Abstract: В выдыхаемом воздухе (ВВ) человека идентифицируется более 200 различных летучих органических соединений, что придает этой смеси высокий информационный потенциал и делает ее значимым объектом для биомедицинских исследований. Специалистами химико-аналитической лаборатории института Медико-биологических проблем Российской академии наук (Москва) экспериментально изучена активность процессов перекисного окисления липидов (ПОЛ) по биомаркерам ВВ при воздействии на человека антиортостатической гипокинезии, сухой иммерсии, длительной изоляции, вращения на центрифуге, а также одно- и двухчасового дыхания 100% кислородом. Отбор проб осуществлялся с помощью маски ReCIVA (Великобритания) с встроенным сенсором углекислого газа, позволяющим отбирать только альвеолярную порцию ВВ. Химические соединения, содержащиеся в ВВ, захватывали (trapped) и концентрировали на сорбционных трубках Markes (Великобритания), заполненных сорбентом «Тепах ТА» и «Tenax/Carboxene», что позволяло улавливать высоко- и среднелетучие вещества широкого спектра. Анализ проб проводился с применением высокочувствительного и высокоселективного метода ГХ-МС на уровне нано- и пикоконцентраций 10-9 - 10-12 мг/м3. Полученные многомерные данные, преобразованные в матрицу, анализировались с применением различных методов статистической обработки, таких как метод главных компонент (PCA), дискриминантный анализ, кластерный анализ и другие. Сравнительный анализ методов показал, что наиболее высокая прогностическая точность отмечается при использовании машинного обучения и нейросетевых моделей. По результатом проведенной работы создана собственная нейросеть, являющаяся одним из ключевых компонентов при интерпретации полученных экспериментальных данных и установлении количественных взаимосвязей между изменением динамики биохимических маркеров ВВ и активностью ПОЛ. Разработка нейросети проводилась c использованием высокоуровневого языка программирования Python, библиотеки TensorFlow и модуля Keras. Исходный код написан в интерактивной облачной среде Google Colaboratory. Архитектура модели состоит из 3-х слоев. Входной слой включает 72 нейрона (по количеству анализируемых биомаркеров). Скрытый слой - 64 нейрона. Выходной слой представлен одним нейроном, который прогнозирует значение целевой переменной. В качестве математической функции активации нейронов использовали ReLU (Rectified Linear Unit). Коллекция данных для обучения нейронной сети представляет собой 35 000 уникальных значений измеренных концентраций химических веществ, идентифицированных в выдыхаемом воздухе здорового человека. Этот набор включает в себя данные о концентрациях биомаркеров измеренных в фоне, при негативных воздействиях и в период восстановления. Анализ 350 проб ВВ указывает на то, что использование динамики изменения концентрации отдельных химических соединений в выдыхаемом воздухе не обладает достаточной достоверностью и надежностью для адекватной оценки и прогнозирования активности ПОЛ. Точность моделей прогнозирования на основе PCA и дискриминантного анализа, ранее созданных в лаборатории, не превышала 75%. В то же время, алгоритм обратного распространения ошибки (back propagation), применяемый при обучении нейросети, позволил создать модели прогнозирования с точностью до 95%. Это подтверждает наличие общих закономерностей в изменении целой группы химических веществ, которые остаются скрытыми при использовании других статистических методов обработки. Проведенная работа показала, что применение машинного обучения и нейросетей, является эффективным аналитическим средством при исследовании биомаркеров ВВ человека. Эта технология позволяет обрабатывать большие объемы данных и является современным инструментом поддержки исследователей при обработке экспериментальных данных, формулировании гипотез и установлении закономерностей.

Cite: Озеров Д.С. , Мухамедиева Л.Н. , Лашуков П.В.
Машинное обучение и нейросетевые модели для анализа биомаркеров в выдыхаемом воздухе человека
Международная научная конференция «Фундаментальные и прикладные науки – медицине» 12-12 окт. 2023