So sánh ứng dụng kỹ thuật mạng thần kinh và lập trình di truyền trong mô hình hóa dữ liệu công thức viên nén phóng thích có kiểm soát

Nghiên cứu Y học Y Học TP. Hồ Chí Minh * Tập 15 * Phụ bản của Số 1 * 2011 Chuyên Đề Dược Khoa 6 SO SÁNH ỨNG DỤNG KỸ THUẬT MẠNG THẦN KINH VÀ LẬP TRÌNH DI TRUYỀN TRONG MÔ HÌNH HÓA DỮ LIỆU CÔNG THỨC VIÊN NÉN PHÓNG THÍCH CÓ KIỂM SOÁT Nguyễn Phương Nam*, Đỗ Quang Dương** TÓM TẮT Mục tiêu: Nghiên cứu ứng dụng mạng thần kinh (Neural Networks) và kỹ thuật lập trình di truyền (Genetic Programming) trong việc mô hình hóa dữ liệu. So sánh kết quả mô hình hóa dữ liệu của hai kỹ thuật trên. Dựa vào kết quả của hai kỹ thuật này hy vọng sẽ giúp nhà bào chế có một sự lựa chọn công cụ hợp lý khi mô hình hóa dữ liệu công thức. Phương pháp: Cách thức so sánh: so sánh hệ số tương quan R2 và so sánh phương trình đường thẳng hồi quy với hệ số góc. Cả hai phương pháp so sánh này đều dựa trên dữ liệu được dự đoán từ hai kỹ thuật thông minh: mạng thần kinh và lập trình di truyền. Kết quả: Từ những kết quả trong việc mô hình hóa với hai bộ dữ liệu viên nén phóng thích có kiểm soát (viên matrix, viên diclofenac sodium microspheres), kết quả cho thấy cả hai kỹ thuật mạng thần kinh cho kết quả khá tốt mặc dù vậy kỹ thuật mạng thần kinh vượt trội hơn so với kỹ thuật lập trình di truyền. Kết quả từ thực nghiệm cho thấy, việc ứng dụng hai kỹ thuật là lập trình di truyền và mạng thần kinh trong việc mô hình hóa dữ liệu là rất thành công. Kết luận: Khi đánh giá các mô hình được xây dựng bởi hai kỹ thuật, mạng thần kinh cho kết quả trội hơn. Việc so sánh giữa hai kỹ thuật này sẽ giúp cho nhà bào chế khách quan hơn trong việc lựa chọn phương pháp và công cụ xây dựng mô hình hóa dữ liệu phù hợp. Từ khóa: mạng thần kinh, kỹ thuật lập trình di truyền, công thức dược phẩm, viên nén phóng thích có kiểm soát. ABSTRACT A SYSTEMATIC COMPARISON OF ARTIFICIAL INTELLIGENCE TECHNIQUES IN MODELLING CONTROLLED RELEASE TABLET FORMULATION Nguyen Phuong Nam, Do Quang Duong * Y Hoc TP. Ho Chi Minh * Vol. 15 - Supplement of No 1 - 2011: 6 - 12 Objectives: This study has compared the performance of two computational methods: neural networks and genetic programming in generating predictive models for published databases of controlled release tablet formulation. Material and Methods: This study used two methods: the R-squared value (R2) and the coefficients of regression equations generated from the predictive models. Results: Both approaches were successful in developing invaluable predictive models for tablet tensile strength and drug dissolution profiles. whilst neural networks demonstrated a slightly superior capability in predicting unseen data, genetic programming had the added advantage of generating mathematical equations representing the cause–effect relationships contained in the experimental data. The results of examined data (matrix table formulation, controlled release diclofenac sodium microspheres