intTypePromotion=3

So sánh ứng dụng kỹ thuật mạng thần kinh và lập trình di truyền trong mô hình hóa dữ liệu công thức viên nén phóng thích có kiểm soát

Chia sẻ: Trần Thị Hạnh | Ngày: | Loại File: PDF | Số trang:7

0
16
lượt xem
1
download

So sánh ứng dụng kỹ thuật mạng thần kinh và lập trình di truyền trong mô hình hóa dữ liệu công thức viên nén phóng thích có kiểm soát

Mô tả tài liệu
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Nghiên cứu ứng dụng mạng thần kinh (neural networks) và kỹ thuật lập trình di truyền (genetic programming) trong việc mô hình hóa dữ liệu, so sánh kết quả mô hình hóa dữ liệu của hai kỹ thuật trên, dựa vào kết quả của hai kỹ thuật này hy vọng sẽ giúp nhà bào chế có một sự lựa chọn công cụ hợp lý khi mô hình hóa dữ liệu công thức.

Chủ đề:
Lưu

Nội dung Text: So sánh ứng dụng kỹ thuật mạng thần kinh và lập trình di truyền trong mô hình hóa dữ liệu công thức viên nén phóng thích có kiểm soát

Nghiên cứu Y học<br /> <br /> Y Học TP. Hồ Chí Minh * Tập 15 * Phụ bản của Số 1 * 2011<br /> <br /> SO SÁNH ỨNG DỤNG KỸ THUẬT MẠNG THẦN KINH VÀ LẬP TRÌNH<br /> DI TRUYỀN TRONG MÔ HÌNH HÓA DỮ LIỆU CÔNG THỨC VIÊN NÉN<br /> PHÓNG THÍCH CÓ KIỂM SOÁT<br /> Nguyễn Phương Nam*, Đỗ Quang Dương**<br /> <br /> TÓM TẮT<br /> Mục tiêu: Nghiên cứu ứng dụng mạng thần kinh (Neural Networks) và kỹ thuật lập trình di truyền<br /> (Genetic Programming) trong việc mô hình hóa dữ liệu. So sánh kết quả mô hình hóa dữ liệu của hai kỹ thuật<br /> trên. Dựa vào kết quả của hai kỹ thuật này hy vọng sẽ giúp nhà bào chế có một sự lựa chọn công cụ hợp lý khi<br /> mô hình hóa dữ liệu công thức.<br /> Phương pháp: Cách thức so sánh: so sánh hệ số tương quan R2 và so sánh phương trình đường thẳng hồi<br /> quy với hệ số góc. Cả hai phương pháp so sánh này đều dựa trên dữ liệu được dự đoán từ hai kỹ thuật thông<br /> minh: mạng thần kinh và lập trình di truyền.<br /> Kết quả: Từ những kết quả trong việc mô hình hóa với hai bộ dữ liệu viên nén phóng thích có kiểm soát<br /> (viên matrix, viên diclofenac sodium microspheres), kết quả cho thấy cả hai kỹ thuật mạng thần kinh cho kết quả<br /> khá tốt mặc dù vậy kỹ thuật mạng thần kinh vượt trội hơn so với kỹ thuật lập trình di truyền. Kết quả từ thực<br /> nghiệm cho thấy, việc ứng dụng hai kỹ thuật là lập trình di truyền và mạng thần kinh trong việc mô hình hóa dữ<br /> liệu là rất thành công.<br /> Kết luận: Khi đánh giá các mô hình được xây dựng bởi hai kỹ thuật, mạng thần kinh cho kết quả trội hơn.<br /> Việc so sánh giữa hai kỹ thuật này sẽ giúp cho nhà bào chế khách quan hơn trong việc lựa chọn phương pháp và<br /> công cụ xây dựng mô hình hóa dữ liệu phù hợp.<br /> Từ khóa: mạng thần kinh, kỹ thuật lập trình di truyền, công thức dược phẩm, viên nén phóng thích có kiểm<br /> soát.