автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Разработка компьютерных моделей для прогноза и экспериментальной оценки свойств нейропротекторов и стимуляторов когнитивных функций

ВВЕДЕНИЕ.

ГЛАВА 1. ЛИТЕРАТУРНЫЙ ОБЗОР.

1.1. Применение искусственных нейронных сетей для построения моделей КССА.

1.1.1. Методы, использующиеся при построении корреляционных зависимостей КССА.

1.1.2. Архитектура нейронных сетей.

1.1.3. Развитие нейросетевых подходов, применяющихся при конструировании соединений.

1.1.4. Применение ИНС с обратным распространением ошибок.

1.2. Методы исследования влияния препаратов на обучение и память лабораторных животных.

1.2.1. Типы поведенческих тестов, используемых для нарушения пространственной ориентации.

1.2.2. Водный тест Морриса.

ГЛАВА 2. МАТЕРИАЛЫ И МЕТОДЫ.

2.1. Исследуемые соединения.

2.2. Данные по биологической активности.

2.3. Расчет дескрипторов.

2.4. Архитектура использовавшихся нейронных сетей.

2.5. Используемые алгоритмы обучения нейронной сети.

2.5.1. Расчет градиента с помощью алгоритма-обратного распространения ошибок.

2.5.2. Метод градиентного спуска с инерцией.

2.5.3. Алгоритм «упругого» распространения.

2.5.4. Квазиньютоновский алгоритм BFGS.

2.5.5. Алгоритм Левенберга-Маркардта.

2.6. Регуляризационные алгоритмы.

2.6.1. Алгоритмы «прореживания».

2.6.2. Алгоритмы «затухания» весов.

2.6.3. Байесовская регуляризация.

2.7. Видеоустановка для измерения поведения животных в водном тесте Морриса.

ГЛАВА 3. РАЗРАБОТКА МЕТОДИКИ ПОСТРОЕНИЯ МОДЕЛИ КССА ДЛЯ

ПРОГНОЗА СВОЙСТВ НЕЙРОПРОТЕКТОРОВ.

3.1. Специфика построения модели.

3.2. Тестирование предложенной методики построения моделей на примере выборок ингибиторов ацетилхолинэстеразы.

3.2.1. Построение моделей с использованием алгоритма «прореживания» связей.

3.2.2. Построение моделей с использованием алгоритма «затухания» весов.

3.2.3. Построение моделей с использованием байесовской регуляризации.

3.2.4. Построение моделей с помощью нового регуляризационного алгоритма.

3.3. Применение разработанной методики построения моделей для дибензиламиновых аналогов МК-801.

3.3.1. Разделение соединений на активные и неактивные в ряду дибензиламиновых аналогов МК-801.

3.3.2. Построение модели «структура - logCl/ICso)» в ряду активных дибензиламинов.

4.3.3. Использование построенных моделей для прогнозирования активности новых соединений дибензиламинового ряда.

ГЛАВА 4. РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ ЭКСПЕРИМЕНТАЛЬНОЙ ОЦЕНКИ КОГНИТИВНЫХ СВОЙСТВ

НЕЙРОПРОТЕКТОРОВ В ВОДНОМ ТЕСТЕ МОРРИСА.

4.1. Описание программы «Behavioral Vision».

4.2.1. Организация и хранение массива данных.

4.2.2. Определение границ зон.

4.2.3. Трекинг объекта.

4.2.4. Анализ результатов.

4.3. Параметры.

4.4. Постановка экспериментов.

4.5. Анализ демонстрационных экспериментов.

4.6. Обсуждение рассмотренных параметров.

4.7. Применение разработанной системы для оценки влияния соединений NT-9309 и NT-0409 на способность к обучению и воспроизведению навыка крыс в водном тесте Морриса.

