intTypePromotion=1
ADSENSE

Nghiên cứu quá trình tối hóa công thức bào chế bằng phần mềm thông minh phasolpro IO

Chia sẻ: Hạnh Hoa | Ngày: | Loại File: PDF | Số trang:6

41
lượt xem
1
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Hiện nay, vấn đề tối ưu hóa thông minh đang ngày càng phổ biến trong việc nghiên cứu xây dựng công thức/quy trình. Tuy nhiên, việc sử dụng các phần mềm thông minh thương mại của nước ngoài tại Việt Nam lại gặp trở ngại bởi vấn đề chi phí. Do đó, phần mềm thông minh phasolpro IO đã được xây dựng và thử nghiệm tại khoa Dược, Đại học Y Dược TP. Hồ Chí Minh.

Chủ đề:
Lưu

Nội dung Text: Nghiên cứu quá trình tối hóa công thức bào chế bằng phần mềm thông minh phasolpro IO

Nghiên cứu Y học<br /> <br /> Y Học TP. Hồ Chí Minh * Tập 18 * Phụ bản của Số 2 * 2014<br /> <br /> NGHIÊN CỨU QUÁ TRÌNH TỐI HÓA CÔNG THỨC BÀO CHẾ<br /> BẰNG PHẦN MỀM THÔNG MINH PHASOLPRO IO<br /> Phan Ngọc Nhiên Thảo*, Chung Khang Kiệt*, Đỗ Quang Dương*, Đặng Văn Giáp*<br /> <br /> TÓM TẮT<br /> Mục tiêu: Hiện nay, vấn đề tối ưu hóa thông minh đang ngày càng phổ biến trong việc nghiên cứu xây<br /> dựng công thức/ quy trình. Tuy nhiên, việc sử dụng các phần mềm thông minh thương mại của nước ngoài tại<br /> Việt Nam lại gặp trở ngại bởi vấn đề chi phí. Do đó, phần mềm thông minh Phasolpro IO đã được xây dựng và<br /> thử nghiệm tại khoa Dược, Đại học Y Dược TP Hồ Chí Minh.<br /> Phương pháp: Đối tượng nghiên cứu: phần mềm thông minh Phasolpro IO (phần mềm khảo sát - PMKS).<br /> Phương pháp nghiên cứu: thử nghiệm khả năng mô hình hóa, tối ưu hóa và dự đoán của PMKS và so sánh kết<br /> quả này với kết quả cho bởi một phần mềm thương mại của nước ngoài (PMTK – INForm 3.6v - Intelligensys<br /> Ltd).<br /> Kết quả: Cả phần mềm tham khảo và phần mềm khảo sát đều có khả năng mô hình hóa tốt với độ tương<br /> thích cao cũng như kết quả tối ưu hóa thỏa mãn các điều kiện tối ưu đã đặt ra. Giá trị dự đoán cho bởi hai phần<br /> mềm đều không khác nhau. Phép so sánh thống kê cho thấy khả năng mô hình hóa, tối ưu hóa và dự đoán của hai<br /> phần mềm là như nhau.<br /> Kết luận: Phần mềm thông minh Phasolpro IO có khả năng mô hình hóa, tối ưu hóa và dự đoán tốt, có thể<br /> xem như tương đương với phần mềm tham khảo.<br /> Từ khóa: tối ưu hóa thông minh, phần mềm thông minh<br /> <br /> ABSTRACT<br /> STUDY ON OPTIMIZATION PHARMACEUTICAL FORMULATION PROCESS USING INTELLIGENT<br /> SOFTWARE – PHASOLPRO IO<br /> Phan Ngoc Nhien Thao, Chung Khang Kiet, Do Quang Duong, Dang Van Giap<br /> * Y Hoc TP. Ho Chi Minh * Vol. 18 - Supplement of No 2 - 2014: 32 - 37<br /> Objective: Nowadays, intelligent optimization is widely applied to product formulations. However, it is<br /> difficully that Vietnamese researchers are unable to reach commercial software for several reasons such as high<br /> prices, complicated terminologies. Therefore, building and testing Vietnamese intelligent software - Phasolpro IO<br /> - is a necessary work.