<br /> <br /> ABSTRACT<br /> A SYSTEMATIC COMPARISON OF ARTIFICIAL INTELLIGENCE TECHNIQUES<br /> IN MODELLING CONTROLLED RELEASE TABLET FORMULATION<br /> Nguyen Phuong Nam, Do Quang Duong<br /> * Y Hoc TP. Ho Chi Minh * Vol. 15 - Supplement of No 1 - 2011: 6 - 12<br /> Objectives: This study has compared the performance of two computational methods: neural networks and<br /> genetic programming in generating predictive models for published databases of controlled release tablet<br /> formulation.<br /> Material and Methods: This study used two methods: the R-squared value (R2) and the coefficients of<br /> regression equations generated from the predictive models.<br /> Results: Both approaches were successful in developing invaluable predictive models for tablet tensile<br /> strength and drug dissolution profiles. whilst neural networks demonstrated a slightly superior capability in<br /> predicting unseen data, genetic programming had the added advantage of generating mathematical equations<br /> representing the cause–effect relationships contained in the experimental data. The results of examined data<br /> (matrix table formulation, controlled release diclofenac sodium microspheres formulation) showed that the<br /> * Đại học Y Dược Thành phố Hồ Chí Minh<br /> Tác giả liên lạc: TS. Đỗ Quang Dương<br /> ĐT: 0913662043;<br /> <br /> 6<br /> <br /> Email: dqduong@uphcm.edu.vn<br /> <br /> Chuyên Đề Dược Khoa<br /> <br /> Y Học TP. Hồ Chí Minh * Tập 15 * Phụ bản của Số 1 * 2011<br /> <br /> Nghiên cứu Y học<br /> <br /> performance of neural network was superior when compared to genetic programming.<br /> Conclusion: In evaluating models generated by the two technologies, neural networks showed a higher<br /> capability of predicting unseen data than genetic programming. This study also will help the pharmacist easily in<br /> choosing the techniques and tools to build model data.<br /> Keyword: neural networks, genetic programming, tablet formulation, controlled release.<br /> <br /> ĐẶT VẤN ĐỀ<br /> Trong quy trình sản xuất thuốc việc khảo sát<br /> mối liên quan nhân quả giữa các thành phần với<br /> các tính chất dược phẩm luôn là vấn đề các nhà<br /> bào chế rất quan tâm. Việc xác định mối liên<br /> quan nhân quả này thường dựa vào mô hình dự<br /> đoán được xây dựng bằng các phương pháp<br /> thống kê (truyền thống) hay máy tính (hiện đại)<br /> là một thách thức lớn đối với các nhà sản xuất(5).<br /> Bên cạnh đó việc xây dựng mô hình công thức<br /> cũng là một bước rất quan trọng trong qui trình<br /> tối ưu công thức.<br /> Việc mô hình hóa công thức dược phẩm<br /> bằng công cụ máy tính ngày càng được áp dụng<br /> phổ biến vì các lợi ích của nó như không giới<br /> hạn số biến độc lập (x), có thể tối ưu đồng thời<br /> nhiều biến phụ thuộc (y), phù hợp với các loại<br /> dữ liệu phức tạp và phi tuyến(9).