Обзор современных методов роевого интеллекта для компьютерного молекулярного дизайна лекарственных препаратов

Обзор современных методов роевого интеллекта для компьютерного молекулярного дизайна лекарственных препаратов

Автор: Самигулина Галина Ахметовна, Масимканова Жазира Ауезбеккызы

Журнал: Проблемы информатики @problem-info

Рубрика: Прикладные информационные технологии

Статья в выпуске: 2 (31), 2016 года.

Бесплатный доступ

В статье проведен аналитический обзор современных методов роевого интеллекта для прогнозирования зависимости „структура-активность" (QSAR) химических веществ и компьютерного молекулярного дизайна новых лекарственных препаратов. Рассматриваются методы муравьиной и пчелиной колонии, а также алгоритм роя частиц для решения задачи выделения информативных дескрипторов. Приведены основные программные продукты для реализации формирования оптимального набора дескрипторов.

Роевой интеллект, компьютерный молекулярный дизайн лекарств, выделение информативных дескрипторов

Короткий адрес: https://sciup.org/14320306

IDR: 14320306

Список литературы Обзор современных методов роевого интеллекта для компьютерного молекулярного дизайна лекарственных препаратов

  • Radchenko Е. V., Dyabina A. S., Palulin V. A., Zefirov N. S. Prediction of pharmacokinetic parameters for diverse drug compounds//Proceedings of the 19-th EuroQSAR; Knowledge Enabled Ligand Design. Vienna: Austria. 2012. P. 76-79.
  • Sliwoski G., Kothiwale S., Meiler J., Lowe E. W. Computational Methods in Drug Discovery//Pharmacological reviews. 2014. N 66. P. 334-395.
  • Golla S., Neely В., Whitebay E., Madihally S., Robinson R., Gasem K. Virtual design of chemical penetration enhancers for transdermal drug delivery//Chem. Biol. Drug Design. 2012. P. 478-487.
  • Chin Yee L., Chun Wei Y. Current Modeling Methods Used in QSAR/QSPR//Statistical Modelling of Molecular Descriptors in QSAR/QSPR. 2012. P. 1-31.
  • Гальберштам H. М. Баскин И. М. Палюлин В. А., Зефиров П. С. Нейронные сети как метод поиска зависимостей структура-свойство органических соединений//Успехи химии. № 7. 2003. С. 86-96.
  • Hristozov D., Oprea Т., Gasteiger j. Virtual screening applications: a study of ligand-based methods and different structure representations in four different scenarios//Journal Computer Aided Molecular Design. 2007. N 21. P. 617-640.
  • Самигулина Г. А., Самигулина 3. И., Вуйцих В., Крак Ю. В. Прогнозирование зависимости „структура-свойство" новых органических соединений на основе искусственных иммунных систем//Проблемы управления и информатики. Киев: Институт кибернетики им. В. М. Глушкова. 2015. № 2. С. 81-88.
  • Das S., Abraham A., Konar A. Swarm Intelligence Algorithms in Bioinformatics//, http://www.softcomputing.net/cib-web.pdf (дата обращения 18.01.2016).
  • D. Livingstone. Artificial Neural Networks: Methods and Applications. Totowa: Humana Press. 2008. P. 249.
  • Acharya C., Coop A., Polli J. E., Mackerell A. D. Recent advances in ligand-based drug design: relevance and utility of the conformationallv sampled pharmacophore approach//Current Computing Aided Drug Design. 2011. N 7. P. 10-22.
  • Goodarzi M. Freitas M. P., Jensen R. Feature selection and linear/nonlinear regression methods for the accurate prediction of glycogen synthase kinase-3beta inhibitory activities//Journal Chemical Information Model. 2011. N 49. P. 824-832.
  • Mueller R., Dawson E. S., Meiler J., Rodriguez A. I. Chauder B. A., Bates B. S., Felts A. S., Lamb J. P., Menon U. N., Jadhav S. B. Discovery of 2-(2-benzoxazovl amino)-4-arvl-5 cyanopvrimidine as negative allosteric modulators (NAMs) of metabotropic glutamate receptor 5(mGlU5): from an artificial neural network virtual screen to an in vivo tool compound//Chemical Medicine. 2012. N 7. P. 406-414.