<br /> Methods: Materials: Phasolpro IO-software for modelling and optimising (observed software). Methods:<br /> using Phasolpro IO software through several steps: modelling, optimising formulation data and comparing the<br /> predicted results to the published articles, then, comparing the results from Phasolpro IO to those from<br /> commercial software.<br /> Results The models given from the both software have significantly high R2 values and the optimization<br /> gives satisfactory formulations. Moreover, there are no differences from the predicted values given from the both<br /> softwares. The analyzing results using statistical methods reveal that results given from Phasolpro IO are<br /> relatively similar to those from the reference software.<br /> Conclusions: The intelligent software Phasolpro IO gives good models, optimised formulations and<br /> * Khoa Dược, Đại học Y Dược TP. Hồ Chí Minh<br /> Tác giả liên lạc: ThS. Chung Khang Kiệt<br /> ĐT: 0908091890<br /> <br /> 32<br /> <br /> Email: ckkiet@yahoo.com<br /> <br /> Chuyên Đề Dược Học<br /> <br /> Y Học TP. Hồ Chí Minh * Tập 18 * Phụ bản của Số 2 * 2014<br /> <br /> Nghiên cứu Y học<br /> <br /> predicted values, and it could be considered similar to the reference software.<br /> Keywords: intelligent optimization, intelligent software<br /> tối ưu hóa dựa trên mô hình liên quan nhân quả<br /> ĐẶT VẤN ĐỀ<br /> đã được thiết lập bằng mạng thần kinh và logic<br /> Nghiên cứu xây dựng công thức thuốc là<br /> mờ giúp làm cho mạng thần kinh có hiệu quả<br /> một quá trình gồm hai giai đoạn chính: thiết kế<br /> hơn trong thiết lập mô hình liên quan nhân quả<br /> công thức/ quy trình và xây dựng mô hình thực<br /> với các dữ liệu phức tạp, giúp cho thuật toán di<br /> nghiệm để nghiên cứu các mối tương quan giữa<br /> truyền thuận tiện hơn trong tối ưu hóa với các<br /> các yếu tố đầu vào (như nguyên liệu, điều kiện<br /> hàm mục tiêu trực quan (3) Sự ra đời của các phần<br /> sản xuất,…) với tính chất sản phẩm, sau đó quá<br /> mềm thông minh với cốt lõi là các kỹ thuật thông<br /> trình tối ưu hóa sẽ được thực hiện để tìm ra một<br /> minh đã giúp ích rất lớn cho các nhà bào chế<br /> công thức/ quy trình lý tưởng, phù hợp với các<br /> trong việc tiết kiệm thời gian, công sức và đạt<br /> yêu cầu sản xuất được đặt ra.<br /> hiệu quả cao hơn khi thực hiện tối ưu hóa.