Русский

Conference publications

Abstracts

XXVIII conference

Анализ формы кривых индукции флуоресценции хлорофилла a с помощью искусственной нейронной сети

Хрущев С.С., Плюснина Т.Ю., Антал Т.К.1, Ризниченко Г.Ю.

Московский государственный университет им. М.В.Ломоносова, Биологический факультет, каф. биофизики, Россия, 119991, Москва, Ленинские горы, д. 1, стр. 12, styx@biophys.msu.ru

1Псковский государственный университет

1 pp. (accepted)

Предложена нейросетевая модель для анализа формы индукционных кривых. На вход искусственной нейронной сети подавали индукционные кривые (128 нормализованных отсчетов интенсивности флуоресценции на лог-равномерной по времени шкале от 30 мкс до 2 с), зарегистрированные для отобранных из природных водоемов проб фитопланктона без токсического воздействия и по ходу продолжающегося воздействия токсикантов (CdSO4 и K2Cr2O7). Чтобы избежать «переобучения» модели, в процессе обучения к нормализованным данным добавлялся равномерно распределенный случайный шум со средним значением 0 и стандартным отклонением 0.1. Использована архитектура автокодировщика, входной и выходной блок которого представляют собой трехслойные полносвязные нейронные сети. Нейроны первого и второго слоя имеют экспоненциальную линейную функцию активации (ELU), нейроны третьего слоя – линейную функцию активации. Во входном блоке первый слой состоит из 64 нейронов, второй – из 32, третий (слой, формирующий закодированное представление входного сигнала) – из 3; в выходном – первый слой из 32 нейронов, второй – из 64, и выходной слой – из 128 нейронов. В процессе обучения модели перед подачей закодированного сигнала на выходной блок к коду добавляется равномерно распределенный случайный шум со средним значением 0 и стандартным отклонением 0.1. При обучении модели использовалась многоцелевая оптимизация. В дополнение к среднеквадратичному отличию входного сигнала от выходного, были добавлены штрафные функции за отличие усредненного по выборке значения каждой компоненты кода от нуля и за отличие матрицы ковариации компонент кода от единичной. Также были добавлены штрафы за корреляцию отдельных компонент кода с величиной токсического воздействия на фитопланктон. В качестве штрафных функций использовался квадрат коэффициента корреляции Пирсона между дозой CdSO4 и второй и третьей компонентами кода и между дозой K2Cr2O7 и первой и третьей компонентами кода. Таким образом, влияние токсикантов на форму индукционных кривых должно наиболее явно отражаться на величине первой (CdSO4) и второй (K2Cr2O7) компонент кода, однако само существование взаимосвязи между формой кривых и действием токсиканта не навязывается в процессе обучения модели. Поэтому в целом процесс обучения можно охарактеризовать как спонтанный («обучение без учителя»). Модель реализована с помощью пакета Keras/TensorFlow. Для оптимизации параметров модели использовался стохастический метод адаптивной оценки моментов (Adam). Обучение проводилось в течение 20000 итераций (эпох). Каждый обучающий пакет включал в себя все данные выборки, так как для расчета используемых штрафных функций нужна информация обо всех анализируемых образцах. Показано, что связанные с действием токсикантов изменения формы индукционных кривых появляются уже через 2 часа инкубации, однако наблюдаемые изменения не являются специфическими для действия тяжелых металлов.

Исследование выполнено в рамках научного проекта государственного задания МГУ №121032500060-0 при частичной поддержке гранта РНФ № 20-64-46018 (Псковский государственный университет).



Presentation

© 2004 Designed by Lyceum of Informational Technologies №1533