formulation) showed that the * Đại học Y Dược Thành phố Hồ Chí Minh Tác giả liên lạc: TS. Đỗ Quang Dương ĐT: 0913662043; Email: dqduong@uphcm.edu.vn Y Học TP. Hồ Chí Minh * Tập 15 * Phụ bản của Số 1 * 2011 Nghiên cứu Y học Chuyên Đề Dược Khoa 7 performance of neural network was superior when compared to genetic programming. Conclusion: In evaluating models generated by the two technologies, neural networks showed a higher capability of predicting unseen data than genetic programming. This study also will help the pharmacist easily in choosing the techniques and tools to build model data. Keyword: neural networks, genetic programming, tablet formulation, controlled release. ĐẶT VẤN ĐỀ Trong quy trình sản xuất thuốc việc khảo sát mối liên quan nhân quả giữa các thành phần với các tính chất dược phẩm luôn là vấn đề các nhà bào chế rất quan tâm. Việc xác định mối liên quan nhân quả này thường dựa vào mô hình dự đoán được xây dựng bằng các phương pháp thống kê (truyền thống) hay máy tính (hiện đại) là một thách thức lớn đối với các nhà sản xuất(5). Bên cạnh đó việc xây dựng mô hình công thức cũng là một bước rất quan trọng trong qui trình tối ưu công thức. Việc mô hình hóa công thức dược phẩm bằng công cụ máy tính ngày càng được áp dụng phổ biến vì các lợi ích của nó như không giới hạn số biến độc lập (x), có thể tối ưu đồng thời nhiều biến phụ thuộc (y), phù hợp với các loại dữ liệu phức tạp và phi tuyến(9). Có rất nhiều kỹ thuật xây dựng mô hình công thức bằng máy tính đã được áp dụng như mạng thần kinh (Neural Network - NN)(2) thuật giải di truyền (Genetic Algorithms)(3) lập trình di truyền (Genetic Programming - GP)(4) và các hệ thống lai giữa chúng. Những kỹ thuật này phần nào giải quyết được yêu cầu của nhà sản xuất như giảm thời gian và chi phí nghiên cứu và phát triển công thức. Mạng thần kinh (Neural Network) Mạng thần kinh đã được áp dụng từ hơn 60 năm qua, có ích trong việc thiết lập mô hình quan hệ nhân quả, đặc biệt đối với dữ liệu phi tuyến hay dữ liệu phức tạp(9). Ngày nay, mạng thần kinh đựợc áp dụng trong nhiều lãnh vực khác nhau: công nghệ thông tin, khoa học tri thức (mô tả kiểu suy luận và nhận thức), sinh học (lý giải các chuỗi nucleotid) Mạng thần kinh sinh học (Hình 1) được tạo thành bởi sự liên kết giữa rất nhiều tế bào thần kinh sinh học (neuron). Các xung động thần kinh được truyền từ khớp qua trục để đến thân. Thân tế bào tổng hợp các xung động thần kinh và ra quyết định tiếp tục truyền các tín hiệu sang tế bào thần kinh khác. Hình 1. Cấu trúc của một tế bào thần kinh sinh học Hình 2. Cấu trúc của một tế bào thần kinh nhân tạo Mạng thần kinh nhân tạo (Hình 2) là sự mô phỏng cấu trúc của mạng thần kinh sinh học, được tạo thành bởi sự liên kết giữa rất nhiều đơn vị thần kinh (perceptron). Những đơn vị thần kinh có nhiệm vụ thu thập các tín hiệu, xác định trọng số, tổng cộng và chuyển các tín hiệu ấy sang các đơn vị thần kinh khác. Mỗi mạng thần kinh nhân tạo được cấu tạo bởi