Актуальность проблемы. Ключевыми стадиями многоэтапного процесса поиска новых лекарственных препаратов для лечения неврологических заболеваний являются отбор потенциально перспективных веществ из большого массива соединений различных структурных классов на основе данных экспериментов in vitro и оценка влияния отобранных веществ на поведение на различных экспериментальных моделях конкретных патологий in vivo. При этом на первом этапе необходимо протестировать максимально разнообразные соединения для выявления узких групп активных веществ и проанализировать связь между структурой и активностью соединений с целью возможности прогноза и встречного синтеза наиболее перспективных соединений. На втором же этапе важно максимально объективно количественно оценить как положительные, так и отрицательные свойства уже отобранных соединений в экспериментах на животных с целью определения соединений-лидеров для их дальнейшего изучения в расширенных преклинических и клинических испытаниях. Очевидно, что повышение эффективности системы такого скрининга как на первом, так и на втором этапах приведет к значительной экономии средств и времени. Исключительно важное значение проблема объективизации направленного поиска активных соединений представляет в случае таких сложных нейродегенеративных заболеваний, как болезнь Альцгеймера и другие формы деменций, где фармакологический эффект оценивается по влиянию веществ на состояние когнитивных (познавательных) функций и памяти, достаточно сложно поддающихся количественной оценке. При этом разработка программно-компьютерных комплексов, использующих современные методологии получения информации, необходимой для целевого поиска новых эффективных соединений, становится особенно актуальной.

Цель и задачи исследования. Целью диссертационной работы являлась разработка комплекса программных средств для обеспечения направленного поиска нейропротекторов и стимуляторов когнитивных функций как на стадии предварительного отбора перспективных веществ на основании результатов in vitro, так и на стадии углубленного изучения влияния веществ на поведение модельных животных в экспериментах in vivo.

На стадии предварительного отбора осуществлялся анализ количественной связи «структура-активность» (КССА; в английском варианте -Quantitative Structure-Activity Relationships, сокращенно QSAR) с целью выявления закономерностей, позволяющих с той или иной степенью достоверности предсказывать величину биологической активности новых соединений. Для решения данной проблемы использовались искусственные нейронные сети, позволяющие, в отличие от линейных статистических методов, выявлять сложные нелинейные зависимости неизвестного вида между теоретически рассчитываемыми молекулярными характеристиками и экспериментальными данными.

Исследование отобранных препаратов в поведенческих экспериментах in vivo, моделирующих нейродегенеративные заболевания, является критической фазой в процессе разработки новых нейропротекторов. Одним из наиболее показательных и часто применяемых тестов для изучения влияния соединений на когнитивные функции экспериментальных животных является водный тест Морриса, где объектом оценки служит способность животного решать модельную задачу - находить в круговом бассейне платформу, скрытую под поверхностью воды. Выявление сложных поведенческих эффектов в подобных экспериментах, являющееся не только трудоемкой, но и слабо формализуемой задачей, нельзя свести к результатам визуальных наблюдений экспериментатора, и поэтому возникает необходимость в создании и применении компьютеризированных систем съема и анализа траекторий, позволяющих повысить скорость процесса и существенно расширить объем полученной информации. Подобная система должна осуществлять точный съем траекторий животных в режиме реального времени с расчетом части параметров, чтобы исследователь мог делать выводы непосредственно в процессе измерения, автоматическое создание видеоархива, оптимальную организацию большого массива полученных результатов, анализ поведения с использованием комплекса как стандартных, так и оригинальных критериев.

В соответствии с этим в рамках данной работы были решены следующие конкретные научные и методические задачи:

- исследование применимости методологии искусственных нейронных сетей к поиску перспективных нейропротекторов,

- определение эффективности стандартных и введение новых регуляризационных алгоритмов обучения нейронной сети для улучшения качества модели при малом объеме выборки и большом количестве структурных дескрипторов, т. е. когда количество параметров нейросети на порядок превосходит объем выборки, и обычные методы обучения ИНС оказываются неприменимы;

- применение разработанной методологии для построения модели «структура-биологическая активность» в ряду «разомкнутых» аналогов препарата МК-801 и использование ее для прогнозирования активности новых соединений исследуемой выборки;

- разработка аппаратно-программного комплекса «Behavioral Vision» для измерения и количественной оценки поведения экспериментальных животных в режиме реального времени в водном тесте Морриса;

- разработка алгоритмов для расчета ряда новых параметров, позволяющих количественно проанализировать различные аспекты влияния исследуемых соединений на память животных при решении ими модельной задачи поиска невидимой платформы и их проверка в серии демонстрационных экспериментов;

- применение разработанной системы для оценки когнитивно-стимулирующих свойств вновь синтезированных соединений, нейропротекторные свойства которых были предсказаны на основании созданной нейросетевой модели.