<br /> Có rất nhiều kỹ thuật xây dựng mô hình<br /> công thức bằng máy tính đã được áp dụng như<br /> mạng thần kinh (Neural Network - NN)(2) thuật<br /> giải di truyền (Genetic Algorithms)(3) lập trình di<br /> truyền (Genetic Programming - GP)(4) và các hệ<br /> thống lai giữa chúng. Những kỹ thuật này phần<br /> nào giải quyết được yêu cầu của nhà sản xuất<br /> như giảm thời gian và chi phí nghiên cứu và<br /> phát triển công thức.<br /> <br /> Mạng thần kinh (Neural Network)<br /> Mạng thần kinh đã được áp dụng từ hơn 60<br /> năm qua, có ích trong việc thiết lập mô hình<br /> quan hệ nhân quả, đặc biệt đối với dữ liệu phi<br /> tuyến hay dữ liệu phức tạp(9). Ngày nay, mạng<br /> thần kinh đựợc áp dụng trong nhiều lãnh vực<br /> khác nhau: công nghệ thông tin, khoa học tri<br /> thức (mô tả kiểu suy luận và nhận thức), sinh<br /> học (lý giải các chuỗi nucleotid)…<br /> <br /> Chuyên Đề Dược Khoa<br /> <br /> Mạng thần kinh sinh học (Hình 1) được tạo<br /> thành bởi sự liên kết giữa rất nhiều tế bào thần<br /> kinh sinh học (neuron). Các xung động thần<br /> kinh được truyền từ khớp qua trục để đến thân.<br /> Thân tế bào tổng hợp các xung động thần kinh<br /> và ra quyết định tiếp tục truyền các tín hiệu sang<br /> tế bào thần kinh khác.<br /> Khớp<br /> Nhánh<br /> <br /> Trục<br /> Thân<br /> <br /> Hình 1. Cấu trúc của một tế bào thần kinh sinh học<br /> X1<br /> <br /> Đầu<br /> vào<br /> <br /> W1<br /> <br /> W2<br /> X2<br /> <br /> Σ<br /> <br /> Đầu<br /> ra<br /> <br /> W3<br /> X3<br /> <br /> Hình 2. Cấu trúc của một tế bào thần kinh nhân tạo<br /> Mạng thần kinh nhân tạo (Hình 2) là sự mô<br /> phỏng cấu trúc của mạng thần kinh sinh học,<br /> được tạo thành bởi sự liên kết giữa rất nhiều<br /> đơn vị thần kinh (perceptron). Những đơn vị<br /> thần kinh có nhiệm vụ thu thập các tín hiệu, xác<br /> định trọng số, tổng cộng và chuyển các tín hiệu<br /> ấy sang các đơn vị thần kinh khác.<br /> Mỗi mạng thần kinh nhân tạo được cấu tạo<br /> bởi hàng trăm ngàn đơn vị được liên kết và sắp<br /> xếp thành nhiều lớp. Có nhiều cấu trúc mạng<br /> thần kinh, song cấu trúc mạng nhiều lớp<br /> (multilayer perceptron networks) là thông dụng<br /> nhất. Cấu trúc mạng nhiều lớp có một lớp vào,<br /> một hay nhiều lớp ẩn và một lớp đầu ra. Thông<br /> thường, cấu trúc mạng với một lớp ẩn được<br /> dùng nhiều trong thiết lập mô hình và tối ưu<br /> hóa công thức. Cấu trúc mạng với nhiều lớp ẩn<br /> <br /> 7<br /> <br /> Y Học TP. Hồ Chí Minh * Tập 15 * Phụ bản của Số 1 * 2011<br /> <br /> Nghiên cứu Y học<br /> <br /> cũng được dùng cho mô hình phi tuyến song nó<br /> đòi hỏi nhiều thời gian cho máy tính xử lý(9).<br /> Cấu trúc của một mạng thần kinh với một lớp<br /> ẩn được minh họa trong Hình 3.