hàng trăm ngàn đơn vị được liên kết và sắp xếp thành nhiều lớp. Có nhiều cấu trúc mạng thần kinh, song cấu trúc mạng nhiều lớp (multilayer perceptron networks) là thông dụng nhất. Cấu trúc mạng nhiều lớp có một lớp vào, một hay nhiều lớp ẩn và một lớp đầu ra. Thông thường, cấu trúc mạng với một lớp ẩn được dùng nhiều trong thiết lập mô hình và tối ưu hóa công thức. Cấu trúc mạng với nhiều lớp ẩn Σ Đầu vào Đầu ra X1 X2 X3 W1 W2 W3 Thân Trục Khớp Nhánh Nghiên cứu Y học Y Học TP. Hồ Chí Minh * Tập 15 * Phụ bản của Số 1 * 2011 Chuyên Đề Dược Khoa 8 cũng được dùng cho mô hình phi tuyến song nó đòi hỏi nhiều thời gian cho máy tính xử lý(9). Cấu trúc của một mạng thần kinh với một lớp ẩn được minh họa trong Hình 3. Hình 3. Cấu trúc của một mạng thần kinh nhân tạo thường gặp Lập trình di truyền (Genetic Programming- GP) Lập trình di truyền là một kỹ thuật với ý tưởng chính là các chương trình máy tính có khả năng tự tiến hóa để thực hiện một công việc nào đó, được giới thiệu bởi Koza vào năm 1992(7). Lập trình di truyền là một biến thể của thuật giải di truyền với một điểm khác nhau chính là cấu trúc dữ liệu được sử dụng để biểu diễn một cá thể trong quần thể. Có hai phần chính trong một cá thể của GP, đó là các node và terminal như được minh họa trong Hình 4. Các node là các phép tính, trong khi các nút (terminal) là các giá trị hằng số hay các biến. Việc lựa chọn các phép tính và các nút là một trong những thao tác chính trong GP để tìm được lời giải cho vấn đề (mô hình dữ liệu dạng biểu thức toán học y = f(xi))(7). Hình 4. Mô tả một cá thể trong kỹ thuật lập trình di truyền, cá thể này biểu diễn công thức y = A*B + C GP khác những thuật toán thông minh khác ở phạm vi ứng dụng: những thuật toán khác thường được áp dụng cho các bài toán tìm lời giải tối ưu, trong khi GP được xếp vào nhóm các thuật toán máy học: tìm mô hình phù hợp nhất dựa trên dữ liệu đưa vào (Hình 5)(7). Hình 5. Quá trình chọn lọc và xử lý dữ liệu của lập trình di truyền Bài báo là kết quả nghiên cứu so sánh ứng dụng của hai kỹ thuật thông minh trong việc mô hình hóa dữ liệu công thức viên nén phóng thích có kiểm soát. Trong những nghiên cứu trước đó của nhóm tác giả cho thấy kỹ thuật mạng thần kinh và lập trình di truyền khá hiệu quả trong việc mô hình hóa dữ liệu(4). Việc so sánh giữa hai kỹ thuật này sẽ giúp cho nhà bào chế khách quan hơn trong việc lực chọn phương pháp mô hình hóa dữ liệu. PHƯƠNG PHÁP NGHIÊN CỨU Công cụ phần mềm Công cụ được sử dụng trong bài báo này là những nghiên cứu và ứng dụng hai kỹ thuật thông minh: mạng thần kinh và lập trình di truyền tại khoa Dược – Đại học Y Dược Hồ Chí Minh cho việc xây dựng mô hình và tối ưu hóa công thức. Để đánh giá chất lượng của một mô hình hóa, nghiên cứu này dùng giá trị (R2) (công thức 1). Giá trị của R2 càng cao, mô hình dữ liệu càng tương thích(2,5). + * A B C Phép tính (Nodes) Nút lá (Terminals) Y Học TP. Hồ Chí Minh * Tập 15 * Phụ bản của Số 1 * 2011 Nghiên cứu Y học