基于拉曼光谱和改进的蛇优化-卷积神经网络算法的抗药物度检测
Xinghu Fu1, Xiqing Cao1, Zizhen Fu1
1School of Information Science and Engineering, The Key Laboratory for Special Fiber and Fiber Sensor of Hebei Province, Yanshan University, Qinhuangdao, China. fuxinghu@ysu.edu.cn.
Analytical methods : advancing methods and applications
|November 7, 2023
概括
这项研究引入了一种新的方法,将拉曼光谱与改进的蛇优化-卷积神经网络 (ISO-CNN) 算法相结合,用于精确测量抗药物度. ISO-CNN模型在预测药物水平方面表现出高准确性,为制药分析提供了一个有前途的工具.
科学领域:
- 分析化学 分析化学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 精确测量抗药物度对于治疗疗效至关重要.
- 拉曼光谱技术提供了对药物化合物的非破坏性快速分析.
- 现有的光谱数据分析方法可能需要复杂的预处理或缺乏精度.
研究的目的:
- 开发和评估一种使用拉曼光谱测量混合抗药物度的新方法.
- 调查用于光谱数据分析的改进的蛇优化-卷积神经网络 (ISO-CNN) 算法的性能.
- 将拟议的ISO-CNN算法与用于药物度预测的其他优化算法进行比较.
主要方法:
- 使用拉曼光谱法测量了360种牛炭胺,碳胺和拉莫特里金的混合物.
- 开发并应用了一种完善的蛇优化 (ISO) 算法,与卷积神经网络 (CNN) 集成,用于光谱数据分析.
- 预处理原始光谱数据并训练/评估ISO-CNN模型.
主要成果:
- ISO-CNN算法在预测牛炭胺度方面取得了出色的性能,其高确定系数 (R2) 为0.99378用于验证和0.99627用于测试.
- 对于oxcarbazepine预测的根平均平方误差 (RMSE) 很低 (0.0295用于验证,0.0278用于测试),表明高精度.
- 对比分析显示,ISO-CNN算法优于其他经过测试的优化算法.
结论:
- 拉曼光谱与ISO-CNN机器学习算法相结合,为预测抗药物度提供了强大而准确的方法.
- 开发的方法表明了常规药物分析和治疗药物监测的潜力.
- 改进的ISO算法的优化策略提高了光谱数据分析的速度和准确性.
