сети. Машина логического вывода может реализовывать рассуж-дения в виде: дедуктивного вывода (прямого, обратного, смешанного); нечеткого вывода; вероятностного вывода; унификации (подобно тому, как это реализовано в языке Пролог); поиска решения с разбиением на последовательность подзадач; поиска решения с использова-нием стратегии разбиения пространства; поиска с учетом уровней абстрагирования решения или понятий, с ними связанных; монотонного или немонотонного рассуждения, рассуждений с использованием механизма аргументации; ассоциативного поиска с использованием нейронных сетей; вывода с использованием механизма лингвистической переменной.

Подсистема общения служит для ведения диалога с пользователем, в ходе которого ЭС запрашивает у пользователя необходимые факты для процесса рассуждения, а также, дающая возможность пользователю в какой-то степени контролировать и корректировать ход рассуж-дений экспертной системы. ЭС должна содержать не менее 50 правил, обеспечивать не менее, чем двухуровневое принятие решений (с использованием промежуточных фактов). В наибо-лее продвинутых ЭС база знаний увеличивается до 1000-10000 правил.

Для разработки ЭС используют те же языки и системы программирования, что и для обычных программ, но наличие таких специфических для ИИ структурных частей, как логи-ческий вывод, естественно-языковый интерфейс, делает предпочтительным использование для разработки ЭС таких языков ИИ, как CLIPS, Пролог (Prolog) и специальных средств поддержки разработки. Особенно перспективной для ЭС оказалась реализация языка Пролог. Основная идея логического программирования состоит в отделении логики программы от управления ходом вычислений, что делает процесс создания программы более прозрачным. В рамках логической модели БД и БЗ записываются на языке Пролог с помощью языка предикатов для описания фактов и правил логического вывода, выражающих правила опре-деления понятий, для описания обобщенных и конкретных сведений, а также конкретных и обобщенных запросов к БД и БЗ.

В ЭС представление знаний выводится не только в виде продукционных правил, но и фреймов, используются также семантические сети и комбинированные (гибридные) представ-ления. Каждая из этих моделей имеет свои преимущества и недостатки, например, семанти-ческая сеть хранит связанную информацию вместе, но в ней затруднено построение выводов из этой информации. С другой стороны Пролог имеет готовый механизм для построения логических выводов, но не хранит связанную информацию вместе. Большие БЗ хранятся обычно на дисках и только необходимая в данный момент часть ? в оперативной памяти. Создание эффективных БЗ для хранения правил, фреймов и т.д. является актуальной задачей.

Источниками знаний для конкретной ЭС могут быть учебники, справочники, материалы конкретных исследований в проблемной области и так далее. Сами разработчики могут иметь теоретические знания и практический опыт в данной области. Но классическим источником знаний является эксперт - профессионал в данной предметной области. Таким образом, приобретение знаний требует учёта человеческого фактора. Для успешного решения этой проблемы необходимы совместные усилия математиков, программистов, психологов, т.е. на настоящий момент нет готовых систем, позволяющих исключить человека из цепочки, причастной к формированию БЗ.

ЭС может функционировать в 2-х режимах: режиме ввода знаний, в котором эксперт с помощью инженера по знаниям вводит известные ему сведения о предметной области в базу знаний ЭС; и в режиме консультации, когда пользователь ведет диалог с ЭС, сообщая ей сведения о текущей задаче и получая рекомендации ЭС. По принципам работы ЭС можно разбить на 2 типа.

Экспертная система на правилах. Во всех ЭС существует зависимость между входным потоком данных и данными в БЗ. Во время консультации входные данные сопоставляются с данными в БЗ. Результатом сопоставления является отрицательный или утвердительный ответ. В системе, базирующейся на правилах, утвердительный результат является действием одного из продукционных правил. Эти продукционные правила определяются входными данными. ЭС, базирующаяся на правилах, содержит интерпретатор в механизме вывода, который выбирает и активизирует различные модули системы.

Представление знаний с помощью правил продукции - самая распространённая форма реализации БЗ. С помощью продукций можно описать практически любую систему знаний. На них основаны все ранние ЭС, а также подавляющее большинство современных ЭС в различных предметных областях. В целом продукционная форма представления знаний является естественной и удобной для формализации знаний, полученных у эксперта.

Фрейм-структуры в определённой степени стали развитием метода электронных таблиц в области обработки знаний. Это вторая по частоте встречаемости в реализованных ЭС форма представления знаний. Фрейм-структуры наиболее разумно применять в предметной области с чётко выраженной иерархической структурой.