<br /> Trước đây, quá trình tối ưu hóa được thực<br /> Theo quy định, những phần mềm chuyên<br /> hiện với những phương pháp cổ điển như<br /> dụng liên quan đến Thực hành tốt Sản xuất,<br /> phương pháp phân tích hồi quy đa biến, kỹ<br /> Thực hành tốt kiểm nghiệm... cần phải được<br /> thuật đáp ứng bề mặt,… các phương pháp này<br /> thẩm định, trong đó thử nghiệm là rất khâu<br /> không đáp ứng được yêu cầu đặt ra của bài toán.<br /> quan trọng. Các nội dung thử nghiệm bao gồm:<br /> Ngày nay, với sự xuất hiện của kỹ thuật thông<br /> thử nghiệm đơn vị, thử nghiệm hợp nhất, thử<br /> minh nhân tạo giúp giải quyết vấn đề này. Kỹ<br /> nghiệm hệ thống và thử nghiệm chấp nhận (6,8).<br /> thuật thông minh được thực hiện nhờ sự phối<br /> Trong thử nghiệm hệ thống có 10 chỉ tiêu thử<br /> hợp chặt chẽ của ba công cụ thông minh: mạng<br /> nghiệm, đề tài thực hiện chỉ tiêu thử nghiệm<br /> thần kinh, logic mờ và thuật toán di truyền.<br /> hiệu năng của phần mềm (4,2).<br /> Trong đó mạng thần kinh để thiết lập mô hình<br /> nhân quả và dự đoán; thuật toán di truyền giúp<br /> <br /> Hình 1: Giao diện chính phần mềm Phasolpro IO<br /> <br /> Chuyên Đề Dược Học<br /> <br /> 33<br /> <br /> Nghiên cứu Y học<br /> <br /> Y Học TP. Hồ Chí Minh * Tập 18 * Phụ bản của Số 2 * 2014<br /> <br /> Hiện nay, trên thế giới có vài phần mềm<br /> thông minh. Tuy nhiên, việc sử dụng các phần<br /> mềm hiện có trong nghiên cứu lại gặp khó khăn<br /> bởi vấn đề chi phí tốn kém. Do đó, phần mềm<br /> Phasolpro IO được thiết kế với giao diện tiếng<br /> Việt và có nhiều cải tiến là một giải pháp các nhà<br /> bào chế Việt Nam trong việc ứng dụng công<br /> nghệ thông tin vào nghiên cứu và phát triển<br /> thuốc. Mục tiêu của đề tài là: đánh giá khả năng<br /> mô hình hóa và tối ưu hóa dữ liệu của phần<br /> mềm Phasolpro IO. So sánh khả năng mô hình<br /> hóa và tối ưu hóa giữa phần mềm Phasolpro IO<br /> và phần mềm tham khảo.<br /> <br /> ĐỐI TƯỢNG-PHƯƠNGPHÁP NGHIÊNCỨU<br /> Đối tượng<br /> Phần mềm khảo sát (PMKS) là phần mềm tối<br /> ưu hóa thông minh Phasolpro IO (Khoa Dược –<br /> Đại học Y Dược TP.HCM) và phần mềm tham<br /> khảo (PMTK) là phần mềm INForm 3.6v<br /> (Intelligensys Ltd).<br /> <br /> Cơ sở dữ liệu (CSDL)<br /> CSDL 1: “Optimization of Extended Zeroorder Release Gliclazide Tablets Using Doptimal Mixture Design” (5) (số lượng biến X: 3,<br /> số lượng biến Y: 4; cỡ mẫu: 14); CSDL 2:<br /> “Application of Pharmaceutical QbD for<br /> Enhancement of the Solubility and Dissolution of<br /> a Class II BCS Drug using Polymeric Surfactants<br /> and Crystallization Inhibitors: Development of<br /> Controlled-Release Tablets” (1) (số lượng biến X:<br /> 4, số lượng biến Y: 3; cỡ mẫu: 34); CSDL 3:<br /> “Modeling of a roller-compaction process using<br /> neural networks and genetic algorithms” (7) (số<br /> lượng biến X: 4, số lượng biến Y: 4; cỡ mẫu: 30).