<br /> <br /> thường được áp dụng cho các bài toán tìm lời<br /> giải tối ưu, trong khi GP được xếp vào nhóm các<br /> thuật toán máy học: tìm mô hình phù hợp nhất<br /> dựa trên dữ liệu đưa vào (Hình 5)(7).<br /> <br /> Hình 3. Cấu trúc của một mạng thần kinh nhân tạo<br /> thường gặp<br /> <br /> Lập trình di truyền (Genetic ProgrammingGP)<br /> Lập trình di truyền là một kỹ thuật với ý<br /> tưởng chính là các chương trình máy tính có khả<br /> năng tự tiến hóa để thực hiện một công việc nào<br /> đó, được giới thiệu bởi Koza vào năm 1992(7).<br /> Lập trình di truyền là một biến thể của thuật giải<br /> di truyền với một điểm khác nhau chính là cấu<br /> trúc dữ liệu được sử dụng để biểu diễn một cá<br /> thể trong quần thể.<br /> Có hai phần chính trong một cá thể của GP,<br /> đó là các node và terminal như được minh họa<br /> trong Hình 4. Các node là các phép tính, trong<br /> khi các nút (terminal) là các giá trị hằng số hay<br /> các biến. Việc lựa chọn các phép tính và các nút<br /> là một trong những thao tác chính trong GP để<br /> tìm được lời giải cho vấn đề (mô hình dữ liệu<br /> dạng biểu thức toán học y = f(xi))(7).<br /> Phép tính<br /> (Nodes)<br /> <br /> A<br /> <br /> hình hóa dữ liệu công thức viên nén phóng thích<br /> có kiểm soát. Trong những nghiên cứu trước đó<br /> của nhóm tác giả cho thấy kỹ thuật mạng thần<br /> kinh và lập trình di truyền khá hiệu quả trong<br /> việc mô hình hóa dữ liệu(4). Việc so sánh giữa hai<br /> kỹ thuật này sẽ giúp cho nhà bào chế khách<br /> quan hơn trong việc lực chọn phương pháp mô<br /> hình hóa dữ liệu.<br /> <br /> PHƯƠNG PHÁP NGHIÊN CỨU<br /> Công cụ phần mềm<br /> Công cụ được sử dụng trong bài báo này là<br /> <br /> truyền tại khoa Dược – Đại học Y Dược Hồ Chí<br /> Nút lá<br /> (Terminals)<br /> <br /> Hình 4. Mô tả một cá thể trong kỹ thuật lập trình di<br /> truyền, cá thể này biểu diễn công thức y = A*B + C<br /> GP khác những thuật toán thông minh khác<br /> ở phạm vi ứng dụng: những thuật toán khác<br /> <br /> 8<br /> <br /> dụng của hai kỹ thuật thông minh trong việc mô<br /> <br /> thông minh: mạng thần kinh và lập trình di<br /> C<br /> <br /> B<br /> <br /> Bài báo là kết quả nghiên cứu so sánh ứng<br /> <br /> những nghiên cứu và ứng dụng hai kỹ thuật<br /> <br /> +<br /> *<br /> <br /> Hình 5. Quá trình chọn lọc và xử lý dữ liệu của lập<br /> trình di truyền<br /> <br /> Minh cho việc xây dựng mô hình và tối ưu hóa<br /> công thức.<br /> Để đánh giá chất lượng của một mô hình<br /> hóa, nghiên cứu này dùng giá trị (R2) (công thức<br /> 1). Giá trị của R2 càng cao, mô hình dữ liệu càng<br /> tương thích(2,5).<br /> <br /> Chuyên Đề Dược Khoa<br /> <br /> Y Học TP. Hồ Chí Minh * Tập 15 * Phụ bản của Số 1 * 2011<br /> n<br /> ⎛<br /> ⎞<br /> ⎜ ∑ (yi − yˆi ) 2 ⎟<br /> ⎟x100<br /> R 2 = ⎜1 − i=n1<br /> ⎜<br /> ⎟<br /> 2<br /> ⎜ ∑ (yi − y) ⎟<br /> i =1<br /> ⎝<br /> ⎠<br /> <br /> Nghiên cứu Y học<br /> <br /> liệu cho viên nén matrix đối với hai kỹ thuật<br /> (GP, NN), kết quả dự đoán và hệ số R2 minh họa<br /> trong Bảng 1.