Chuyên Đề Dược Khoa 9 100x )yy( )yˆy( 1R n 1i 2 i n 1i 2 ii 2 ⎟⎟ ⎟⎟ ⎠ ⎞ ⎜⎜ ⎜⎜ ⎝ ⎛ − − −= ∑ ∑ = = với yi: biến phụ thuộc với từng dữ liệu; y : giá trị trung bình của biến phụ thuộc; yˆ : giá trị dự đoán từ mô hình; n: số lượng dữ liệu. Dữ liệu thực nghiệm Dữ liệu công thức viên nén matrix được tham khảo từ công trình của Bodea và Leucuta(1). Công thức viên nén matrix bao gồm 13 công thức thực nghiệm với 3 biến độc lập (x1: % HPMC; x2: % CMCNa; x3: % HCl), 3 biến phụ thuộc (y1: % hoạt chất phóng thích sau 1 giờ; y2: % hoạt chất phóng thích sau 1 giờ; y3: % hoạt chất phóng thích sau 12 giờ). Một bộ dữ liệu khác được tham khảo từ công trình Gohel & Amin(6). Công thức viên nén phóng thích có kiểm soát diclofenac sodium microspheres bao gồm 27 công thức thực nghiệm với 3 biến độc lập (x1: Tốc độ khuấy; x2: Lượng CaCl2; x3: % liquid paraffin) và 4 biến phụ thuộc (y1: thời gian 80% hoạt chất phóng thích; y2: % hoạt chất phóng thích sau 60 phút; y3: % hoạt chất phóng thích sau 360 phút; y4: % hoạt chất phóng thích sau 480 phút). KẾT QUẢ VÀ BÀN LUẬN Công thức viên nén matrix(1) Bằng sự lựa chọn các giá trị, điều kiện phù hợp trong quá trình xây dựng mô hình hóa dữ liệu cho viên nén matrix đối với hai kỹ thuật (GP, NN), kết quả dự đoán và hệ số R2 minh họa trong Bảng 1. Thông qua số liệu từ Bảng 1, so sánh hệ số tương quan (R2) đối với cả hai kỹ thuật thông minh có thể thấy: trong khi hệ số tương quan (R2) của mạng thần kinh luôn giữ ở mức cao (lớn hơn 99 %) thì ở lập trình di truyền là đều ngược lại (nhỏ hơn 99%). Điều này chứng tỏ, nhìn chung mạng thần kinh có khả năng dự đoán chính xác hơn lập trình di truyền. Tuy nhiên ở một số dữ liệu như 5, 11 đối với giá trị y1 và 8, 9, 10 đối với y2, y3 đã xảy ra điều ngược lại. Giá trị dự đoán của biến phụ thuộc (y) khi dùng kỹ thuật lập trình chính xác hơn. Để kết quả so sánh giữa hai kỹ thuật trong xây dựng mô hình hóa dữ liệu được rõ ràng và chính xác hơn, phương trình đường thẳng hồi quy với hệ số góc được sử dụng. Với phương pháp này, hệ số góc của từng phương trình đường thẳng hồi quy tương ứng (y1-GP: 0,978, y1-NN: 0,992; y2-GP: 0,977, y2-NN: 0,998; y3-GP: 0.973, y3-NN: 0,998) (chi tiết Hình 6). So sánh giữa các hệ số góc này, rõ ràng kết quả mô hình hoá từ kỹ thuật thông minh mạng thần kinh tốt hơn lập trình di truyền cho dữ liệu viên nén matrix này khi giá trị hệ số góc tiến tới giá trị 1,00. Bảng 1. Dữ liệu thực nghiệm và kết quả dự đoán y1, y2, y3 dùng kỹ thuật thông minh GP và NN No y1 y1-GP y1-NN y2 y2-GP y2-NN y3 y3-GP y3-NN 1 0,152 0,150 0,151 0,683 0,669 0,682 0,992 0,980 0,99 2 0,104 0,098 0,104 0,545 0,541 0,545 0,902 0,905 0,902 3 0,112 0,111 0,112 0,612 0,639 0,612 0,986 1,010 0,987 4 0,122 0,123 0,122 0,448 0,446 0,448 0,712 0,709 0,712 5 0,148 0,148 0,149 0,585 0,607 0,585 0,866 0,877 0,866 6 0,074 0,076 0,074 0,388 0,382 0,388 0,68 0,730 0,68 7 0,098 0,104 0,098 0,576 0,572 0,576 0,925 0,907 0,925 8 0,084 0,090 0,087 0,512 0,515 0,52 0,856 