<br /> <br /> Đánh giá khả năng mô hình hóa và tối ưu<br /> hóa PMKS<br /> Khảo sát trên 3 CSDL đã chọn. Đối với mỗi<br /> CSDL, thực hiện theo trình tự sau: Tiến hành<br /> quá trình mô hình hóa trên 6 nhóm thử được<br /> chọn với chức năng Smart Selection của phần<br /> mềm tham khảo bằng 3 thuật toán của phần<br /> mềm khảo sát (gồm có Back Propagation (BP),<br /> <br /> 34<br /> <br /> Learning Rate Adaption (LRA) và QuickProp<br /> (QP)). Ghi nhận giá trị R2 thử ứng với mỗi thuật<br /> toán và mỗi nhóm thử. Đánh giá kết quả luyện<br /> mạng, chọn ra mô hình có nhóm thử và thuật<br /> toán cho kết quả tốt nhất để tối ưu hóa và dự<br /> đoán. Đánh giá kết quả tối ưu.<br /> <br /> Đánh giá khả năng mô hình hóa và tối ưu<br /> hóa PMTK<br /> Khảo sát trên 3 CSDL đã chọn. Đối với mỗi<br /> CSDL, thực hiện theo trình tự sau: Dùng chức<br /> năng Smart Selection, tiến hành mô hình hóa<br /> trên nhiều nhóm thử khác nhau bằng cả 5 thuật<br /> toán (gồm có Standard Incremental (SI),<br /> Standard Batch (SB), RPROP, Quickprop (QP) và<br /> Angle Driven Learning (ADL)). Lựa chọn 6<br /> nhóm thử cho kết quả R2 luyện và R2 thử tốt<br /> nhất. Ghi nhận giá trị R2 thử ứng với mỗi thuật<br /> toán và mỗi nhóm thử. Đánh giá kết quả luyện<br /> mạng, chọn ra mô hình có nhóm thử và thuật<br /> toán cho kết quả tốt nhất để tối ưu hóa và dự<br /> đoán. Đánh giá kết quả tối ưu hóa.<br /> <br /> So sánh khả năng mô hình hóa và tối ưu<br /> hóa giữa PMKS và PMTK<br /> So sánh khả năng mô hình hóa<br /> So sánh kết quả mô hình hóa (R2 thử) bằng<br /> thuật toán Quickprop ở từng nhóm thử trong<br /> từng CSDL của hai phần mềm, so sánh kết quả<br /> mô hình hóa (R2 thử) tốt nhất ở từng nhóm thử<br /> trong từng CSDL của hai phần mềm.<br /> So sánh khả năng tối ưu hóa và dự đoán<br /> So sánh kết quả tối ưu hóa của hai phần<br /> mềm, so sánh kết quả dự đoán của hai phần<br /> mềm với nhau (thực hiện trên 3 công thức).<br /> <br /> KẾT QUẢ<br /> Đánh giá khả năng mô hình hóa và tối ưu<br /> hóa dữ liệu của PMKS<br /> Đối với CSDL 1<br /> Mô hình hóa: mô hình hóa trên 6 nhóm thử<br /> (12&13, 8&12, 6&12, 7&13, 9&14, 5&13), kết quả<br /> luyện mạng tốt (R2 thử đều lớn hơn 90%) ở cả 3<br /> thuật toán.<br /> <br /> Chuyên Đề Dược Học<br /> <br /> Y Học TP. Hồ Chí Minh * Tập 18 * Phụ bản của Số 2 * 2014<br /> <br /> Nghiên cứu Y học<br /> <br /> Tối ưu hóa: kết quả tối ưu là công thức gồm<br /> HPMC (x1) = 35,10 mg, lactose (x2) = 45,62 mg,<br /> alginate (x3) = 19,28 mg; y1 = 20,014, y2 = 48,048, y3 =<br /> 78,465và y4 = 99,258.