РАЗРАБОТКА МЕТОДИКИ ОЦЕНКИ ЭФФЕКТИВНОСТИ SMART-ТЕХНОЛОГИИ ПРОГНОЗИРОВАНИЯ СВОЙСТВ ЛЕКАРСТВЕННЫХ СОЕДИНЕНИЙ И АНАЛИЗА БАЗ ДАННЫХ С ИСПОЛЬЗОВАНИЕМ СОВРЕМЕННЫХ ПРОГРАММНЫХ СРЕДСТВ

В настоящее время перспективным является разработка инновационных методик для создания новых лекарственных препаратов с заданными свойствами с целью снижения временных и финансовых затрат. Поиск эффективных лекарственных соединений является сложным, многостадийным процессом, при котором необходимо обрабатывать огромный объём химических данных. Актуально применение современных методов искусственного интеллекта для прогнозирования зависимости «структура-свойство» лекарственных соединений. В статье представлена разработанная Smart-технология прогнозирования на основе модифицированных алгоритмов искусственных иммунных систем. Оценка эффективности Smart-технологии осуществляется с помощью методологии FMEA (Failure Mode and Effects Analysis) для анализа причин и последствий возникновения дефектов. Разработана модель FMEA для оценки рисков функционирования этапов Smart-технологии. В качестве примера рассматриваются лекарственные соединения сульфаниламидной группы.

1. Chenye Qiu. A novel multi-swarm particle swarm optimization for feature selection // Genetic programming and evolvable machines. – Springer, 2019. - №20. – P. 503-529.

2. Zheng-Ming Gao, Juan Zhao. An Improved Grey Wolf Optimization Algorithm with Variable Weights // Computational Intelligence and Neuroscience. – 2019. – Vol.1. - №3. – P.1-13.

3. Mohamed Abdel-Basset, Laila A. Shawky. Flower pollination algorithm: a comprehensive review // Artificial Intelligence Review. – 2019. – Vol. 52. – P. 2533-2557.

4. Xi Wang. The Application of Genetic Algorithms in the Biological Medical Diagnostic Research // International journal of BIO automation. – 2016. – Vol.20. - №4. – P. 493 – 504.

5. Ilyes Jenhani, Zied Elouedi. Re-visiting the artificial immune recognition system: a survey and an improved version // Artificial Intelligence Review. – 2014. – Vol. 42. – P. 821–833.

6. David González-Patiño, Yenny Villuendas-Rey, Amadeo José Argüelles-Cruz, Oscar Camacho-Nieto, Cornelio Yáñez-Márquez. AISAC: An Artificial Immune System for Associative Classification Applied to Breast Cancer Detection // Applied science. – 2020. – Vol.10.- №2. – Р. 515.

7. Weiwei Zhang, Kui Gao, Weizheng Zhang, Xiao Wang, Qiuwen Zhang & Hua Wang.A hybrid clonal selection algorithm with modified combinatorial recombination and success-history based adaptive mutation for numerical optimization //A hybrid clonal selection algorithm with modified combinatorial recombination and success-history based adaptive mutation for numerical optimization. – Applied Intelligence, 2018. – Vol.49. – P.819-836.

8. Khulan Batbayar, Márta Takács, Miklos Kozlovszky. Medical device software risk assessment using FMEA and fuzzy linguistic approach: case study // 11th IEEE International Symposium on Applied Computational Intelligence and Informatics. – 2016. – P.197-202.

9. Chiozza M.L., Ponzetti C. FMEA: a model for reducing medical errors // Clinica Chimica Acta; International Journal of Clinical Chemistry. – 2009. – Vol. 404 (1). – P. 75-78.

10. Hirotaka Inoue, Shu Yamada. Failure mode and effects analysis in pharmaceutical research // International Journal of Quality and Service Sciences. – 2010.- Vol. 2(3). – P. 369-382.

11. Samigulina G.A., Samigulina Z.I. Development of multi-agent technology for prediction of the «structure-property» dependence of drugs on the basis of modified algorithms of artificial immune systems // Proceedings of International Work Conference on Bioinformatics and Biomedical Engineering, IWBBIO 2018, April 25-27. –Spain, Granada. – 2018. – P. 1-2.

12. Самигулина Г.А., Самигулина З.И. Информационная система ведения научных исследований для прогнозирования зависимости «структура-свойство» лекарственных соединений на основе модифицированных алгоритмов искусственных иммунных систем // Проблемы информатики. – 2019. – № 3(44). – С. 31-46.