<br /> <br /> với yi: biến phụ thuộc với từng dữ liệu; y :<br /> giá trị trung bình của biến phụ thuộc; yˆ : giá trị<br /> dự đoán từ mô hình; n: số lượng dữ liệu.<br /> <br /> Dữ liệu thực nghiệm<br /> Dữ liệu công thức viên nén matrix được<br /> tham khảo từ công trình của Bodea và Leucuta(1).<br /> Công thức viên nén matrix bao gồm 13 công<br /> thức thực nghiệm với 3 biến độc lập (x1: %<br /> HPMC; x2: % CMCNa; x3: % HCl), 3 biến phụ<br /> thuộc (y1: % hoạt chất phóng thích sau 1 giờ; y2:<br /> % hoạt chất phóng thích sau 1 giờ; y3: % hoạt<br /> chất phóng thích sau 12 giờ).<br /> Một bộ dữ liệu khác được tham khảo từ<br /> công trình Gohel & Amin(6). Công thức viên nén<br /> phóng thích có kiểm soát diclofenac sodium<br /> microspheres bao gồm 27 công thức thực<br /> nghiệm với 3 biến độc lập (x1: Tốc độ khuấy; x2:<br /> Lượng CaCl2; x3: % liquid paraffin) và 4 biến phụ<br /> thuộc (y1: thời gian 80% hoạt chất phóng thích;<br /> y2: % hoạt chất phóng thích sau 60 phút; y3: %<br /> hoạt chất phóng thích sau 360 phút; y4: % hoạt<br /> chất phóng thích sau 480 phút).<br /> <br /> KẾT QUẢ VÀ BÀN LUẬN<br /> <br /> Thông qua số liệu từ Bảng 1, so sánh hệ số<br /> tương quan (R2) đối với cả hai kỹ thuật thông<br /> minh có thể thấy: trong khi hệ số tương quan<br /> (R2) của mạng thần kinh luôn giữ ở mức cao (lớn<br /> hơn 99 %) thì ở lập trình di truyền là đều ngược<br /> lại (nhỏ hơn 99%). Điều này chứng tỏ, nhìn<br /> chung mạng thần kinh có khả năng dự đoán<br /> chính xác hơn lập trình di truyền. Tuy nhiên ở<br /> một số dữ liệu như 5, 11 đối với giá trị y1 và 8, 9,<br /> 10 đối với y2, y3 đã xảy ra điều ngược lại. Giá trị<br /> dự đoán của biến phụ thuộc (y) khi dùng kỹ<br /> thuật lập trình chính xác hơn.<br /> Để kết quả so sánh giữa hai kỹ thuật trong<br /> xây dựng mô hình hóa dữ liệu được rõ ràng và<br /> chính xác hơn, phương trình đường thẳng hồi<br /> quy với hệ số góc được sử dụng. Với phương<br /> pháp này, hệ số góc của từng phương trình<br /> đường thẳng hồi quy tương ứng (y1-GP: 0,978,<br /> y1-NN: 0,992; y2-GP: 0,977, y2-NN: 0,998; y3-GP:<br /> 0.973, y3-NN: 0,998) (chi tiết Hình 6). So sánh<br /> giữa các hệ số góc này, rõ ràng kết quả mô<br /> hình hoá từ kỹ thuật thông minh mạng thần<br /> kinh tốt hơn lập trình di truyền cho dữ liệu<br /> viên nén matrix này khi giá trị hệ số góc tiến<br /> tới giá trị 1,00.