Основные результаты и выводы

1. Предложен новый алгоритм регуляризации, основанный на анализе распределения весов нейронов входного слоя после обучения по стандартным регуляризационным методам. Данный метод дает хорошие результаты даже в условиях ограниченного объема экспериментальных данных (количество параметров нейросети на порядок превосходит объем выборки), когда обычные методы обучения искусственных нейронных сетей не работают, а применение стандартных регуляризационных методов не позволяет получить достаточно качественную модель.

2. Применение разработанной системы для анализа полифакторных данных по обратному захвату ионов кальция позволило провести дискриминацию широкого массива разомкнутых аналогов МК-801 на активные и неактивные структуры и сделать предсказания по влиянию метильного замещения в молекулах перспективных веществ на их кальций-блокирующие свойства.

3. Создан оригинальный аппаратно-программный комплекс «Behavioral Vision» для видеосъема и анализа поведения модельных животных, обеспечивающий оцифровку траектории движения животных, запись информации в специальную базу данных и в видеоархив, а также количественный анализ полученных результатов.

4. Выработаны алгоритмы для количественного описания и анализа широкого набора уже известных и оригинальных характеристик памяти и когнитивных функций (у модельных животных).

5. В реальных экспериментах на нейротоксикологической модели болезни Альцгеймера на животных в тесте «водного лабиринта Морриса» проведена проверка и сравнительный анализ чувствительности отдельных критериев поведения животных, к действию известных препаратов, стимулирующих когнитивные функции (Арисепт, Мемантин) и

1. Artificial 1.telligence and Molecular Biology. / Ed. by Hunter L., London: AAA! Press/The MIT Press, 1993, 500 p.

2. Concepts in Protein Engineering and Design An Introduction. / Ed. by P. Wrede and Schneider G., Berlin: Walter de Gruyter, 1994, 378 p.

3. Jackson R. C. Update on computer-aided drug design. // Curr. Opin. Biotechnol., 1995, V. 6, № 6, pp. 646-651.

4. Muller K. De novo design. // In: Perspectives in Drug Discovery and Design. / Ed. by Anderson P. S., Kenyon G. L., Marshall G. R., Leiden: Escom Science Publishers, 1995, V. 3, pp. 139-150.

5. Kubinyi H. QSAR: Hansch analysis and related approaches. // In: Methods and Principles in Medicinal Chemistry. / Ed. by Mannhold R., Krogsgaard-Larsen P., Timmerman H., Weinheim: VCH, 1993, V. 1, 240 p.

6. Hansch C., Leo A. Exploring QSAR. Fundamentals and Applications in Chemistry and Biology. / American Chemical Society Professional Reference Book, Washington, 1995, 557 p.

7. Topliss J. G. and Costello R. J. Chance correlations in structure-activity studies using multiple regression analysis. // J. Med. Chem., 1972, V. 15, № 3, pp. 1066-1068.

8. Hansch C., Unger S. H., and Forsythe A. B. Strategy in drug design. Cluster analysis as an aid in the selection of substituents. // J. Med. Chem., 1973, V. 16, № 11, pp. 1217-1222.

9. Mager P. P. Non-least-squares regression analysis applied to organic and medicinal chemistry. // Med. Res. Rev., 1994, V. 14, № 2, pp. 533-588.

10. Martin Y. C. Quantitative Drug Design A Critical Introduction. / New York: Marcel Dekker, 1978, 425 p.

11. Sjostrom M. and Eriksson K. Application of statistical experimental design and PLS modeling in QSAR. // In: Chemometrics Methods in Molecular Design. / Ed. by van de Waterbeemd, VCH, 1995, pp. 63-90.

12. Cramer R.D., Patterson D.E., Bunce J. D. Recent advances in comparative molecular field analysis. //Prog. Clin. Biol. Res., 1989, V.110, pp. 5959-5967.

13. Martin Y. C., Kim K.-H., Liu С. T. Comparative molecular field analysis: CoMFA. // In: Advances in Quant. Struct.-Property Relationships. / JAI Press, 1996, V. l,pp. 1-52.

14. Schneider G., Wrede P. Artificial neural networks for computer-based molecular design. // Progress in Biophysics & Molecular Biology, 1998, V. 70, pp. 175-222.15