Экспертные системы, базирующиеся на логике. В ЭС, базирующихся на логике, БЗ состоит из утверждений в виде предложений логики предикатов. Такие предложения могут группироваться, образуя БД. Правила могут либо описывать данные, либо управлять процесс-сом внутренней унификации Пролога. ЭС, основанные на логике, также имеют множество правил, которые могут вызываться с помощью данных из входного потока. Наиболее важным аспектом для БЗ в этой системе является проектирование БЗ. Она должна иметь недвусмыс-ленную логическую организацию и содержать минимум избыточной информации. Так же как и в системе, базирующейся на правилах, минимально достаточное количество данных обра-зуют наиболее эффективную ЭС.

ЭС классифицируют также по решаемой задаче. Так, различают ЭС для интерпре-тации данных, диагностирования, мониторинга, проектирования, прогнозирования, сводного планирования, обучения, управления, ремонта, отладки. Кроме того, по связи с реальным временем выделяют статические, квазидинамические и динамические ЭС.

Еще один аспект классификации ЭС ? области их приложения. Наиболее широко встречающиеся области деятельности, где используются ЭС: медицина, вычислитель-ная техника, военное дело, микроэлектроника, радиоэлектроника, экономика, экология, геология (поиск полезных ископаемых), математика, химическая технология, аналити-ческая химия [13-45].

По степени сложности структуры ЭС делят на поверхностные (простые) и глубинные (сложные). Поверхностные ЭС представляют знания в предметной области в виде продук-ционных правил. Глубинные ЭС обладают способностью при возникновении неизвестной ситуации определять с помощью некоторых общих принципов и метазнаний, справедливых для предметной области, какие действия следует выполнить. На разработку простой ЭС с помощью ПК обычно тратят от 3 месяцев до 1 года, она включает БЗ, содержащую от 50-1000 правил. Сложная ЭС выполняется на специальной символьной ЭВМ, либо на мощной универсальной ЭВМ, либо на интеллектуальной рабочей станции; время разработки - от 1 до 5 лет; её БЗ содержит от 1500-10000 правил.

По типу используемых методов и знаний ЭС делят на традиционные и гибридные. Традиционные ЭС используют в основном неформализованные методы представления знаний и неформализованные знания, полученные из различных источников знаний и от экспертов. Гибридные (или интегрированные) ЭС используют методы инженерии знаний и формализо-ванные методы, а также традиционное программирование и математические методы.

В настоящее время сложилась определенная технология разработки ЭС, которая вклю-чает несколько этапов.

Ш Этап идентификации проблем ? определяются задачи, которые подлежат решению, выявляются цели разработки, определяются эксперты и типы пользователей.

Ш Этап извлечения знаний ? проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач.

Ш Этап структурирования знаний ? выбираются ИС и определяются способы представления всех видов знаний, формализуются основные понятия, определяются способы интерпре-тации знаний, моделируется работа системы, оценивается адекватность целям системы зафиксированных понятий, методов решений, средств представления и манипулирования знаниями.

Ш Этап формализации ? осуществляется наполнение экспертом базы знаний. В связи с тем, что основой ЭС являются знания, данный этап является наиболее важным и наиболее трудоемким этапом разработки ЭС. Процесс приобретения знаний осуществляется инже-нером по знаниям на основе анализа деятельности эксперта по решению реальных задач.

Ш Реализация ЭС ? создается один или нескольких прототипов ЭС, решающие требуемые задачи.

Ш Этап тестирования ? производится оценка выбранного способа представления знаний в ЭС в целом.

По степени готовности к использованию и распространению различают 4 прототипа экспертных систем.

Демонстрационный прототип ЭС предназначен для демонстрации возможностей буду-щей ЭС, основных архитектурных решений, пользовательского интерфейса, для уточнения требований к пользовательскому интерфейсу и функциям, выполняемым экспертной систе-мой, содержит демонстрационную, далеко неполную БЗ.

Исследовательский прототип ЭС предназначен для исследования направлений дальней-шего совершенствования ЭС и для пополнения БЗ, может использоваться для решения реаль-ных задач в ограниченных пределах;

Промышленный прототип ЭС предназначен для использования, как правило, в органи-зации, где был разработан, в нем возможны ограничения, условности, специализация, свойст-венные для данной организации;

Коммерческий прототип ЭС предназначен для широкого распространения, обладает гибкостью, удобством в эксплуатации, адаптируемостью к конкретным задачам и требова-ниям широкого круга пользователей.

Для решения неформализованных задач в аналитической химии необходимо создавать прежде всего гибридные ЭС, которые в реальном масштабе времени генерируют наряду с семантическими решениями также и количественные, или численные, решения (на основе создания и использования цифровых математических моделей), соответствующие этим семантическим решениям. Типичная ЭС, по мнению Мешалкина В.П., должна обладать следующими основными свойствами: компетентностью; способностью к рассуждениям; способностью решать нетривиальные неформализованные задачи из реальных предметных областей, способностью самосознания [13].