<br /> <br /> Công thức viên nén matrix(1)<br /> Bằng sự lựa chọn các giá trị, điều kiện phù<br /> hợp trong quá trình xây dựng mô hình hóa dữ<br /> Bảng 1. Dữ liệu thực nghiệm và kết quả dự đoán y1, y2, y3 dùng kỹ thuật thông minh GP và NN<br /> No<br /> <br /> y1<br /> <br /> y1-GP<br /> <br /> y1-NN<br /> <br /> y2<br /> <br /> y2-GP<br /> <br /> y2-NN<br /> <br /> y3<br /> <br /> y3-GP<br /> <br /> y3-NN<br /> <br /> 1<br /> 2<br /> 3<br /> 4<br /> 5<br /> 6<br /> 7<br /> 8<br /> 9<br /> 10<br /> 11<br /> <br /> 0,152<br /> 0,104<br /> 0,112<br /> 0,122<br /> 0,148<br /> 0,074<br /> 0,098<br /> 0,084<br /> 0,087<br /> 0,084<br /> 0,089<br /> <br /> 0,150<br /> 0,098<br /> 0,111<br /> 0,123<br /> 0,148<br /> 0,076<br /> 0,104<br /> 0,090<br /> 0,090<br /> 0,090<br /> 0,090<br /> <br /> 0,151<br /> 0,104<br /> 0,112<br /> 0,122<br /> 0,149<br /> 0,074<br /> 0,098<br /> 0,087<br /> 0,087<br /> 0,087<br /> 0,087<br /> <br /> 0,683<br /> 0,545<br /> 0,612<br /> 0,448<br /> 0,585<br /> 0,388<br /> 0,576<br /> 0,512<br /> 0,518<br /> 0,507<br /> 0,525<br /> <br /> 0,669<br /> 0,541<br /> 0,639<br /> 0,446<br /> 0,607<br /> 0,382<br /> 0,572<br /> 0,515<br /> 0,515<br /> 0,515<br /> 0,515<br /> <br /> 0,682<br /> 0,545<br /> 0,612<br /> 0,448<br /> 0,585<br /> 0,388<br /> 0,576<br /> 0,52<br /> 0,52<br /> 0,52<br /> 0,52<br /> <br /> 0,992<br /> 0,902<br /> 0,986<br /> 0,712<br /> 0,866<br /> 0,68<br /> 0,925<br /> 0,856<br /> 0,862<br /> 0,851<br /> 0,87<br /> <br /> 0,980<br /> 0,905<br /> 1,010<br /> 0,709<br /> 0,877<br /> 0,730<br /> 0,907<br /> 0,861<br /> 0,861<br /> 0,861<br /> 0,861<br /> <br /> 0,99<br /> 0,902<br /> 0,987<br /> 0,712<br /> 0,866<br /> 0,68<br /> 0,925<br /> 0,865<br /> 0,865<br /> 0,865<br /> 0,865<br /> <br /> Chuyên Đề Dược Khoa<br /> <br /> 9<br /> <br /> Y Học TP. Hồ Chí Minh * Tập 15 * Phụ bản của Số 1 * 2011<br /> <br /> Nghiên cứu Y học<br /> No<br /> <br /> y1<br /> <br /> y1-GP<br /> <br /> y1-NN<br /> <br /> y2<br /> <br /> y2-GP<br /> <br /> y2-NN<br /> <br /> y3<br /> <br /> y3-GP<br /> <br /> y3-NN<br /> <br /> 12<br /> 13<br /> <br /> 0,052<br /> 0,143<br /> <br /> 0,045<br /> 0,140<br /> 0,980<br /> <br /> 0,052<br /> 0,143<br /> 0,998<br /> <br /> 0,352<br /> 0,518<br /> <br /> 0,376<br /> 0,527<br /> 0,977<br /> <br /> 0,353<br /> 0,518<br /> 0,998<br /> <br /> 0,672<br /> 0,792<br /> <br /> 0,686<br /> 0,786<br /> 0,973<br /> <br /> 0,674<br /> 0,792<br /> 0,998<br /> <br /> R2<br /> <br /> .<br /> <br /> Giống với dữ liệu đầu tiên, bằng sự lựa chọn<br /> <br /> P re d i c te d<br /> <br /> 0.16<br /> <br /> các giá trị, điều kiện phù hợp trong quá trình<br /> <br /> ŷ 1 - GP = 0.978x + 0.003<br /> <br /> 0.14<br /> <br /> R = 0.9803<br /> <br /> xây dựng mô hình hóa dữ liệu cho viên phóng<br /> <br /> 0.12<br /> <br /> ŷ1 - NN = 0.992x + 0.001<br /> <br /> thích có kiểm soát đối với cả hai kỹ thuật (GP,<br /> <br /> 2<br /> <br /> R2 = 0.998<br /> <br /> NN), kết quả hệ số tương quan (R2) được trình<br /> <br /> 0.1<br /> 0.08<br /> <br /> bày trong Bảng 2.