0,861 0,865 9 0,087 0,090 0,087 0,518 0,515 0,52 0,862 0,861 0,865 10 0,084 0,090 0,087 0,507 0,515 0,52 0,851 0,861 0,865 11 0,089 0,090 0,087 0,525 0,515 0,52 0,87 0,861 0,865 Nghiên cứu Y học Y Học TP. Hồ Chí Minh * Tập 15 * Phụ bản của Số 1 * 2011 Chuyên Đề Dược Khoa 10 No y1 y1-GP y1-NN y2 y2-GP y2-NN y3 y3-GP y3-NN 12 0,052 0,045 0,052 0,352 0,376 0,353 0,672 0,686 0,674 13 0,143 0,140 0,143 0,518 0,527 0,518 0,792 0,786 0,792 R2 0,980 0,998 0,977 0,998 0,973 0,998 . ŷ1 - GP = 0.978x + 0.003 R2 = 0.9803 ŷ1 - NN = 0.992x + 0.001 R2 = 0.998 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.04 0.06 0.08 0.1 0.12 0.14 0.16 Observed Pr ed ic te d y1-GP y1-NN ŷ2 - GP = 0.979x + 0.015 R2 = 0.9774 ŷ2 - NN = 0.994x + 0.005 R2 = 0.998 0.3 0.4 0.5 0.6 0.7 0.8 0.3 0.4 0.5 0.6 0.7 Observed Pr ed ic te d y2-GP y2-NN ŷ3 - GP = 0.928x + 0.066 R2 = 0.9732 ŷ3 - NN = 0.997x + 0.004 R2 = 0.998 0.6 0.7 0.8 0.9 1 1.1 0.6 0.7 0.8 0.9 1 1.1 Observed Pr ed ic te d y3-GP y3-NN Hình 6. Biểu đồ so sánh kết quả dự đoán của GP (♦) và NN() cho y1, y2, y3. Công thức viên nén phóng thích có kiểm soát diclofenac sodium microspheres(6) Giống với dữ liệu đầu tiên, bằng sự lựa chọn các giá trị, điều kiện phù hợp trong quá trình xây dựng mô hình hóa dữ liệu cho viên phóng thích có kiểm soát đối với cả hai kỹ thuật (GP, NN), kết quả hệ số tương quan (R2) được trình bày trong Bảng 2. So sánh giá trị R2 (Bảng 2), giá trị R2 trong kỹ thuật mạng thần kinh luôn cao hơn giá trị R2 trong kỹ thuật lập trình di truyền với cả hai thông số luyện và thử. Đối với kỹ thuật thông minh mạng thần kinh với dữ liệu đầu ra là thời gian 80% hoạt chất phóng thích (t80) thông số R2- luyện đạt tới giá trị 0,99, trong khi kỹ thuật lập trình di truyền R2-luyện chỉ đạt 0,940. Đặc biệt với dữ liệu đầu ra - phần trăm hoạt chất phóng thích sau 60 phút (y60), khả năng xây dựng mô hình hóa dữ liệu của kỹ thuật lập trình di truyền là không cao (R2 luyện = 0.750, R2 thử = 0,940), trong khi đó, mô hình hóa dữ liệu khi áp dụng mạng thần kinh cho kết quả vượt trội (R2 luyện = 0,940, R2 thử = 0,960). Ở biểu đồ quy hồi (Hình 7), đặc biệt đối với biến phụ thuộc y60 hệ số góc của phương trình đường thẳng quy hồi với kỹ thuật lập trình di truyền chỉ là 0,780 trong khi đó mạng thần kinh đạt 0,960. Với những biểu đồ cho các biến phụ thuộc khác (y1, y3, y4), mạng thần kinh luôn trội hơn so với kỹ thuật lập trình di truyền. Từ những kết quả trên, có thể kết luận, trong việc xây dựng mô hình hóa dữ liệu đối với viên nén phóng thích có kiểm soát diclofenac sodium microspheres, mạng thần kinh vượt trội hơn so với lập trình di truyền. Y Học TP. Hồ Chí Minh * Tập 15 * Phụ bản của Số 1 * 2011 Nghiên cứu Y học Chuyên Đề Dược Khoa 11 Bảng 2. Giá trị R2 của hai kỹ thuật GP và NN Giá trị R2 Kỹ thuật t80 y60 y360 y480 GP R2 Luyện = 0,94 R2 Thử = 0,99 R2 Luyện = 0,75 R2 Thử = 0,94 R2 Luyện = 0,93 R2 Thử = 0,97 R2 Luyện = 0,91 R2 Thử = 0,94 NN R2 Luyện = 0,99 R2 Thử = 0,98 R2 