<br /> <br /> Tối ưu hóa: công thức tối ưu gồm lượng<br /> HPMC (x1) = 37,22 mg, lượng lactose (x2) = 50,19<br /> mg, lượng alginate (x3) = 12,59 mg; y1 = 20,23, y2 =<br /> 47,84, y3 = 71,97 và y4 = 95,85.<br /> <br /> Đối với CSDL 2<br /> Mô hình hóa: mô hình hóa trên 6 nhóm thử<br /> (15&34, 20&23, 7&10, 9&34, 11&30, 2&29), kết<br /> quả luyện mạng tốt (R2 thử > 90%) với<br /> BackPropagation (trên cả 6 nhóm thử),<br /> QuickProp (trên nhóm thử 2&29) và LRA (với<br /> nhóm thử 9&34, 11&30 và 2&29).<br /> <br /> Đối với CSDL 2<br /> Mô hình hóa: mô hình hóa trên 6 nhóm thử<br /> (15&34, 20&23, 7&10, 9&34, 11&30, 2&29), kết<br /> quả luyện mạng đạt yêu cầu (R2 thử > 70%) ở 3<br /> trên 6 nhóm thử được chọn là nhóm thử 9&34<br /> (RPROP và QP), nhóm thử 11&30 (RPROP) và<br /> nhóm thử 2&29 (ADL).<br /> <br /> Tối ưu hóa: công thức tối ưu thỏa mãn các<br /> điều kiện tối ưu như sau: lượng HPMC (x1) =<br /> 65,46 - 99,95 mg, lượng chất diện hoạt Inutec®<br /> SP1 (x2) = 4,80 - 23,71 mg, lượng Pluronic F127<br /> (x3) = 41,38 - 49,98 mg và phương pháp trộn tối<br /> ưu (x4) là bay hơi dung môi.<br /> <br /> Tối ưu hóa: Công thức tối ưu gồm lượng<br /> HPMC (x1) = 100 mg, lượng chất diện hoạt<br /> Inutec® SP1 (x2) = 18,63 mg, lượng Pluronic F127<br /> (x3) = 48,52 mg và phương pháp được sử dụng<br /> (x4) là làm bay hơi dung môi tương ứng; y1 =<br /> 101,67; y2 = 57,58 và y3 = 86,46.<br /> <br /> Đối với CSDL 3<br /> Mô hình hóa: mô hình hóa trên 6 nhóm thử<br /> (10&11, 8&25, 4&21, 4&26, 15&22, 9&28), kết quả<br /> luyện mạng tốt (R2 thử đều lớn hơn 90%) ở thuật<br /> toán BackPropagation (trên cả 6 nhóm thử),<br /> QuickProp (trên nhóm thử 10&11, 4&21, 4&26<br /> và 15&22) và LRA (nhóm thử 15&22).<br /> <br /> Đối với CSDL 3<br /> Mô hình hóa: mô hình hóa trên 6 nhóm thử<br /> (10&11, 8&25, 4&21, 4&26, 15&22, 9&28), kết quả<br /> đạt yêu cầu luyện mạng (R2 thử > 70%) với nhóm<br /> thử 8&25 (RPROP), nhóm thử 4&21 (SB) và<br /> nhóm thử 9&28 (SI). Đạt kết quả tốt (R2 thử ><br /> 90%.) với các nhóm thử 10&11 (SI), nhóm thử<br /> 4&21 (ADL) và nhóm thử 4&26 (SI)<br /> <br /> Tối ưu hóa: công thức tối ưu như sau: loại tá<br /> dược dính (x1) = HPMC, tỉ lệ tá dược dính (x2 =<br /> 17,25% - 19,99%, số lượng trục quay sử dụng (x3)<br /> là 1 kèm theo 5% Avicel (x4) hoặc 2 trục không<br /> kèm Avicel.<br /> <br /> Đánh giá khả năng mô hình hóa và tối ưu<br /> hóa dữ liệu của PMTK:<br /> Đối với CSDL 1<br /> Mô hình hóa: mô hình hóa trên 6 nhóm thử<br /> (12&13, 8&12, 6&12, 7&13, 9&14, 5&13), kết quả<br /> đạt yêu cầu tối ưu hóa (R2 thử > 70%) với cả 5<br /> thuật toán. Kết quả luyện mạng tốt (R2 thử ><br /> 90%) ở 4 trên 6 nhóm thử được chọn: nhóm thử<br /> 12&13 (thuật toán SB), nhóm thử 8&12 (thuật<br /> toán QP), nhóm thử 9&14 (thuật toán SI, SB, QP<br /> và ADL) và nhóm thử 5&13 (thuật toán SI, SB).