دانلود رایگان ترجمه مقاله شبکه عصبی مصنوعی در تحویل دارو و تحقیقات دارویی – Benthamopen 2013

مقاله انگلیسی رایگان

ترجمه فارسی رایگان 

بخشی از ترجمه فارسی مقاله:

چکیده
تکنولوژی های شبکه های عصبی مصنوعی (ANNها) ظرفیت های شناسایی شبکه های عصبی مغز را مدل سازی میکند. مشابه با نورون ها داخل مغز، شبکه های عصبی ورودی ها را از بسیاری از منابع خارجی دریافت کرده، آن ها را پردازش کرده و بر اساس آن ها تصمیم گیری میکنند. بسیار جالب است که بدانیم که ANN ها سیستم نورون های عصبی را شبیه سازی کرده و مقایسه های نورون های تطبیقی عصبی را انجام میدهد. این شبکه های مصنوعی نیازمند ساختار های صلب و آزمایشی نیستند و میتوانند توابع را تنها با استفاده از داده های پیش زمینه ای و یا داده های ناقص نیز نگاشت کنند که این موضوع موجب میشود این شبکه ها ابزار بسیار قوی برای شبیه سازی سیستم های مختلف غیر خطی باشند. این شبکه های عصبی مصنوعی در زمینه های مختلف کاربرد دارند، مانند زمینه های مهندسی، زمینه های تشخیص الگو، و مدل سازی. ANN ها در بسیاری از ابعاد داروسازی شامل مدل سازی شبکه های عصبی مغزی، تحلیل داده ها ، مدل سازی دارویی، ساختار پروتئین ها و عملکرد آن ها، بهینه سازی دوز دارو ها و تولید دارو، مدل سازی های شناسایی و تحویل دارو و تحقیقات دارویی نیز به صورت گسترده مورد استفاده قرار میگیرد.
1. مقدمه
در دهه ی گذشته، شبکه های عصبی مصنوعی توجه بسیار زیادی را از طرف دانشمندان و مهندسان دریافت کرده اند و به عنوان یکی از بزرگترین ابزار محاسباتی در این زمینه مورد استفاده قرار میگیرد. بسیاری از این توجه به این دلیل است که این شبکه ها میتوانند توانایی مغز انسان را شبیه سازی کنند تا فرآیند یادگیری را انجام دهند. این شبکه میتواند تصمیم گیری کرده و زمانی که در معرض اطلاعات ناقص قرار میگیرد نتیجه گیری مناسب انجام دهند. علاوه بر این، در بعضی از سطوح اولیه، شبکه های عصبی میتوانند روند های خلاقیت مغز انسان را برای تطبیق با شرایط جدید، تقلید کنند. این ابزار، یکی از بهترین روش ها برای محاسبات عددی و همچنین محاسبات غیر عددی میباشد. به صورت خاص، ANN ها یکی از ابزار قوی برای شبیه سازی سیستم های غیر خطی مختلف هستند و در بسیاری از روش ها و مسائل عددی با پیچیدگی زیاد، از این شبکه ها استفاده میشود، در زمینه هایی شامل مهندسی، روان شناسی، شیمی دارویی، تشخیص بیماری، و تحقیقات دارویی.

2. مدل سازی شبکه های عصبی مصنوعی
مدل های محاسبه ای که از فر آیند های زیستی الهام گرفته است ، موجب شده که این ANN ها بتوانند بسیاری از توانایی های پردازشی عصبی مغز انسان را شبیه سازی کنند. به صورت میانگین مغز انسان شامل 100 میلیارد نورون عصبی است که هر کدام از آن ها با هم 1000 تا 10000 اتصال دارند. یک نورون شامل سه بخش اصلی میباشد – دندریت ها ( که به شاخه های زیادی منشعب میشود) که سیگنال ها را به سلول منتقل میکند، بدنه ی سلولی که اطلاعات را دریافت و آن ها را پردازش میکند، وآکسون ( یک دنباله ی طولانی) میباشد. ( شکل 1) . این آکسون سیگنال ها را از سلول خارج کرده و آن را به دندریت های نورون بعدی و یا دریافت کننده ی یک سلول ، منتقل میکند. سیگنال ها در همه و یا هیچ کدام از نورون ها تفسیر میشوند . تمام اتصالات در مغز ، این قابلیت را به مغز داده است تا الگو ها را شناسایی کرده و خروجی ها را پیش بینی کند. به صورت مشابه با مغز، ANN ها شامل نورون هایی هستند که به عنوان واحد های پردازشی فعالیت میکنند که به آن ها نورون های مصنوعی گفته میشود. اتصالات میان تمام این نورون ها از نظر قوت تفاوت دارد که این تفاوت توسط وزن های لایه مشخص میشود. ANN ها عملکرد مغیز انسان را تقلید کرده و به صورت پتانسیل میتواند رویای دانشمندان برای ایجاد ماشین هایی که بتوانند مانند انسان فکر کنند را محقق سازد. ANN ها یادگیری و عمومی سازی رفتار مغز انسان را از طریق مدل سازی داده ها و شناسایی الگو های مغزی برای حل مسئله های پیچیده، شبیه سازی میکنند. یک تفاوت بسیار محسوس بین شبکه های عصبی و یک مدل آماری این است که ANN ها میتوانند روابط بین متغیر های مستقل و وابسته را بدون توابع خاص ریاضی ، عمومی سازی کنند. ازین رو، یک ANN برای حل مسئله های غیر خطی با متغیر ها و پاسخ های مختلف حل کنند، مانند تحلیل های فضایی در روابط فعالیت های ساختاری کمی در مطالعه های دارویی و پیش بینی ساختار در توسعه ی دارو ها.
انواع بسیار متفاوتی از شبکه های عصبی وجود دارد و در عین حال بسیاری از شبکه های جدید نیز اختراع میشود : اما، تمام پویش ANN را میتوان با تابع تبدیل شان در واحد پردازش (PE) ، قوانین یادگیری و فرمول های اتصالات آن توصیف کرد. PE که بخش ساختاری ANN است، بسیاری از سیگنال ها را به عنوان متغیر های فرآیندی وزن دار از پاسخ دیر واحد ها دریافت میکند و پردازش را روی آن ها انجام میدهد. رایج ترین ANN هایی که مورد استفاده قرار میگیرد ، شبکه های پیش انتشار هستند که توسط روش پس انتشار خطا تمرین داده میشوند.