Luyện = 0,94 R2 Thử = 0,96 R2 Luyện = 0.99 R2 Thử = 0,97 R2 Luyện = 0,97 R2 Thử = 0,96 ŷt80 - GP = 0.941x + 26.228 R2 = 0.947 ŷt80 - NN = 0.999x - 0.350 R2 = 0.995 250 300 350 400 450 500 550 600 250 300 350 400 450 500 550 600 Observed Pr ed ic te d t80-GP t80-NN ŷ60 - GP = 0.781x + 8.995 R2 = 0.7799 ŷ60 - NN = 0.976x + 1.056 R2 = 0.962 25 30 35 40 45 50 55 25 30 35 40 45 50 55 Observed Pr ed ic te d y60-GP y60-NN ŷ360 - GP = 0.958x + 3.065 R2 = 0.9456 ŷ360 - NN = 0.9778x + 1.980 R2 = 0.988 60 65 70 75 80 85 90 60 65 70 75 80 85 90 Observed P re di ct ed y360-GP y360-NN ŷ480 - GP = 0.901x + 8.325 R2 = 0.917 ŷ480 - NN = 0.979x + 2.172 R2 = 0.964 70 75 80 85 90 95 100 70 75 80 85 90 95 100 Observed Pr ed ic te d y480-GP y480-NN Hình 7. Biểu đồ quy hồi so sánh kết quả dự đoán của GP (♦) và NN () cho yt80, y60, 360,y480. KẾT LUẬN Kết quả từ thực nghiệm cho thấy việc ứng dụng hai kỹ thuật là lập trình di truyền và mạng thần kinh trong việc mô hình hóa dữ liệu là rất thành công. Khi đánh giá các mô hình được xây dựng bởi hai kỹ thuật cho dạng viên nén phóng thích có kiểm soát, mạng thần kinh cho mô hình dự đoán có kết quả trội hơn, tuy nhiên với việc sử dụng lập trình di truyền nhà bào chế có thể khảo sát mối liên quan nhân quả giữa các thành phần và tính chất của sản phẩm dựa trên mô hình dạng biểu thức toán học. Việc so sánh giữa hai kỹ thuật này sẽ giúp cho dược sĩ khách quan hơn trong việc lực chọn phương pháp và công cụ xây dựng mô hình dữ liệu phù hợp. TÀI LIỆU THAM KHẢO 1. Bodea A, Leucuta SE (1997). Optimization of hydrophilic matrix tablets using a D-optimal design. Int J Pharm, 153:247- 55. 2. Bourquin J, Schmidli H, Hoogevest PV, Leuenberger H (1998). Comparison of artificial neural networks (ANN) with classical modelling techniques using different experimental designs and data from a galenical study on a solid dosage form. Eur J Pharm Sci, 6:287-300. 3. Cheng CT, Ou CP, Chau KW (2002). Combining a fuzzy optimal model with a genetic algorithm to solve multiobjective rainfall-runoff model calibration. J Hydrol, 268:72-86. 4. Duong QD, Rowe RC and York P (2008). Modelling drug dissolution from controlled release products with Genetic programming. Int. J. Pharm, 351:194-200. Nghiên cứu Y học Y Học TP. Hồ Chí Minh * Tập 15 * Phụ bản của Số 1 * 2011 Chuyên Đề Dược Khoa 12 5. Đặng Văn Giáp (2002). Thiết kế & Tối ưu hóa công thức và quy trình: Áp dụng phần mềm thông minh. Nhà xuất bản Y học. 6. Gohel MC, Amin AF (1998). Formulation optimization of controlled release diclofenac sodium microspheres using factorial design. J Control Release, 51:115-22. 7. Koza JR (1998). Genetic Programming on the Programming of Computers by Mean of Natural Selection. 6th ed. London: MIT press. 8. Langdon WB, Poli R (2002). Foundations of Genetic Programming. 1st ed. Berlin, Heidelberg: Springer-Verlag. 9. Rowe RC, Roberts RJ (1998). Intelligent Software for Product Formulation. 1st ed. London: Taylor and Francis.