Библиографическое описание:Интегрированный метод машинного обучения для анализа побочных эффектов полипрагмазии : научное издание / С. А. Котов, О. В. Непомнящий, С. Ю. Пичковская, Ю. В. Краснобаев. - Текст : непосредственный // Наукоемкие технологии. - 2026. - Т. 27, № 2. - С. 22-31. - ISSN 1999-8465, DOI 10.18127/j19998465-202602-02.
Аннотация:Постановка проблемы. В настоящее время актуальна проблема комплексного применения лекарственных препаратов (полипрагмазии) с точки зрения вычислительной фармацевтики. Анализ результатов таких взаимодействий с помощью лабораторных методов требует значительных ресурсов. В связи с этим при увеличении ассортимента лекарств становится практически невозможным охватить максимальный спектр таких взаимодействий. Необходимо рассмотреть известные вычислительные методы и обсудить проблему обеспечения полноты и точности результатов, вызванную разнообразием наборов взаимодействий, используемых в машинном обучении. Цель. Проверить гипотезу о том, что использование технологий глубокого обучения может позволить выделить искомую функцию из множества результатов взаимодействий, что, в свою очередь, повысит точность прогнозирования. Результаты. Предложено решение, основанное на совместном использовании сверточной нейронной сети и эволюционного алгоритма. Описана архитектура нейронной сети и принцип ее работы. Представлена математическая модель, сформированы наборы данных для обучения и проверки работоспособности нейронной сети. Проведено обучение и выполнен сравнительный анализ известных алгоритмов в различных режимах прогнозирования. Практическая значимость. Комбинированное использование сверточной нейронной сети и алгоритма сальпового роя позволит повысить точность, чувствительность, избирательность и надежность по сравнению с известными методами на аналогичных наборах данных.
The article discusses the problems of complex use of medications (polypragmasia) from the point of view of computational pharmaceutics and ensuring the completeness and accuracy of results caused by the diversity of sets of interactions used in machine learning. The goal is to test the hypothesis that the use of deep learning technologies can allow the desired function to be extracted from a set of interaction results, which in turn can improve the accuracy of forecasting. The research results in a solution based on the combined use of a convolutional neural network and an evolutionary algorithm. The architecture of the neural network and its operation are described. A mathematical model is presented, and data sets are formed for training and testing the neural network. Training is performed, and a comparative analysis of known algorithms is carried out in various forecasting modes. The practical significance of the study is that the combined use of a convolutional neural network and a particle swarm algorithm will improve accuracy, sensitivity, selectivity, and reliability compared to known methods on similar datasets.