Компетентность ЭС заключается в том, что сгенерированные ЭС решения неформа-лизованных задач должны быть такого же высокого качества, как и у эксперта в конкретной области знаний.

Способность к рассуждениям при поиске оптимальных решений на основе переработки знаний, представленных в символьной форме на естественном языке, определяется тем, что ЭС должна уметь (как и эксперт) при поиске семантических решений обходиться без математических вычислений, проводя символьные рассуждения.

ЭС должна иметь глубокие знания, то есть способность работать эффективно в узкой области знаний, содержащей трудные, нетривиальные задачи. ЭС должна обладать самосоз-нанием, то есть иметь метазнания, позволяющие им рассуждать о собственных действиях, и структуру, упрощающую такие рассуждения.

Применение информационно-поисковых, информационно-аналитических и экс-пертных систем в химическом анализе. В аналитической химии в настоящее время широ-кое применение получили ИПС и ИАС, основанные на использовании крупных БД, так назы-ваемых банков коллективного пользования. Такие БД и сопряженные с ними ИПС созданы для рентгенофазового анализа, ИК спектроскопии, ЯМР и масс-спектрометрии, а также для других спектральных, хроматографических и иных гибридных методов [10].

В качестве примеров можно привести БД Chemical Abstracts (CA), которая содержит авторефераты публикаций по химической тематике, в том числе по аналитической химии; БД BEILSTEIN, которая включает информацию не только о методах синтеза и реакциях, но и данные о свойствах органических соединений; БД HSDB, которая содержит информацию по токсичности и экологической безопасности химических веществ, а также о методах их обнаружения; БД MERCK, включающую краткое описание лекарственных средств, БАВ и природных продуктов; БД HODOC, содержащую данные по физико-химическим (темпера-туры кипения, плавления, плотность, растворимость и так далее) и спектральным свойствам (ИК-, УФ-, ЯМР- и масс-спектры) органических веществ; и наконец, БД SPECINFO, которая содержит информацию о спектрах ЯМР, а так же ИК- и масс-спектрах веществ [10].

Для химиков-аналитиков, занимающихся идентификацией органических соединений, наибольший интерес представляют базы SPECINFO и HODOC. Так, SPECINFO содержит более 65 тыс. масс-спектров, 80 тыс. ЯМР-спектров, 17 тыс. ИК-спектров, спектральная информация дана для 150 тыс. соединений.

Наряду с крупными БД универсального характера создаются БД персонального пользо-вания, связанные, как правило, лишь с одним методом анализа, например, БД по хромато-графическим свойствам индивидуальных и бинарных растворителей для ВЭЖХ [58], по спектроскопии в УФ и видимой области, по ЭПР-, КР- , атомно-эмиссионной и ОЖЭ-спектро-скопии [10]. Информационные технологии в химическом анализе зачастую основываются на ПО для обработки результатов анализа и ЭС по сортировке и оценке результатов анализа [10, 46].

Краснов А.Е. с соавторами предложил несколько простых ЭС для оценивания качества жидких пищевых сред, ликероводочных изделий по совокупности их инструментальных и органолептических показателей, а также бензинов по ИК спектрам [59]. Эти системы, не смотря на декларируемое отнесение к ЭС, следует отнести к ИАС, так как и размер БД, и количество алгоритмов и правил, реализованных в этих системах не велико.

Другой вариант БД персонального пользования - специализированная область примене-ния. Например, БД Clarke's Analysis of Drugs and Poisons [60], которая содержит информацию о 1730 наиболее распространенных БАВ, наркотиках, пестицидах и сильнодействующих веществах. БД включает данные не только о структуре, физико-химических и токсических свойствах веществ, но и ИК, УФ, ЯМР, масс-спектры, цветные тесты, условия анализа мето-дами ТСХ, ГЖХ и ВЭЖХ, библиографию и медицинский глоссарий.

Аналогичная, но более крупная БД AHFS Drug Information [61], созданная при под-держке American Society of Health-System Pharmacists, содержит более 1200 статей по 50 тыс. лекарственных средств, 75 тыс. ссылок и 50 тыс. гиперссылок на известный медицинский сайт PubMed.

Как для химиков-аналитиков, так и для фармацевтов представляет интерес БД Stability-Indicating HPLC for Drug Analysis [62], которая содержит информацию о наиболее надежных валидированных методиках анализа 572 фармацевтических препаратов с применением ВЭЖХ. БД содержит 851 статью о 1028 методиках.