<br /> <br /> Chuyên Đề Dược Học<br /> <br /> Tối ưu hóa: công thức tối ưu gồm loại tá<br /> dược dính (x1) = HPMC, tỉ lệ tá dược dính (x2)<br /> = 20%, số trục quay (x3) = 2 và lượng Avicel<br /> thêm vào x4 = 5%; y1 = 109,45, y2 = 9,39, y3 = 0,05<br /> và y4= 4,85.<br /> <br /> So sánh khả năng mô hình hóa và tối ưu<br /> hóa dữ liệu giữa PMTK và PMKS:<br /> Đối với CSDL 1<br /> Mô hình hóa<br /> - So sánh thuật toán Quickprop: Trắc<br /> nghiệm t tương ứng từng cặp cho thấy kết quả<br /> R2 thử giữa PMKS và PMTK không khác nhau ở<br /> các biến (p1 > 0,05, p2 > 0,05), chỉ có ở y3 (p3 < 0,05)<br /> thì khác nhau. Tuy nhiên, PMKS cho R2 thử cao<br /> hơn. Vì vậy, mô hình xây dựng bởi PMKS chính<br /> xác và có độ tin cậy cao.<br /> <br /> 35<br /> <br /> Y Học TP. Hồ Chí Minh * Tập 18 * Phụ bản của Số 2 * 2014<br /> <br /> Nghiên cứu Y học<br /> <br /> Bảng 1: Giá trị R2 thử của thuật toán Quickprop từ 2 phần mềm với CSDL 1<br /> Biến Y<br /> <br /> Phần mềm<br /> PMTK<br /> PMKS<br /> PMTK<br /> PMKS<br /> PMTK<br /> PMKS<br /> PMTK<br /> PMKS<br /> <br /> y1<br /> y2<br /> y3<br /> y4<br /> <br /> 12&13<br /> 98,6134<br /> 97,6848<br /> 99,0925<br /> 99,1324<br /> 92,4402<br /> 99,0142<br /> 85,1132<br /> 97,4079<br /> <br /> 8&12<br /> 98,2824<br /> 97,0299<br /> 91,3908<br /> 97,0028<br /> 90,7736<br /> 95,0019<br /> 99,2268<br /> 99,0098<br /> <br /> 6&12<br /> 65,8931<br /> 92,8420<br /> 49,0032<br /> 90,3658<br /> 95,9724<br /> 92,9599<br /> 98,5260<br /> <br /> - So sánh kết quả luyện mạng tốt nhất giữa<br /> 2 phần mềm: Trắc nghiệm t tương ứng từng cặp<br /> cho thấy kết quả R2 thử giữa PMKS và PMTK<br /> không khác nhau ở các biến (tất cả các giá trị p ><br /> 0,05). Do đó, mô hình xây dựng bởi PMKS tốt và<br /> có độ chính xác cao.<br /> Tối ưu hóa và dự đoán:<br /> - So sánh kết quả tối ưu hóa của PMKS và<br /> PMTK: Trắc nghiệm t tương ứng từng cặp cho<br /> thấy kết quả R2 thử giữa PMKS và PMTK<br /> không khác nhau có ý nghĩa thống kê ở các<br /> biến p > 0,05).<br /> Bảng 2: Kết quả tối ưu hóa cho bởi hai phần mềm với<br /> CSDL 1<br /> Phần<br /> mềm<br /> <br /> x1<br /> <br /> x2<br /> <br /> x3<br /> <br /> y1<br /> <br /> y2<br /> <br /> y3<br /> <br /> y4<br /> <br /> PMKS 35,10 45,62 19,28 20,014 48,048 78,465 99,258<br /> PMTK 37,22 50,19 12,59 20,23 47,84 71,97 95,85<br /> <br /> - So sánh khả năng dự đoán của PMKS và<br /> PMTK: thực hiện trên 3 công thức từ các dữ liệu<br /> tối ưu cố định, trắc nghiệm t tương ứng từng cặp<br /> cho thấy kết quả dự đoán giữa PMTK và PMKS<br /> không khác nhau có ý nghĩa thống kê (p > 0,05) ở<br /> toàn bộ 3 công thức. Do đó, mô hình xây dựng<br /> bởi PMKS trên CSDL 1 là tốt, và có khả năng dự<br /> đoán chính xác cao.