Евгений Николаевич Супрун, канд. мед. наук, старший научный сотрудник, группа медико-экологических проблем здоровья матери и ребенка
680022, г. Хабаровск, ул. Воронежская 49, корп. 1
Evgeniy N. Suprun, MD, PhD (Med.), Senior Staff Scientist of the Group of Health and Environmental Problems of Mother and Child Health
49/1 Voronezhskaya Str., Khabarovsk, 680022,
Цель. Изучить возможность прогнозирования контроля бронхиальной астмы (БА) на различных этапах развития заболевания на основе учета генетических полиморфизмов Toll-подобных рецепторов, цитокинов и генов системы детоксикации с использованием статистического метода обучающихся нейронных сетей.
Материалы и методы. Обследовано 167 детей с бронхиальной астмой, определялась степень контроля, методом ПЦР выявляли следующие мутации: TLR2-Arg753Glu, TLR4-Asp299Gly, TLR4-Ghr399Ile, TLR9-T1237C, TLR9-A2848G; IL4-C589T, IL6-C174G, IL10-G1082A, IL10-C592A, IL10-C819T, IL12B-A1188C, TNFa-G308A; GSTM, GSTT, GSTM/GSTT, GSTP1 Ile105Val, GSTP1 Ala114Val. Для моделирования нейронных сетей использован пакет STA- TISTICA Automated Neural Networks.
Результаты. Модель построена на основе архитектуры многослойного перцептрона MLP (15-9-3) со слоем из 15 входных нейронов (по количеству анализируемых переменных), скрытым промежуточным слоем из 9 нейронов и выходным слоем из 3 нейронов по количеству значений классифицируемой переменной (контроль). Алгоритмом обучения выбран BFGS, как наиболее адекватный задаче классификации. Функция ошибок выбрана традиционно в виде суммы квадратов отклонений. Функция активации выходных нейронов - Softmax. Функция активации промежуточного слоя - гиперболическая. Объем обучающей выборки составил 88 наборов. Объем выборок для тестирования и контроля качества модели составил 36 наборов. В итоге полученная модель смогла предсказать 79,01% правильных значений целевой переменной (степень контроля БА).
Заключение. Применение разработанной программы позволяет прогнозировать возможность развития неконтролируемой или частично контролируемой БА на любом этапе заболевания, включая доклинический и донозологический для групп с высоким риском развития БА. Это может позволить индивидуально корректировать меры вторичной и даже первичной профилактики БА в рамках персонализации терапевтических подходов.
Aim. To study the possibility of predicting the asthma control at various stages of the development of the disease, possibly on the basis of taking into account the genetic polymorphisms of Toll-like receptors, cytokines and detoxification system genes using the statistical method of learning neural networks.
Materials and methods. We examined 167 children with bronchial asthma. The degree of asthma control was determined, the following mutations were detected: TLR2-Arg753Glu, TLR4-Asp299Gly, TLR4-Ghr399Ile, TLR9-T1237C, TLR9-A2848G; IL4-C589T, IL6- C174G, IL10-G1082A, IL10-C592A, IL10-C819T, IL12B-A1188C, TNFa-G308A; GSTM, GSTT, GSTM/GSTT, GSTP1 Ile105Val, GSTP1 Ala114Val, by PCR. The STATISTICA Automated Neural Networks package was used to model neural networks.
Results. The model is based on the MLP (15-9-3) multilayer perceptron architecture with a layer of 15 input neurons (by the number of analyzed variables), a hidden intermediate layer of 9 neurons and an output layer of 3 neurons by the number of values of the classified variable (control). The training algorithm was chosen by BFGS as the most adequate to the classification task. The error function is traditionally chosen as the sum of squared deviations. The activation function of output neurons is Softmax. The activation function of the intermediate layer is hyperbolic. The volume of the training sample was 88 sets. The volume of samples for testing and quality control of the model was 36 sets. The resulting model was able to predict 79.01% of the correct values of the target variable (the degree of asthma control).
Conclusion. The application of the developed program makes it possible to predict the possibility of uncontrolled or partially controlled asthma at any stage of the disease, including preclinical and pre-nosological for groups with a high risk of asthma. This allows you to individually adjust the measures of secondary and even primary prevention of asthma within the personalization of therapeutic approaches.
The authors declare that there are no conflicts of interest present.