К наиболее известной и распространённой ЭС относится CLIPS, первые версии которой разрабатывались с 1984 г. в Космическом центре Джонсона (Johnson Space Center). CLIPS является широко используемой ЭС благодаря своей скорости, эффективности и бесплатности [14], она имеет дело с правилами и фактами и использует полноценный объектно-ориентиро-ванный язык COOL для написания ЭС.

Популярной ЭС является OpenCyc - динамическая ЭС с глобальной онтологической моделью и поддержкой независимых контекстов [16].

В 2009 г. была запущена еще одна мощная ЭС WolframAlpha - база знаний с набором вычислительных алгоритмов [45]. Эта ЭС не возвращает перечень ссылок, основанный на результатах запроса, а вычисляет ответ, основываясь на собственной БЗ, которая содержит данные о математике, физике, астрономии, химии, биологии, медицине, истории, географии, политике, музыке, кинематографии, а также информацию об известных людях и интернет-сайтах. ЭС способна переводить данные между различными единицами измерения, системами счисления, подбирать общую формулу последовательности, находить возможные замкнутые формы для приближенных дробных чисел, вычислять суммы, пределы, интегралы, решать уравнения и системы уравнений, производить операции с матрицами, определять свойства чисел и геометрических фигур [45].

Приведем еще несколько примеров известных эффективных ЭС.

DENDRAL - ЭС для распознавания химических структур. Данная система старейшая, из имеющих название экспертных. Первые версии данной системы появились еще в 1965 г. в Стенфордском университете. Пользователь дает системе DENDRAL некоторую информацию о веществе, а также данные спектрометрии (ИК, ЯМР и масс-спектрометрии), и та в свою очередь выдает диагноз в виде соответствующей химической структуры [17].

META-DENDRAL ? ЭС для распознавания структуры сложных органических молекул по результатам масс-спектрометрической фрагментации. ЭС помогает химикам определять зави-симость масс-спектрометрической фрагментации от структурных особенностей молекул. Она осуществляет это, находя правила фрагментации для данного класса молекул. Система выводит эти правила из обучающих примеров, содержащих наборы молекул с известными трехмерными структурами и масс-спектрами. Вначале META-DENDRAL порождает совокуп-ность весьма специфических правил, описывающих одиночный процесс фрагментации для конкретной молекулы. Затем она использует обучающие примеры для обобщения таких правил. Наконец, система пересматривает полученные правила, чтобы исключить избыточ-ные или некорректные правила. META-DENDRAL реализована на языке Интерлисп. Она была разработана в Стенфордском университете и доведена до уровня исследовательского прото-типа.

Система С-13 оказывает помощь химикам-органикам при определении структуры вновь выделенных природных соединений. С-13 помогает химику анализировать спектры ЯМР 13С, используя поиск посредством уточнения ограничений для определения взаимного располо-жения атомов и связей в сложных органических молекулах. В базе знаний ЭС содержатся правила, связывающие характеристики подструктур (связей) со спектральными характеристи-ками (данными ЯМР); они выведены автоматически по информации для известных молеку-лярных структур. ЭС С-13 была разработана как часть проекта DENDRAL и соответствует принятой в DENDRAL парадигме «порождение и проверка». Система также реализована на языке Интерлисп. Она разработана в Стенфордском университете и доведена до стадии демонстрационного прототипа [47].

Система CONGEN помогает специалистам по структурной химии определять наборы возможных структур неизвестных соединений. Химики предоставляют системе CONGEN спектрометрические и химические данные, перечень необходимых и запрещенных связей между атомами в соединении. CONGEN находит все возможные способы составления из атомов молекулярных структур, удовлетворяющих указанным ограничениям, и предоставляет в распоряжение специалиста-химика ряд структурных схем соединений, образующих исчер-пывающий список таких структур-кандидатов. Система порождает структуры-кандидаты, используя разнообразные алгоритмы теории графов. CONGEN реализована на языке Интер-лисп. Она была разработана в Стенфордском университете также как часть системы DENDRAL и используется в качестве генератора гипотез в системе Heuristic DENDRAL. Система CONGEN доведена до уровня исследовательского прототипа [48].

Система CRYSALIS определяет трехмерную структуру белка по распределению плот-ности электронов (EDM). Система интерпретирует информацию по дифракции рентгеновских лучей, включающую информацию о положении и интенсивности рассеянных волн, и выводит атомную структуру. Система использует знания о составе белка и рентгеноструктурном анализе, а также эвристики, чтобы с помощью анализа EDM получать и проверять гипотезы относительно правдоподобных белковых структур. CRYSALIS использует архитектуру типа доски объявлений, содержащей независимые источники знаний для выдвижения и проверки многоуровневой структуры гипотез. Система разработана в Стенфордском университете и доведена до уровня исследовательского прототипа [48].