  • Bazeley P. S., Prithivi S., Struble C. A., Povinelli R. J., Sem D. S. Synergistic use of compound properties and docking scores in neural network modeling of CYP2D6 binding: predicting affinity and conformational sampling//Journal Chemical Information Model. 2006. N 46. P. 2698-2708.
  • Samigulina G. A., Abdenova A.M., Masimkanova Zh. A. Development of QSAR methods based on artificial intelligence approaches//Proc. of the 13th International conference information technologies and management. Riga: Information Systems Management Institute, 2015. P. 83.
  • Hinchey M. G., Sterritt R., Rouff C. Swarms and Swarm Intelligence//Computer Society „From Ants to People: an Instinct to Swarm". IEEE. 2007. N 40. P. 111-113.
  • Waibel M. Floreano D., Keller L. A quantitative test of Hamilton's rule for the evolution of altruism//PLoS Biology. 2011. V. 9. N 5. P. 56-64.
  • Sнан-hosseini H. The intelligent water drops algorithm: a nature-inspired swarm-based optimization algorithm//International Journal of Bio-Inspired Computing. Geneva: Inderscience Publishers. 2009. P. 71-79.
  • Valian E., Mohanna S., Tavakoli S. Improved cuckoo search algorithm for feedforward neural network training//International Journal of Artificial Intelligence k Applications (IJAIA). 2011. V. 2. N 3. P. 36-43.
  • Das S., Biswas A., Dasgupta S., Abraham A. Bacterial Foraging Optimization Algorithm: Theoretical Foundations, Analysis and Applications//Foundations of Computational Intelligence. Springer. 2009. V. 203. P. 23-55.
  • Wahono R. S., Suryana N., Ahmad S. Metaheuristic based on feature selection for software detect prediction//Journal of software. Academy publisher. 2014. V. 9. N 5. P. 1324-1333.
  • Agrawal S., Silakari S. A review on application of Particle Swarm Optimization in Bioinformatics//Current bioinformatics. 2015. V. 10. P. 401-413.
  • Liu F., Zhou Z. A new data classification method based on chaotic particle swarm optimization and least square-support vector machine//Chemometrics and intelligent laboratory systems. 2015. P. 147-156.
  • Zhang J., Chen W., Zhan/. Yu W., Li Y., Chen N., Zhou Q. A survey on algorithm adaptation in evolutionary computation//Frontiers of Electrical and Electronic Engineering. 2012. V. 7. P. 16-31.
  • Allias N., Mohamed-Noor XL. Ismail N., de Silva K. A Hybrid Gini PSO-SVM Feature Selection: An Empirical Study of Population Sizes on Different Classifier//Proceedings of First International Conference on Artificial Intelligence, Modelling k Simulation. IEEE. 2013. P. 94-97.
  • Zakaria N., Abdullah R. A Comparison between Artificial Bee Colony and Particle Swarm Optimization Algorithms for Protein Structure Prediction Problem//Neural Information Processing. 2013. V. 8227. P. 331-340.
  • Marcus C., Fong S., SlU W.I. PSOVina: The hybrid particle swarm optimization algorithm for protein-ligand docking//Journal of bioinformatics and computational biology. 2015. P. 154-157.
  • Morteza A., Kobra Z., Azam B. Ant colony optimization as a descriptor selection in QSPR modeling: Estimation of the k-max of anthraquinones-based dyes//Journal of Saudi Chemical Society. 2013. P. 2-5.
  • Gebreslassie В. H., Diwekar U. M. Efficient ant colony optimization for computer aided molecular design: Case study solvent selection problem//Computers and chemical engineering. 2015. V. 78. P. 1-9.
  • Schiezaro M. Pedrini H. Data feature selection based on Artificial bee colony algorithm//EURASIP Journal on Image and Video processing. 2013. P. 29-33.
