基于BP神经网络的抗生素效价预测模型研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于BP神经网络的抗生素效价预测模型研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘要：目的：通过BP神经网络对抗生素微生物效价进行测定。方法：以枯草芽孢杆菌为例，通过测定标准品及样品抑菌圈的直径，建立效价预测模型，预测待测样品抑菌圈的效价 结果：对18组样品进行预测，其结果与实测值相比，最大绝对误差为，经SPSS统计软件方差检验，F值为，与一剂量法相比无显著性差异。结论：采用BP人工神经网络能够预测效价，方法简便快捷，预测结果可靠，为抗生素效价的测定建立了新的分析方法。
关键词：BP算法，神经网络，抑菌圈直径，抗生素效价测定
中图分类号：TP18文献标识码：A文章编号：1009-3044(2011)10-2358-02
抗生素效价的生物测定，是以抗菌活性为指标平衡量，表示抗生素中有效成分效力的一种方法。其测定方法通常分为稀释法、比浊法和渗透法。渗透法又称扩散法，其中管碟琼脂扩散法是国际上通用的抗生素效价测定方法，中、日、英、美及欧洲药典均收载有此方法。该方法分为一剂量法，二剂量和三剂量法，其原理是将已知浓度的标准溶液与未知浓度的样品溶液在含有敏感性试验菌的琼脂表面进行扩散，形成抑制试验菌生长的透明抑菌圈，测出抑菌圈的直径或面积大小，再利用抗生素浓度与抑菌圈直径或面积的关系，求出样品的效价[1]。
人工神经网络(Artificial Neural Network，简称ANN)是通过模拟生物体中神经网络的某些结构和功能而构成的一种新的信息处理系统。近年来广泛应用于药学领域，如处方优化、结构设计、中药含量测定及鉴别等方面。本文利用人工神经网络的自学习自适应能力，建立抗生素效价与抑菌圈直径之间的模型，对枯草芽孢杆菌的抗生素效价进行测定与预测，取得了较好的结果。
1 BP神经网络原理
BP神经网络（Back Propagation ，BP ) 是基于误差反向传播算法的多层前向神经网络，也是目前应用最广泛的神经网络。bp神经网络能模拟任意线性与非线性函数，因而具有良好的预测能力。BP神经网络一般为三层神经网络，即输入层，隐含层，输出层，其结构如图1所示，每层都有一些神经元，与相邻层的所有各单元均互相连接，两个单元间的连接强度称为“权值”。
BP神经网络的学习分为两步：信息的正向传递和误差的反向传播。信息的正向传递是输入信息从输入层经隐含层处理后传向输出层，误差的反向传播是将误差逐层往回传递，以修正各层之间的权值和阈值。以上两个过程反复交替，直到收敛为止。当训练结束时，将学习得到的规则表达在网络的权重中。根据未知样本的输入特性参数，网络可进行仿真预测，其预测模型见图2。
2 数据处理
2.1 BP网络结构设计
测定抗生素效价时，通常只需测定抑菌圈的直径或面积，然后根据直径或面积与效价之间的关系计算其效价。因此输入层和输出层的节点数均设为1即可。隐含层的节点参照以下经验公式进行设计：n=+a
式中：n为隐层节点数；ni为输入节点数；n0为输出节点数；a为1～10之间的常数[2]。第一层传递函数选用tansig函数，第二层传递函数选用purelin函数，设计的网络模型如图3所示。
2.2 试验部分
菌种：枯草芽孢杆菌；检定培养基（%）：牛肉膏 0.3蛋白胨 0.5K2HPO4 0.3琼脂粉 1.5 ； 蒸馏水：pH 8.0～8.2；点样量：标准品 1～5 μg；样品：诺西肽发酵液 3μl；培养条件：37℃ 12-16个小时。
抑菌圈的直径可通过董鸿晔等[3]设计的计算机可视化自动测量系统获得，先测得标准品抑菌圈的直径均值，利用标准品抑菌圈直径与效价的关系建立标准曲线，数据见表1；再测得待测品抑菌圈的直径均值，利用标准曲线计算出待测品抑菌圈直径所对应的抗生素效价，其数据见表2。
2.3 网络训练
以待测品直径均值为输入，抗生素效价为输出，训练BP网络，网络学习参数为trainlm函数，最大训练次数为3000次，训练步长100，期望误差为0.001。表2中数据分为两部分，一部分用于网络训练，隐层节点数初值设为8，经优化当隐含层节点数为15时，网络收敛达到期望误差。
2.4 网络预测
为了验证网络的泛化能力，选择部分待测样品作为输入值，进行网络预测。网络预测效价与利用一剂量法计算的实际效价见表3。
2.5 模型检验
为验证网络预测模型精度，，利用统计软件SPSS表3中两种方法得到的抗生素效价进行方差检验，见表4。F检验Sig=0.467>0.05，说明两组数据的测量方法无显著性差异。由此可见BP网络的预测结果是可靠的。 3 讨论
本文通过BP神经网络预测模型对抗生素效价进行测定，结果表明，采用BP人工神经网络预测效价方法简便快捷，其预测结果可靠，为抗生素效价的测定建立了新的分析方法。本网络中采用的学习算法为LM算法，是目前收敛速度最快的算法之一[4]。BP网络的非线性映射能力不仅表现在处理多因素影响问题上，在本试验中处理单因素问题时亦表现出优势。在测定抗生素效价中，只考虑到直径一个因素，实际中抗生素微生物效价检定法影响因素很多，如培养温度、培养基成分、酸碱度、实验菌种的老化、菌层厚度、药液的稀释、钢管等[5]，这些因素对网络预测结果的影响还有待考虑和研究。
参考文献：
[1] 抗何文.蔡先东.生素效价测定方法的改进[J].广东药学,2003,13(2).
[2] 周开利.康耀红.神经网络模型及其MATLAB仿真程序设计[M].清华大学出版社,2005.
[3] 董鸿晔,金杰,赵青.计算机可视化技术在抗生素效价测定中的应用[J].生物技术,2002,12(2).
[4] 高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社,2003.
[5] 郭福庆.抗生素微生物效价检定法及其影响因素[J].天津药学,2000,12(4).