Система GA1 производит анализ структуры ДНК по данным сегментирования молекул ДНК с помощью ферментов. В систему вводятся данные об усвоении ДНК ферментами, топологии, возможных погрешностях экспериментов и другие ограничения. После повтор-ного порождения и отбрасывания структур-кандидатов, в конце концов, определяются наибо-лее вероятные структуры ДНК. Знания и эвристики, содержащиеся в GA1, представляют в сущности заимствованную из учебника биохимии теоретическую модель анализа ДНК с помощью ферментов-рестриктаз, дополненную знаниями о характере погрешностей, свойст-венных лабораторным определениям. GA1 позаимствовала парадигму «порождения и про-верки», использованную в DENDRAL. Гипотезы, предлагаемые программой-генератором, основаны на процедуре перечисления всех возможных решений. Система предоставляет пользователю возможность регулировать уровень допустимых противоречий, чтобы компен-сировать незначительные объемы ошибочных данных. GA1 написана на языке INTERLISP. ЭС разработана в Стенфордском университете и доведена до уровня исследовательского прото-типа [48].

Система MOLGEN помогает генетику при планировании экспериментов по клонирова-нию генов в молекулярной генетике. Эти эксперименты состоят из встраивания гена, коди-рующего желаемый белок, в генетический аппарат бактерии, чтобы эта бактерия воспроизво-дила такой ген. Система использует знания по генетике и задачу, поставленную пользова-телем, чтобы создать общий план, а затем превратить его в последовательность конкретных лабораторных опытов. MOLGEN использует ориентированные на объекты и основанные на фреймах представление знаний и схему управления. Она реализована на языках LISP и UNITS. Система была разработана в Стенфордском университете. MOLGEN является скорее удобным инструментом проверки подходов к проектированию системы планирования экспе-риментов по молекулярной генетике, чем работающей ЭС [48]. информационный экспертный аналитический химия

Система SEQ помогает специалистам по молекулярной биологии в проведении несколь-ких видов анализа нуклеотидных последовательностей. Эта система может запомнить, отыс-кать и проанализировать последовательности нуклеотидов нуклеиновых кислот, а также про-вести статистический анализ структурной гомологии и симметрии. Схема поиска у SEQ мо-жет быть приспособлена к нуждам пользователя изменением значений параметров, прини-маемых по умолчанию; например, биолог может менять веса штрафной функции и размер промежутка при сглаживании по Нидлеману-Уинху. SEQ реализована на языке LISP. Она была разработана в виде части проекта MOLGEN в Стенфордском университете, дальнейшую ее разработку осуществила фирма Intellicorp. Она доведена до уровня коммерческой системы [48].

Система GAMMA помогает ядерным физикам определять химический состав неизвест-ных материалов, интерпретируя спектры гамма-излучения, вызванного бомбардировкой материала нейтронами. Система выполняет анализ спектров, используя знания о характерных энергиях и интенсивностях излучения, испускаемого различными веществами. Знания приме-няются системой в рамках парадигмы «породить и проверить». Система разработана компа-нией Schlumberger-Doll Research и доведена до уровня исследовательского прототипа [48].

Система TQMSTUNE точно настраивает квадрупольный масс-спектрометр (TQMS), интерпретируя такие характеристики сигналов от TQMS, как отношения величин спектраль-ных пиков, их ширина и форма. Система использует знания о том, как изменяя настройку TQMS, можно повлиять на его чувствительность и форму спектров. Знания представлены с помощью фреймовых конструкций КЕЕ, языка, на котором реализована система TQMSTUNE. Система была разработана в Intellicorp и достигла уровня исследовательского прототипа [48].

КОМПАС-МС - ЭС по масс-спектрометрии, основу которой составляет БД о масс-спект-рах низкого разрешения и структурных формулах около 50000 органических соединений. В ЭС представлены полные спектры из отечественных и зарубежных источников. В системе реализовано 5 поисковых (ПОИСК-1, ПОИСК-2, ПОИСК-А, ПОИСК-В, ПОИСК-АВ) и 5 аналитических процедур (ММБФ, ФРАГ, ГЕНС, СТАТ-А и СТАТ-В) [10].

