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 />