  • COLORNI A., DORIGO М. Distributed Optimization by Ant Colonies//Actes de la premiere conference europeenne sur la vie artificielle. France: Elsevier Publishing. 1991. P. 134-142.
  • Зайцев А. А., Курейчик В. В., Полупанов А. А. Обзор эволюционных методов оптимизации на основе роевого интеллекта//Эволюционное моделирование, генетические и бионические алгоритмы. Известия ЮФУ. Технические науки. С. 7-12.
  • Субботин С. А., Олейник А. А., Яценко В. К. Отбор информативных признаков на основе модифицированного метода муравьиных колоний//Радiоелектронiка та iнформатика. 2006. № 1. С. 65-68.
  • Олейник Ан. А., Олейник Ал. А., Субботин С. А. Агентные технологии для отбора информативных признаков//Кибернетика и системный анализ. 2012. № 2. С. 113-125.
  • Самигулина Г. А., Авденова А. М., Масимканова Ж. А. Применение подходов искусственного интеллекта для решения задачи выделения информативных признаков//Материалы 11-й Международной Азиатской школы-семинара „Проблемы оптимизации сложных систем". 2015. С. 567-572.
  • Самигулина Г. А., Масимканова Ж. А. Выделение информативных признаков на основе муравьиных алгоритмов для иммунносетевого моделирования новых лекарственных препаратов//Труды XVIII Всесибирского семинара „Моделирование неравновесных систем (MNS-15)". Красноярск. 2015. С. 89-93.
  • Sorin С. N., Constantin О., Claudiu V. К., I. Carabulea. Elitist Ant System for Route Allocation Problem//Proceedings of 8-th WSEAS International Conference on Applied informatics and communications. Greece. 2008. P. 62-67.
  • Gambardella L. M., Dorigo M. Ant-Q: A Reinforcement Learning approach to the traveling salesman problem. Universite Libre de Bruxelles. 1995. P. 1-10.
  • Dorigo M., Gambardella L. M. Ant Colony System: A Cooperative Learning Approach to the Traveling Salesman Problem//Transactions on Evolutionary Computation. IEEE. 1997. V. 1. N 1. P. 53-66.
  • Stutzle T. MAX MIN Ant System//Future Generation Computer Systems. 2000. V. 16. P. 889-914.
  • Zhang Т., Yu S., Zhang Y., Tian W. Ant Colony System Based on the ASRank and MMAS for the VRPSPD//Wireless Communications, Networking and Mobile Computing. WiCom. 2007. P. 3728-3731.
  • Kennedy J., Eberhart R. Particle Swarm Optimization//Proceedings of IEEE International Conference on Neural Networks. 1995. P. 1942-1948.
  • Олейник А. А. Мультиагентный метод оптимизации с адаптивными параметрами//Искусственный интеллект. 2011. № 1. С. 83-90.
  • Самигулина Г. А., Масимканова Ж. А. Построение оптимального набора дескрипторов для компьютерного молекулярного дизайна новых лекарственных препаратов на основе методов роевого интеллекта//Труды III Международной научной конференции „Современные тенденции развития науки и производства". Зап.-сиб. науч. центр. 2016. С. 333-335.
  • Eberhart R. С., Kennedy J. A new optimizer using particle swarm theory//Proceedings of the Sixth International Symposium on Micro Machine and Human Science. 1995. P. 39-43.
  • Shi Y., Eberhart R. A modified particle swarm optimizer//Proceedings of the 1998 IEEE International Conference on Evolutionary Computation. 1998. P. 69-73.
  • Shi Y., Eberhart R. Empirical study of particle swarm optimization//Proceedings of the 1999 IEEE Congress on Evolutionary Computation. 1999. P. 1945-1950.
  • Clerc M., Kennedy J. The particle swarm -explosion, stability, and convergence in a multidimensional complex space//Proceedings of IEEE Transactions on Evolutionary Computation. 2002. N 6. P. 58-73.
  • Mendes R., Kennedy J., Neves J. The fully informed particle swarm: Simpler, maybe better"//Proceedings of IEEE Transactions on Evolutionary Computation. 2004. N 8 (3). P. 204-210.