Процедуры ПОИСК-1 и -2 предназначены для отбора из БД соединений, удовлетворяю-щих заданному набору спектральных и физико-химических признаков (m/z ионов, молекуляр-ная масса, элементный состав и структурный фрагмент и др.). ПОИСК-А,-В,-АВ предназна-чены для отбора из БД соединений со спектрами, наиболее близкими к спектру аналита. ММБФ определяет молекулярную массу и формулу аналита по масс-спектру, ФРАГ выявляет крупные структурные фрагменты аналита, ГЕНС генерирует на основе установленной инфор-мации возможные структуры аналита и ранжирует их по вероятностным критериям. СТАТ-А и -В анализируют спектры с целью выявления характеристических признаков. По мнению Вершинина В.И. система КОМПАС-МС не уступает другим известным коммерческим ИАС в области масс-спектрометрии (МSSS, STIRS, PBM, SISCOM), а по ряду показателей превос-ходит их [10].

ХимАрт - мультиспектральная ЭС для решения структурных задач. Эта ИАС включает базы данных типа «структура - спектр» по масс-спектрометрии (50 тыс. записей), ИК-спектроскопии (35 тыс.), ЯМР 1Н (44 тыс.), ЯМР 13С (27 тыс.). Структурные формулы соединений в БД представлены в виде молекулярных графов. Система ищет в БД спектры, наиболее близкие спектрам аналита, выявляет структурные фрагменты аналита, определяет молекулярную массу и брутто-формулу и так далее. [10].

С целью идентификации веществ по хроматографическим данным - параметрам удерживания в различных условиях (ГЖХ, ВЭЖХ, ионная хроматография) было разработано достаточно большое количество ИПС, ИАС и ЭС [10, 58]. Наиболее продвинутой ЭС, используемой в аналитической ВЭЖХ, является DryLab фирмы LC Resources Inc. [49-52]. Эта программа более 20 лет постоянно совершенствуется в результате интернационального и междисциплинарного сотрудничества большой группы ученых и достигла уровня коммер-ческого прототипа. DryLab имеет множество приложений в хроматографической лаборатории [49]. ЭС позволяет за короткое время оптимизировать разделение аналитов как в условиях обращенно-фазовой, так и нормально-фазовой ВЭЖХ, прогнозирует ошибкоустойчивость методики, моделирует удерживание в изократическом и градиентном режиме для бинарных и тройных ПФ, находит оптимум рН, ионной силы, оптимизирует температурную программу, определяет эффект влияния замены колонки, размера частиц, объемной скорости потока. Одновременно можно варьировать обращенно-фазовый изократический состав и темпе-ратуру, градиент состава и температуру, изократический и градиентный состав ПФ и вели-чину рН. По образцовым измерениям параметров удерживания критической пары аналитов DryLab проектирует линейные или сегментированные градиенты. В настоящее время пакет DryLab активно адаптируется к капиллярному электрофорезу.

Экспертную систему ChromSword Auto предлагает фирма Agilent Technologies Inc [53]. Она ориентирована в первую очередь на оптимизацию условий ОФ ВЭЖХ. ЭС использует физико-химическую модель удерживания, производную от свойств или структурных формул аналитов и характеристики колонки. Она предназначена для минимизации числа опытов и оптимизации методики, исходя из теоретически предсказанного оптимального метода. С возможностями данной ЭС можно ознакомиться в публикациях [54-55].

В настоящее время разрабатываются ЭС, адаптированные под накопление хроматогра-фической информации и способные копировать изображение и отчеты в текстовые редакто-ры, HTML-редакторы и электронные таблицы. При этом сохраняется возможность редакти-ровать хроматограмму (отчет, вид изображения, шкалу, нумерацию пиков и т.п.). В качестве примера такой ЭС можно назвать Chrom Merge, распространяемую фирмой LC Resources Inc. [56]. Она полностью совместима со средой Windows, с офисными пакетами программ Word и Excel. ЭС оперирует стандартизированными данными в формате Andi (Analytical data interchange) и конвертирует файлы в форматы 10 наиболее распространенных программ обработки хроматографических данных.

Другой полезной ЭС для ЖХ является HPLC Column Manager 6, предлагаемая фирмой Limathon Limited [57]. Она разработана для учета и контроля над работой колонок. В оболочке HPLC Column Manager 6 фиксируются все данные о колонках. На основе внесенных данных по критериям, определенным пользователем, ЭС выдает рекомендации, какую колон-ку применить для разделения аналитов. В нее подключены 10 БД по типам сорбентов, поиску и устранению неисправностей, смешиваемости растворителей и так далее. ЭС совместима с БД ChromView, в которую включено около 5000 примеров анализа методом ВЭЖХ для 20000 аналитов.

