人工神经网络小论文..docVIP

人工神经网络在药物制剂研究中的应用icial neural network could be used for pattern distinguish,prediction and optimization etc.This papertbriefly reviewed the application of neural networks in pharmaceutical fields,such as formulation optimization,preparation parameters optimization and in vitro-in vivo correlation evaluation. Key words：artificial neural networks;pharmaceutic 药物制剂研究是一个复杂的过程，包括制剂处方，制剂制备工艺及制剂体内体外评价等，其中任何一个方面都属于多因素，多水平的复杂优化问题。例如处方设计过程中涉及不同质量不同用量的各种敷料配比及压力、温度、水分等，这些因素直接影响剂型的安全性和有效性；制剂设备工艺涉及众多纷繁复杂的工艺参数优化，制剂体内体外评价更是受生物系统的极端复杂性影响。过去人们通常依靠某一方面的专家来承担相应的工作，免不了受许多经验化主观因素的影响，效率较低，而基于人工智能的神经网络则很适于处理这类复杂的多变量非线性系统，并可通过网络的预测能力实现多因素的同步优化。 1 神经网络理论 人工神经网络(artificial neural network)是一种由大量简单处理单元以某种方式相互连接而成，对连续的输入做出状态响应的动态信息处理系统。它模拟人脑生物神经网络系统处理信息的方式，通过经验而不是通过设计好的程序进行学习、训练。因此，人工神经网络具有人脑的某些重要特性，如联想记忆、并行处理、自学习、自组织、自适应和容错性等能力，这些构成了人工神经网络具有模式识别、预测评价和优化决策等能力的基础。 参数），输出层节点的输出变量为应变量（目标函数），当多个输入进入神经元后，其加权求和值超过神经元的阈值后会形成输出，通过连接权连接，传递到下一层神经元，作为下一层神经元的输入值，这样按网络的拓扑结构依次传递。根据神经网络的计算原理，每一神经元的输入值将更新变化，最后到达输出层。将输出值与样本的期望输出值进行比较，计算出误差，按学习规律将误差反向传播到前一层神经元，调整连接权大小，重新计算，再输出。如此反复，直到训练集样本输出误差和达到期望值。至此得到固定的连接权值，就达到对未知样本进行预测和分析。其中网络的信息主要储存在连接权中。 根据神经元之间的相互结合关系和作用方式，神经网络模型可以分为很多种，其中反向传播神经网络(back-propagation neural network)即BP神经网络是目前药剂领域中应用最广泛、计算能力最强的人工神经网络模型之一。由于这种网络的权值和阈值调整采用了反向传播的学习算法，解决了感知器所不能解决的问题，可以实现从输入到输出的任意非线性映射。在确定了网络的结构后，利用输入样本集对其进行训练，即对网络的权值和阈值进行学习和调整。经过训练的BP网络，对于不是样本集中的输入样本也能给出合适的输出，利用这种方式可以使用该网络对未知样本进行预测。 2 人工神经网络在药剂中的应用 2.1 药物制剂处方设计及优化 制剂处方设计及优化是目前神经网络在药物制剂中应用最多，也是比较有发展前景的方向之一,尤其是应用于缓控释制剂的处方优化和设计中。 梁文权［12］等将人工神经网络应用于优化HPMC缓释片处方。以药物的溶解度、含药量、HPMC的量、HPMC的固有黏度、辅料的量、黏合剂的浓度、溶出仪的转速为神经网络的输入，药物的累计释放量作为输出，采用BP网络对52个样本进行训练，建立BP神经网络模型。然后与优化算法相结合实现对乙酰氨基酚、甲氧苄氨嘧啶、米诺地尔、氧氟沙星等模型药物在不同的含药量、不同转速条件下的处方进行优化。试验结果发现利用神经网络预测药物的释放、训练处方和测试处方的实测值和预测值能很好吻合，得到的4个优化处方的释放值均和目标值很接近。魏晓红［13］等选取9种药物作为模型药物，按HPMC：糊精=5-0.2∶1配比制成不同释放度的缓释片，测定各个处方的释放度，以每个药物的溶解度和处方中HPMC∶糊精的配比值作为网络的输入，以释放度测量中每个给定取样时间点药物的累积释放量作为输出变量，得到含一个隐含层，迭代次数为25次的BP神经网络，通过优化，成功拟定了4个制剂处方，按此处方制备的缓释片的实测释放值与神经网络预测值相符。根据此法，可以从药物的溶解度设计符合一定释放度要求的缓释制剂处方。 骆快燕［14］等用干压包衣技术制备卡托普