<br /> <br /> Đối với CSDL 2<br /> Mô hình hóa<br /> - So sánh thuật toán Quickprop: Trắc<br /> nghiệm t tương ứng từng cặp cho thấy kết quả<br /> R2 thử giữa PMKS và PMTK không khác nhau ở<br /> các biến (các p > 0,05). Do đó, mô hình xây dựng<br /> bởi PMKS là tốt và có độ chính xác cao.<br /> <br /> 36<br /> <br /> 7&13<br /> 99,3233<br /> 97,0169<br /> 89,9930<br /> 93,0010<br /> 86,0824<br /> 95,4079<br /> 85,5924<br /> 97,0188<br /> <br /> 9&14<br /> 99,0358<br /> 99,5283<br /> 94,9971<br /> 97,0289<br /> 93,9585<br /> 99,3320<br /> 96,7294<br /> 95,7459<br /> <br /> 5&13<br /> 97,0331<br /> 96,1895<br /> 99,2404<br /> 99,5776<br /> 92,5530<br /> 98,0127<br /> 89,3077<br /> 99,6884<br /> <br /> P<br /> 0,47<br /> 0,24<br /> 0,04<br /> 0,23<br /> <br /> - So sánh kết quả luyện mạng tốt nhất giữa<br /> 2 phần mềm: Trắc nghiệm t tương ứng từng cặp<br /> cho thấy kết quả R2 thử giữa PMKS và PMTK<br /> không khác nhau ở các biến (p1 > 0,05, p2 > 0,05),<br /> chỉ có ở y3 (p3 < 0,05) thì khác nhau. Tuy nhiên,<br /> PMKS cho R2 thử cao hơn. Vì vậy, mô hình xây<br /> dựng bởi PMKS chính xác và có độ tin cậy cao.<br /> Tối ưu hóa và dự đoán<br /> - So sánh kết quả tối ưu hóa của PMKS và<br /> PMTK: Trắc nghiệm t tương ứng từng cặp cho<br /> thấy kết quả R2 thử giữa PMTK và PMKS không<br /> khác nhau có ý nghĩa thống kê ở các biến p ><br /> 0,05).<br /> - So sánh khả năng dự đoán của PMKS và<br /> PMTK: thực hiện trên 3 công thức từ các dữ liệu<br /> tối ưu cố định, trắc nghiệm t tương ứng từng cặp<br /> cho thấy kết quả dự đoán giữa PMTK và PMKS<br /> không khác nhau có ý nghĩa thống kê (p > 0,05) ở<br /> toàn bộ 3 công thức. Do đó, mô hình xây dựng<br /> bởi PMKS trên CSDL 1 là rất tốt, và có khả năng<br /> dự đoán chính xác cao.<br /> <br /> Đối với CSDL 3<br /> Mô hình hóa<br /> - So sánh thuật toán Quickprop: Trắc<br /> nghiệm t tương ứng từng cặp cho thấy kết quả<br /> R2 thử giữa PMKS và PMTK không khác nhau ở<br /> các biến (p1 > 0,05, p2 > 0,05, p4 > 0,05), chỉ có ở y3<br /> (p3 < 0,05) thì khác nhau. Tuy nhiên, PMKS cho<br /> R2 thử cao hơn. Vì vậy, mô hình xây dựng bởi<br /> PMKS chính xác và có độ tin cậy cao.<br /> - So sánh kết quả luyện mạng tốt nhất giữa<br /> 2 phần mềm: Trắc nghiệm t tương ứng từng cặp<br /> cho thấy kết quả R2 thử giữa PMKS và PMTK<br /> không khác nhau ở các biến (tất cả các p > 0,05).<br /> <br /> Chuyên Đề Dược Học<br /> <br />
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản
2=>2