Демонстрационный прототип ЭС по выбору оптимального бинарного элюента для нормально- и обращенно-фазовой ВЭЖХ с УФ- и рефрактометрическим детектированием, которая учитывает до 9 физико-химических и технико-эксплуатационных параметров обращенной и нормальной ПФ (около 100 систем) и до 3 параметров аналита в работе [58] предложил Рудаков О.Б. Прототип ЭС реализован в оболочке рабочей книги MS Excel. Данная система получила дальнейшее развитие в работах [63, 64]. В работах [65-68] про-должается накопление продукционных правил и экспериментальных данных для рассматри-ваемой ЭС.

Систему IONCHROM для аналитической ионной хроматографии разработал Долгоносов А.М. с соавторами [69-70]. Им был предложен методологический подход к анализу сложных ионных смесей с применением ЭС IONCHROM. Разработчики исходили из того, что проблема идентификации характеристической смеси сводится либо к одному из ниже перечисленных частных случаев, либо к их комбинации:

Ш концентрация основного компонента смеси (макрокомпонента) во много раз превышает концентрацию аналита (микрокомпонента);

Ш компонент присутствует в анализируемом растворе в количестве, меньшем, чем предел его обнаружения при анализе данным способом;

Ш компонент в растворе представлен несколькими ионными формами, соответствующими различным степеням окисления;

Ш в смеси присутствуют компоненты, времена удерживания которых при данных условиях разделения совпадают, и соответствующие им хроматографические пики накладываются;

Ш в смеси присутствуют компоненты, времена удерживания которых различаются настоль-ко, что они не могут быть определены в одних и тех же условиях эксперимента;

Ш анализируемая проба содержит компонент, который не детектируется выбранным спосо-бом.

ЭС IONCHROM имитирует работу ионного хроматографа. Исходными данными для проведения расчетных экспериментов по программе являются реальные характеристики хроматографической системы и физико-химические константы, характеризующие компонен-ты элюента и пробы. IONCНROM позволяет решать три основные задачи математического моделирования:

Ш прямая задача - построение теоретической хроматограммы;

Ш обратные задачи двух типов - определение физико-химических характеристик ионов (или уточнение параметров хроматографической системы при сопоставлении теоретической и экспериментальной хроматограмм) и определение качественного и количественного состава анализируемого образца;

Ш задача оптимизации - выбор наилучших условий разделения заданной ионной смеси с помощью выбранной хроматографической системы.

В процедуре анализа сложных смесей ЭС необходимы следующие шаги:

Ш постановка задачи и выбор базового способа анализа объекта на основе первичной информации в соответствии с типом ионной смеси;

Ш расчет теоретической хроматограммы (решение прямой задачи) и выбор наилучших условий разделения смеси;

Ш проведение хроматографического эксперимента в выбранных условиях;

Ш сравнение экспериментальной и расчетной хроматограмм;

Ш определение качественного и количественного состава объекта (решение аналитической обратной задачи) при совпадении хроматограмм;

Ш при несовпадении хроматограмм - уточнение значений параметров хроматографической системы и физико-химических характеристик ионов (решение исследовательской обрат-ной задачи) или уточнение типа характеристической смеси и корректировка аналитичес-кой задачи.

Применение рассмотренной ЭС в ходе химического анализа позволяет при минималь-ном числе экспериментов расширять при необходимости границы аналитической задачи, получая дополнительную информацию об объекте исследования на каждой итерации. В случае невозможности решения поставленной задачи с помощью заданного инструмен-тального метода следует вывод о необходимости найти дополнительный способ анализа. Эта ЭС полезна при создании новых методик. С ее помощью можно априори испытывать различные варианты условий, например, хроматографического разделения характеристичес-ких компонентов, меняя такие параметры, как емкость разделяющего сорбента, состав и рН элюента, ионная форма сорбента-подавителя, скорость элюирования, объем вводимой пробы и так далее.

Заключение

Информационно-поисковые, информационно-аналитические и экспертные системы в настоящее время являются неотъемлемой частью рабочего места современного химика-ана-литика, которые позволяют с более высокой надежностью, эффективностью и меньшими затратами времени, трудовых и материальных ресурсов решать как простые рутинные задачи качественного и количественного инструментального анализа, так и сложные исследова-тельские задачи, связанные с разработкой и оптимизацией новых инструментальных методик, с идентификацией неизвестных многокомпонентных систем.

Литература

[1] Сироджов К.Х. Разработка экспертной системы для определения оптимальной тактики лечения шокового периода политравмы. Дисс. ... канд. мед. наук. Душанбе. 2004. 157с.

[2] Гражданкин А.И. Разработка экспертной системы оценки техногенного риска и оптимизации мер безопасности на опасных производственных объектах. Дисс. ... канд. техн. наук. М. 2001. 233с.