<br /> <br /> 0.06<br /> y1-GP<br /> 0.04<br /> 0.04<br /> <br /> 0.06<br /> <br /> 0.08<br /> <br /> 0.1<br /> <br /> 0.12<br /> <br /> y1-NN<br /> <br /> 0.14<br /> <br /> 0.16<br /> <br /> Observed<br /> <br /> So sánh giá trị R2 (Bảng 2), giá trị R2 trong kỹ<br /> thuật mạng thần kinh luôn cao hơn giá trị R2<br /> trong kỹ thuật lập trình di truyền với cả hai<br /> thông số luyện và thử. Đối với kỹ thuật thông<br /> <br /> 0.8<br /> <br /> minh mạng thần kinh với dữ liệu đầu ra là thời<br /> <br /> ŷ2 - GP = 0.979x + 0.015<br /> 2<br /> <br /> R = 0.9774<br /> <br /> 0.7<br /> <br /> gian 80% hoạt chất phóng thích (t80) thông số R2-<br /> <br /> P re d ic t e d<br /> <br /> ŷ2 - NN = 0.994x + 0.005<br /> <br /> luyện đạt tới giá trị 0,99, trong khi kỹ thuật lập<br /> <br /> 2<br /> <br /> R = 0.998<br /> <br /> 0.6<br /> <br /> trình di truyền R2-luyện chỉ đạt 0,940. Đặc biệt<br /> <br /> 0.5<br /> <br /> với dữ liệu đầu ra - phần trăm hoạt chất phóng<br /> <br /> 0.4<br /> y2-GP<br /> <br /> thích sau 60 phút (y60), khả năng xây dựng mô<br /> <br /> y2-NN<br /> <br /> 0.3<br /> 0.3<br /> <br /> 0.4<br /> <br /> 0.5<br /> <br /> 0.6<br /> <br /> 0.7<br /> <br /> hình hóa dữ liệu của kỹ thuật lập trình di truyền<br /> là không cao (R2 luyện = 0.750, R2 thử = 0,940),<br /> <br /> Observed<br /> <br /> trong khi đó, mô hình hóa dữ liệu khi áp dụng<br /> 1.1<br /> <br /> mạng thần kinh cho kết quả vượt trội (R2 luyện =<br /> <br /> ŷ3 - GP = 0.928x + 0.066<br /> 2<br /> <br /> R = 0.9732<br /> <br /> 1<br /> <br /> 0,940, R2 thử = 0,960).<br /> <br /> P r e d i c te d<br /> <br /> ŷ 3 - NN = 0.997x + 0.004<br /> <br /> Ở biểu đồ quy hồi (Hình 7), đặc biệt đối với<br /> <br /> R2 = 0.998<br /> <br /> 0.9<br /> <br /> biến phụ thuộc y60 hệ số góc của phương trình<br /> <br /> 0.8<br /> <br /> đường thẳng quy hồi với kỹ thuật lập trình di<br /> 0.7<br /> y3-GP<br /> <br /> y3-NN<br /> <br /> 0.6<br /> 0.6<br /> <br /> 0.7<br /> <br /> 0.8<br /> <br /> 0.9<br /> <br /> 1<br /> <br /> 1.1<br /> <br /> Observed<br /> <br /> Hình 6. Biểu đồ so sánh kết quả dự đoán của GP (♦)<br /> và NN() cho y1, y2, y3.<br /> Công thức viên nén phóng thích có kiểm soát<br /> diclofenac sodium microspheres(6)<br /> <br /> truyền chỉ là 0,780 trong khi đó mạng thần kinh<br /> đạt 0,960. Với những biểu đồ cho các biến phụ<br /> thuộc khác (y1, y3, y4), mạng thần kinh luôn trội<br /> hơn so với kỹ thuật lập trình di truyền. Từ<br /> những kết quả trên, có thể kết luận, trong việc<br /> xây dựng mô hình hóa dữ liệu đối với viên nén<br /> phóng thích có kiểm soát diclofenac sodium<br /> microspheres, mạng thần kinh vượt trội hơn so<br /> với lập trình di truyền.<br /> <br /> 10<br /> <br /> Chuyên Đề Dược Khoa<br /> <br />

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản