基于毛细管电泳指纹图谱的连钱草中有效成分含量预测

基于毛细管电泳指纹图谱的连钱草中有效成分含量预测

连草是属于嘴唇科的血毒症（nakai）的干燥部位。具有润湿、解毒、祛瘀、消肿的功效。用于热侵、石雨、湿热黄疸、伤口、肿胀和其他损伤。人工神经网络(ArtificialNeuralNetwork,ANN)是一种对复杂非线性关系进行预测的化学计量学方法,也是近年来中药领域研究的热点,它对中药指纹图谱的确定性与模糊性具有很好的适应能力,在复杂关系问题的建模上尤显其独特的优势。ANN在中药领域的应用越来越多,如:乔延江等在蟾酥质量的模式识别,刘红梅在白芷超临界萃取,以及宋小莉等在半夏泻心汤配伍研究中均采用了ANN的手段并取得较好的效果。但以指纹图谱作为神经网络输入进行特定组分含量预测的研究尚未见报道。本文以不同产地或批次连钱草的毛细管电泳(CapillaryElectrophoresis,CE)指纹图谱数据及总黄酮和三萜酸类成分的含量为训练样本集,构建反向传播神经网络(Back-PropagationNeuralNetwork,BPNN)、径向基函数神经网络(RadialBasisFunctionNeuralNetwork,RBFNN)和广义回归神经网络(GeneralizedRegressionNeuralNetwork,GRNN)三种ANN模型,用于预测未知连钱草样本的总黄酮和三萜酸类成分的含量,为中药化学成分的定量研究提供一种新方法。1样本数据1.1相对峰面积归一化连钱草来源于湖北省七个不同产地或批次,CE指纹图谱见图1。对CE指纹图谱进行如下数据化处理(方法与文献不同):将迁移时间进行多峰参比校正(即选择谱图中5个分散分布的共有峰,以其迁移时间之和为参比进行校正),得到相对迁移时间并据此进行共有峰确认,保留部分非共有峰(舍去指纹图谱中相对峰面积小于0.3%的非共有峰),扣除加入的芦丁内标峰,然后进行峰面积归一化,得到的相对峰面积即为ANN所需的输入数据。为了给数据加入一定的随机误差,减少网络中误差的影响,对同一产地或批次的连钱草每重复测定一次指纹图谱,即计为一个样本,共得到17个样本(见图2注)。1.2各因子2的含量七个不同产地或批次连钱草的总黄酮和三萜酸类成分的含量都来源于文献,见表1。两者的含量在数值上相差很大,为了减小对网络的影响,将它们除以各自的平均值,使数据都更接近于1。这样处理得到的数据即为ANN所需的目标输出数据,对来源于相同产地或批次的连钱草样本,目标输出数据相同。1.3聚类分析方法聚类分析是根据指标间的相关性或样品间的相似性对指标或样品进行归类的一种分析方法,是一种常用的对类似样本进行相关性比较的手段。本实验采用Matlab7.04软件,按照欧氏距离分别计算输入数据、输出数据的距离,并分别以平均距离法和最短距离法将17个样本进行聚类,结果如图2、图3所示。除了进行聚类分析外,还分别采用相关系数法和夹角余弦法对连钱草CE指纹图谱进行常规的相似度计算,两种方法都以17个样本的平均值作为参照对象,结果见表2。2la7.4编写建立网络模型所需的程序采用Matlab7.04编写。调用该软件神经网络工具箱中的相应函数进行编程,并以网络预测误差评价网络模型的性能。2.1算法及算法优化BPNN是具有多层结构的误差逆传播网络,它有一个输入层,一个或多个隐藏层以及一个输出层。网络建立:网络结构为32-7-3-2,即含有32个神经元的输入层、两个分别含有7个神经元和3个神经元的隐藏层以及含有2个神经元的输出层。输入层32个神经元对应指纹图谱上认定的32个峰(输入数据),输出层2个神经元对应总黄酮和三萜酸类成分的含量(目标输出数据)。隐藏层用的传输函数分别为logsig和tansig函数,输出层调用了purelin函数。网络的拓扑结构以及其中采用的传输函数直接关系到模型的性能,当隐藏层只有一层时,无论其传输函数为tansig还是logsig,通过改变其隐藏层神经元个数,所得到的误差大都在30%以上;而采用两个隐藏层,通过改变传输函数的组合(logsig-tansig)以及两个隐藏层的神经元个数,可以得到一个最小的误差点。训练方法:考察了动量BP算法、学习率可变的BP算法、弹性BP算法、四种变梯度算法、两种拟牛顿算法以及L-M优化算法。综合考虑训练速度、预测误差以及预测的可重复性,弹性BP算法应是最佳的选择。弹性BP算法的一大优点是能够在网络误差的下降梯度小于预设值时停止训练,这使得网络收敛迅速,又不至过度训练,从而保证了误差的稳定性。学习率和网络训练目标也是BP网训练的两个关键性参数,以预测误差的平方和为优化指标,考察不同学习率与网络训练目标的组合,得出最佳组合为:学习率0.008,网络训练目标10-3。2.2spwellgoal预测误差的同步控制过程RBFNN与BPNN一样,都是一种前馈反向传播网络,它有两个网络层:隐藏层为径向基层,输出层为一线性层。网络建立:输入数据同BPNN,而目标输出数据不同于BPNN,它们为总黄酮和三萜酸类成分的含量除以各自的平均值,因为如果不这样处理,总黄酮含量的预测误差和三萜酸类含量的预测误差存在明显的差别,而且两者的预测误差均偏大。在程序设计中,扩展常数(spread)和训练精度(goal)这两个关键参数将对网络的拟合、泛化能力带来极大的影响。对于spread,先在0.01～0.01×150范围内以0.01为梯度;对于goal,先在1～0.530范围内以0.5为梯度;将spread和goal进行同步优化,结果都是在区间边缘出现最优值。改变优化区间,直到选择spread在0.001～0.05区间内按照0.001递增,goal在100～100×0.518区间内按照0.5倍递减,才取得了合理的最优化参数。此时spread为0.004或0.005,goal为0.0977,预测误差可以取到最小值。2.3数据处理方法GRNN是RBFNN的一种变形,结构与RBFNN接近,仅在输出的线性层有一些不同,学习速度极快,是曲面拟合和预测的一种理想网络。网络建立:经过比较,采用2.2中RBFNN的数据处理方法比采用2.1中BPNN的数据处理方法可以得到更好的预测精度。在GRNN的程序设计中,只需要设定spread一个参数。采取两种梯度的优化策略分别进行,以保证优化的准确性,即将spread在区间0.01～0.01×100内以0.01为梯度、以及在区间0.005～0.005×30内以0.005为梯度进行优化。两者的结果都表明:当spread为0.07时,具有最高的预测精度,而且都显示出了比BPNN更加良好的稳定性。3使用bnn的方法,预测结果更优对于BPNN的预测,采用两种预测方法进行。第一种是广义的留一法(leave-one-out),即一个样本作为预示集,其余所有不同来源的样本作为训练集,在训练中除去同一来源的样本数据,仅用不同来源的数据预测未知样本;第二种是常用的留一法,即以其它16个样本数据训练网络,预测剩下的一个样本。后者由于有相似数据的参与,使得预测与拟合相通,从而减小网络误差,有利于提高预测精度。为了使第二种方法的预测结果更优,又对网络进行了优化,具体优化方法为:大大扩大网络结构,使两个隐藏层的神经元个数分别达到了200和100;为了提高收敛速度,将传输函数全部采用tansig函数;另外,增大学习率到0.009,增加训练次数到1000来缩小网络误差。RBFNN具有比BPNN更优越的拟合特性,而且收敛迅速。