  • Karaboga D. D. An Idea Based On Honey Bee Swarm for Numerical Optimization//Technical Report-TR06. Ercives University. 2005. C. 49.
  • Олейник А. А., Субботин С. А. Мультиагентный метод с непрямой связью между агентами для выделения информативных признаков//Искусственный интеллект. 2009. № 4. С. 75-82.
  • Kong X., Liu S., Wang Z. An Improved Artificial Bee Colony Algorithm ABC and Its Application//International Journal of Signal Processing, Image Processing and Pattern Recognition. 2013. V. 6. N 6. P. 259-274.
  • Mohamad-Saleh N., Abro G. A Modified Artificial Bee Colony (JA-ABC) Optimization Algorithm//Proceedings of the 2013 International Conference on Applied Mathematics and Computational Methods in Engineering. 2013. P. 74-79.
  • Karaboga D., Akay B. A modified Artificial Bee Colony (ABC) algorithm for constrained optimization problems//Applied Soft Computing. 2011. V. 11. P. 3021-3031.
  • Slnghal K., Naresh R., Sharma V. A modified binary artificial bee colony algorithm for ramp rate constrained unit commitment problem//International Transactions on Electrical Energy Systems. 2015. V. 25. P. 3472-3491.
  • http://gui-ant-miner.softll2.com/(дата обращения 27.03.2016)
  • https://github.com/epid/ACOTSP (дата обращения 29.03.2016)
  • http://people.idsia.ch/~gianni/antnet.html (дата обращения 30.03.2016)
  • Kotzing Т., Neumann F., Sudholt I). Wagner M. Simple Max-Min Ant Systems and the Optimization of Linear Pseudo-Boolean Functions//FOGA'll. Austria. 2011. P. 59-67.
  • Liefooghe A., Jourdan I. Legrand Т., Humeau J., Talbi E. ParadisEO-MOEO: A Software Framework for Evolutionary Multi-objective Optimization. Advances in Multi-objective Nature Inspired Computing//Studies in Computational Intelligence. Springer. 2010. V. 272. P. 87-117.
  • https://tribespso.codeplex.com/(дата обращения 14.03.2016)
  • Guo J., Gong J., Xu J. Improved RBF Neural Network for Nonlinear Identification System//Proceedings of the 2009 International Workshop on Information Security and Application (IWISA 2009). Qingdao, China. 2009. P. 155-168.
  • https://github.com/swax/SwarmNLP (дата обращения 29.02.2016)
  • http://www.copso.org.uk/(дата обращения 19.02.2016)
  • https://github.com/gvegayon/ABCoptim (дата обращения 18.03.2016)
  • http://mf.erciyes.edu.tr/abc/(дата обращения 09.04.2016)
  • http://stackoverflow.com/questions/7451096/artificial-bee-colony-library (дата обращения 29.03.2016)
  • Goel P., Singh D. Efficient ABC Algorithm for Dynamic Path Planning//International Journal of Computer Applications. 2014. V. 88. N 2. P. 21-27.
  • Karaboga D., Ozturk C. A novel clustering approach: Artificial Bee Colony (ABC) algorithm // Journal Applied Soft Computing. 2011. V. 11. P. 652-657. Zukhri Z., Paputungan I. V. A hybrid optimization algorithm based on genetic algorithm and ant colony optimization // International Journal of Artificial Intelligence k, Applications (IJAIA). 2013. V. 4. N5. P. 23-27. Hamed Z., Aboozar K., Hamid M. Application of modified particle swarm optimization as an efficient variable selection strategy in QSAR/QSPR studies // Journal of chemometrics. 2012. P. 123-128.
  • Zukhri Z., Paputungan I. V. A hybrid optimization algorithm based on genetic algorithm and ant colony optimization//International Journal of Artificial Intelligence k, Applications (IJAIA). 2013. V. 4. N5. P. 23-27
  • Hamed Z., Aboozar K., Hamid M. Application of modified particle swarm optimization as an efficient variable selection strategy in QSAR/QSPR studies//Journal of chemometrics. 2012. P. 123-128
Еще
Статья обзорная
SciUp 2024 © 2024 ©