[3] Абызгильдина С.Ш. База знаний экспертной системы в области промышленной безопасности. Дисс. ... канд. техн. наук. Уфа. 2006. 193с.

[4] Рудаков О.Б. Экспертная система для жидкостной хроматографии: принципы построения и применение в химическом анализе. Дисс. … д-ра хим. наук. Воронеж. 2004. 412c.

[5] Карпов А.Г. Информационно-экспертная система для комплексной диагностики твердотельных нано- и микроструктур. Дисс. … д-ра техн. наук. Санкт-Петербург. 2006. 325с.

[6] Меркулов Д.В. Автоматизация радиоволнового неразрушающего контроля качества строительных материалов и изделий средствами экспертной системы. Дисс. ... канд. техн. наук. Воронеж. 2004. 240c.

[7] Суржиков Е.А. Экспертная система по оценке химического оборудования в условиях конкурсного отбора. Дис. ... канд. техн. наук. М. 2004. 167c.

[8] Davis W.S. The Information System Consultant's Handbook. Systems Analysis and Design. CRC Press. 1998. 800с.

[9] Когаловский М.Р. Энциклопедия технологий баз данных. М.: Финансы и статистика. 2002. 800с.

[10] Вершинин В.И., Дерендяев Б.Г., Лебедев К.С. Компьютерная идентификация органических соединений. М.: Академкнига. 2002. 197с.

[11] Вершинин В.И. Методология компьютерной идентификации веществ с применением информационно-поисковых систем. Журнал аналитической химии. 2000. Т.55. №5. С.468-476.

[12] Вершинин В.И. Информационно-поисковая система "Спектр-2" для компьютерной идентификации полиаренов. В кн. "Применение математических методов и ЭВМ в аналитической химии". М.: Наука. 1989. С.123-130.

[13] Мешалкин В.П. Экспертные системы в химической технологии. М.: Химия. 1995. 367с.

[14] Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS.: учебное пособие. СПб.: БХВ-Петербург. 2003. 608с.

[15] Lindsay R.K., Buchanan B.G., Feigenbaum E.A., Lederberg J. DENDRAL: A Case Study of the First Expert System for Scientific Hypothesis Formation. Artificial Intelligence. 1993. Vol.61. No.2. P.209-261.

[16] Крисевич В.С., Кузьмич Л.А., Шиф. А.М. Экспертные системы для персональных компьютеров: методы, средства, реализации: справоч. пособие. Минск: Вышэйшая школа. 1990. 197с.

[17] Захаров В.Н., Хорошевский В.Ф. Искусственный интеллект: В 3-х кн. Кн.1. Программные и аппаратные средства: Справочник. М.: Радио и связь. 1990. 368с.

[18] Поспелов Д.А. Искусственный интеллект: В 3-х кн. Кн.2. Модели и методы. М.: Радио и связь. 1990. C.7-13.

[19] Захаров В.Н., Хорошевский В.Ф. Искусственный интеллект: В 3-х кн. Кн.3. Программные и аппаратные средства. М.: Радио и связь. 1990. 368с.

[20] Кьюсиак Э. Искусственный интеллект: Применение в интегрированных производственных системах. М.: Машиностроение. 1991. 544с.

[21] Тейз А.П., Гибомон Ж.-Л. Логический подход к искусственному интеллекту: от классической логики к логическому программированию. Пер. с франц. М.: Мир. 1990. 432с.

[22] Лорьер Ж.-Л. Системы искусственного интеллекта. Пер. с франц. М.: Мир. 1991. 568с.

[23] Нильсон Н. Пpинципы искусственного интеллекта. М.: Радио и связь. 1985. 376с.

[24] Попов Э.В. Экспеpтные системы. М.: Наука. 1987. 288с.

[25] Поспелов Д.А. Логико-лингвистические модели в системах упpавления. М.: Энеpгоатомиздат. 1981. 232с.

[26] Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов. М.: Радио и связь. 1989. 184с.

[27] Ф. Хейеса-Рота, Д. Уотермана, Д. Лената. Построение экспертных систем. М.: Мир. 1987. 441с.

[28] Уинстон П. Искусственный интеллект. М.: Миp. 1980. 520с.

[29] Уотерман Д. Руководство по экспертным системам. М.: Мир. 1989. 388с.

[30] Фоpсайт Р. Экспертные системы, принципы работы и пpимеpы. М.: Радио и связь. 1987. 222с.

[31] Хейес-Рот Ф., Уотеpман Д., Ленат. Д. Постpоение экспеpтных систем. М.: Миp. 1987. 442с.

[32] Элти Дж., Кумбе М. Экспеpтные системы: концепции и пpимеpы. М.: Финансы и статистика. 1987. 192с.

...