بخشی از مقاله انگلیسی:

Abstract

Artificial neural networks (ANNs) technology models the pattern recognition capabilities of the neural networks of the brain. Similarly to a single neuron in the brain, artificial neuron unit receives inputs from many external sources, processes them, and makes decisions. Interestingly, ANN simulates the biological nervous system and draws on analogues of adaptive biological neurons. ANNs do not require rigidly structured experimental designs and can map functions using historical or incomplete data, which makes them a powerful tool for simulation of various non-linear systems.ANNs have many applications in various fields, including engineering, psychology, medicinal chemistry and pharmaceutical research. Because of their capacity for making predictions, pattern recognition, and modeling, ANNs have been very useful in many aspects of pharmaceutical research including modeling of the brain neural network, analytical data analysis, drug modeling, protein structure and function, dosage optimization and manufacturing, pharmacokinetics and pharmacodynamics modeling, and in vitro in vivo correlations. This review discusses the applications of ANNs in drug delivery and pharmacological research.

1. INTRODUCTION

In the past decade, neural networks have received a great deal of attention among scientists and engineers and they are being touted as one of the greatest computational tools ever developed. Much of this excitement is due to the ability of neural networks to emulate the brain’s ability to learn by example. This network makes decision and draws conclusionseven when presented with incomplete information. Moreover, at some primitive level, neural network imitates brain’s creative process in adapting to a novel situation [1]. It is a very good statistical tool for many numeric as well as nonnumeric calculations. Specifically, ANNs are known to be a powerful tool to simulate various non-linear systems and have been applied to numerous problems of considerable complexity in many fields, including engineering [1], psychology, medicinal chemistry [2, 3], diagnostics [4, 5], and pharmaceutical research [6].

2. ARTIFICIAL NEURAL NETWORKS MODELING As biologically inspired computational model, ANN is capable of simulating neurological processing ability of the human brain. Average human brain contains about 100 billions of neurons with each neuron being connected with 1000-10,000 connections to others. A single neuron consists of three major parts—dendrites (fine branched out threads) carrying signals into the cell, the cell body receiving and processing the information, and the axon (a single longer extension) (Fig. 1). The axon carries the signal away and relays it to the dendrites of the next neuron or receptor of a target cell. The signals are conducted in all-or-none fashion through the cells. All the connections in the brain enable it to learn, recognize patterns, and predict outcomes.Similarly to the brain, ANN is composed of numerous processing units (PE), artificial neurons. The connections among all the units vary in strength, which is defined by coefficients or weights. The ANN mimics working of human brain and potentially fulfills the cherished dream of scientists to develop machines that can think like human beings.ANNs simulate learning and generalization behavior of the human brain through data modeling and pattern recognition for complex multidimensional problems. A significant difference between an ANN model and a statistical model is that the ANN can generalize the relationship between independent and dependent variables without a specific mathematical function. Thus, an ANN works well for solving nonlinear problems of multivariate and multiresponse systems such as space analysis in quantitative structure-activity relationships in pharmacokinetic studies [7] and structure prediction in drug development [8]. There are many types of neural networks with new ones being continually invented; however, all ANNscan be characterized by their transfer functions of their processing units (PE), the learning rules, and by the connections formulas. PE, building component of ANN, receives many signals as weighted process variables from the response of other units [9]. The most commonly applied ANN layout is forward propagating network trained by error backpropagation developed by Rumehart et al. [10]. The forward propagation network consists of input layer, one or more hidden layers and one output layer (Fig. 2) [11]. The input layer provides data from the external source. The mapping of the input data occurs by neural network hidden layers, then the final representative signal is generated by the output layer [10, 12]. The ability of neural networks to classify information depends on hidden layers, which are fully connected by the synapses to the neighboring layers.