将RBFNN进行类似于BPNN的处理,对第二种预测方法,主要优化了spread,在对goal的优化中发现其在此时对预测精度的影响已经相当的小。当spread取值为0.1时,已经可以得到精度相当高的预测,故未按梯度逐个优化。GRNN类似于RBFNN,通过对第二种预测方法的spread进行优化,可以在spread取0.02时得到10-5数量级的误差,而当spread取到0.01时,预测误差减小到10-16数量级。为了保证数据的合理性,spread取了0.02,既能保证高预测精度,又可以与其它网络比较。网络应用结果见表3。4比较和误差源分析4.1预测结果的比较4.1.1grnn算法正确预测法优势三种网络预测误差的平均值都是总黄酮大于三萜酸类。从误差大小看,BPNN与RBFNN在总体表现上相似,在扣除最后一个样本的情况下,两者预测误差的平方和在第一种预测方法中非常接近;GRNN则表现出了更优越的性能,纵观GRNN的68个预测误差,仅有7个大于20%,绝大部分低于10%,特别是采用第二种预测方法时,误差降到了极低,甚至无误差,这说明GRNN有相当的预测准确性。从速度快慢看,GRNN不需要训练,速度极快,RBFNN次之,BPNN最慢。三种网络的第一种预测方法所得到的结果比较相近,说明网络的优化对误差减小所能起到的作用是有限的,更主要的还是数据的相关程度。4.1.2bpnn的预测结果两种方法最本质的区别在于第二种方法的训练样本中由于有与待预测样本数据相似的样本存在,使得网络对待预测样本的预测及对训练样本的拟合存在很大的相关性,也就是说网络误差的减小可直接带来预测误差的降低。从表3可见,除了BPNN和RBFNN有少数样本的预测误差第二种大于第一种外,其它样本都是第二种的预测误差更小,而且有的小很多。BPNN的两种预测结果差距较小,但扣除误差特别大的最后一个样本后,第二种的预测误差比第一种要小一半以上。值得注意的是,最后一个样本的预测误差除了GRNN外,都是第二种方法误差要大些,这是由于最后一个样本没有其它相似样本,训练中网络误差的减小带来了过度训练,从而使得预测误差增大。而GRNN没有网络训练过程,也没有训练目标这个参数,所以最后一个样本第二种方法的预测误差减小。鉴于此,可以推测:当样本数大大增加时,可以不再考虑样本的具体来源或差异性大小,直接用部分样本做训练,余下的作为未知样本待预测(即第二种预测方法),通过GRNN可以获得很高的精度。这是因为更多的样本参加训练,不仅降低了拟合与预测之间的相关性,而且为CE指纹图谱与总黄酮、三萜酸类成分含量之间提供了更多非线性的关联依据。两种预测方法还存在一个差别,即第一种方法的稳定性和可重复性要远远强于第二种,如BPNN在对样本11～16的预测上,第一种预测结果完全一致,而第二种预测误差尽管都比较小,但相互之间相差很大,甚至达到100倍差距。4.2预测网络误差的影响连钱草指纹图谱与总黄酮和三萜酸类成分含量之间的对映关系不是简单的线性关系,故对含量的预测难以达到很高的精度。ANN也是一种非线性的、模糊性的处理工具,对于拟合可以做到高精度,但对于未知数据的预测则相对困难,而且网络的初始权值与阈值的不确定性、网络训练的随机性都给网络性能带来不确定性,所以误差不可避免,只有通过优化网络和增加样本数量来减小这一误差。对于第一种预测方法,比较三种网络对17个样本的预测,其误差最大的是来源于荆州2的样本17,其次是来源于丹江的样本7、8。参照图3总黄酮和三萜酸类含量的聚类结果,可以看出样本17与其它样本相差太大,这使得其在可比拟性上与其他样本分开,从而使误差太大。对于来源于丹江的样本7、8,从CE指纹图谱数据的聚类结果(图2)可以看出,它们是与其他样本相隔最远的,所以在预测中表现出误差较其它样本明显偏大;通过计算CE指纹图谱数据的相似度,也得到