نظام متكامل لذكاء السرب والشبكة العصبية لاكتشاف التشابه الجزيئي
DOI:
https://doi.org/10.21123/bsj.2024.9278الكلمات المفتاحية:
التشابه الجزيئي, ذكاء السرب, طائر العقاب, النمل الابيض, الشبكات العصبيةالملخص
التشابه الجزيئي مفهوم واسع وله تشعبات عديدة عبر العديد من الجوانب الكيميائية حيث ان الفكرة السائدة كيمائياً بان الجزيئات متشابه المظهر لها خصاص متشابهة في التأثير. ولهذا السبب، فإن تقنيات حساب التشابه الجزيئي لها فوائد متنوعة في صناعة المستحضرات الصيدلانية، كما هو الحال في سياق اتصالات الهيكل والنشاط للجزيئات. ان الهدف من التشابه الجزيئي هو تحديد جزيئات العينة التي تشبه الجزيء المستهدف بعد تحريكها وتدويرها بطرق الذكاء الاصطناعي. يعد ذكاء السرب والشبكات العصبية جزء من الذكاء الاصطناعي اللتان تم استخدامهما على نطاق واسع في مجموعة متنوعة من التطبيقات الكيميائية. في هذا البحث تم استخدام نظام هجين من ذكاء السرب حيث تم الدمج بين سلوكيات النمل الابيض وطائر العقاب للعثور على جزيء العينة الأكثر تشابهًا في مجموعة البيانات وفقًا لجزيء مستهدف واحد. ان الطرق العديدة للتحقق من دقة التشابه تعتبر طرق نسبية وبذلك قد تم استخدام طريقة تقليدية للتحقق من دقة النتائج وقد حصلنا على نسبة 70.58% ولكن بعد استخدام الشبكات العصبة قد ازدادت الدقة الى 90%. تم استخدام لوح شبكي ثلاثي الابعاد لا يجاد العلاقة الكمية بين جزيئات العينة مقارنة بالجزيء المستهدف حيث تم تطبيق معادلة المسافة الاقليدية والمانهاتن للحصول التشابه والاختلاف فيما بينهم.
Received 15/08/2023
Revised 25/12/2023
Accepted 27/12/2023
Published Online First 20/07/2024
المراجع
Tang J, Liu G, Pan Q. A Review on Representative Swarm Intelligence Algorithms for Solving Optimization Problems: Applications and Trends. IEEE/CAA J Autom Sin. 2021 Oct.;8(10): 1627-1643. https://doi.org/10.1109/JAS.2021.1004129.
Abualigah L, Yousri D, Elaziz MA, Ewees AA, Al-qaness MA, Gandomi AH. Aquila Optimizer: A novel meta-heuristic optimization Algorithm. Comput Ind Eng. 2021; 157: 1-63. https://doi.org/10.1016/j.cie.2021.107250
Wang S, Jia H, Abualigah L, Liu Q, Zheng R. An Improved Hybrid Aquila Optimizer and Harris Hawks Algorithm for Solving Industrial Engineering Optimization Problems. Processes. 2021; 9(9): 1551.1-28. https://doi.org/10.3390/pr9091551.
Zauleck JPP. Improving grid-based quantum dynamics: From the inclusion of solvents. [Dissertation]. Faculty of Chemistry and Pharmacy, Ludwig Maximilians University at Munich; 2017; 1-123.
Li C, Sun J, Li L-W, Wu X, Palade V. An Effective Swarm Intelligence Optimization Algorithm for Flexible Ligand Docking. IEEE/ACM Trans Comput Biol Bioinform. 2022 May; 19(5): 2672-2684. https://doi.org/10.1109/TCBB.2021.3103777.
Norfadzlia MY, Azah KM, Satrya FP. Swarm Intelligence-Based Feature Selection for Amphetamine-Type Stimulants (ATS) Drug 3D Molecular Structure Classification. Appl Artif Intell. 2021; 35(12): 914-932. https://doi:10.1080/08839514.2021.1966882.
Gandini E, Marcou G, Bonachera F, Varnek A, Pieraccini S, Sironi M. Molecular Similarity Perception Based on Machine-Learning Models. Int J Mol Sci. 2022; 23(11): 1-2. https://doi.org/10.3390/ijms23116114.
Gallegos Saliner A. Molecular Quantum Similarity in QSAR: Applications in Computer-Aided Molecular Design. Doctoral Thesis for the obtaining of the degree of Doctor in Theoretical and Computational Chemistry. Universitat de Girona, Institut de Química Computacional; 2004.
Mishra S, Sagban R, Yakoob A, Gandhi N. Swarm intelligence in anomaly detection systems: an overview. Int. J.. Comput. Appl. 2018; 43(2): 109-118. https://doi.org/10.1080/1206212X.2018.1521895.
Zhang Y, Xu X, Zhang N, Zhang K, Dong W, Li X. Adaptive Aquila Optimizer Combining Niche Thought with Dispersed Chaotic Swarm. Sensors. 2023; 23(2): 755: 1-24. https://doi.org/10.3390/s23020755.
Ammal RA, PC S, SS V. Termite inspired algorithm for traffic engineering in hybrid software defined networks. Peer J Comput Sci. 2020; 6: e283. 1-21. https://doi.org/10.7717/peerj-cs.283
Hoang-Le Minh, Thanh Sang-To, Guy Theraulaz, Magd Abdel Wahab, Thanh Cuong-Le. Termite life cycle optimizer. Expert Syst Appl. 2023; 213(Part C): 119211: 1-54. https://doi.org/10.1016/j.eswa.2022.119211.
Varun Kumar Ojha, Ajith Abraham, Václav Snášel. Metaheuristic design of feedforward neural networks: A review of two decades of research. Eng Appl Artif Intell. 2017; 60: 98-116. https://doi.org/10.1016/j.engappai.2017.01.013.
Hugh Cartwright, Artificial Neural Networks (Methods in Molecular Biology, 2190), Humana press 3rd ed. 2021; 73-297. https://doi.org/10.1007/978-1-0716-0826-5.
Moldovan A, Caţaron A, Andonie R. Learning in Feedforward Neural Networks Accelerated by Transfer Entropy. Entropy. 2020; 22: 1-19. https://doi.org/10.3390/e22010102.
Szandała T. Review and Comparison of Commonly Used Activation Functions for Deep Neural Networks. arXiv. 2020; 2010: 09458: 1-24.
Sharkawy AN. Principle of Neural Network and Its Main Types: Review. J Adv Appl Comput Math. 2020; 7: 8-19. https://doi.org/10.15377/2409-5761.2020.07.2.
Shaik NB, Pedapati SR, Taqvi SAA, Othman AR, Dzubir FAA. A Feed-Forward Back Propagation Neural Network Approach to Predict the Life Condition of Crude Oil Pipeline. Processes. 2020; 8: 1-13. https://doi.org/10.3390/pr8060661.
Tong Yu, Hong Zhu. Hyper-Parameter Optimization: A Review of Algorithms and Applications. arXiv: 2003.05689. 2020; 1-56. https://doi.org/10.48550/arXiv.2003.05689.
Deng S, Yu Y. Predicting Structural Similarity between Molecules Using Graph Neural Networks. In: 2022 10th International Conference on Bioinformatics and Computational Biology (ICBCB); Hangzhou, China; 2022: 78-84. https://doi.org/10.1109/ICBCB55259.2022.9802484.
Beck H, Härter M, Haß B, Schmeck C, Baerfacker L. Small molecules and their impact in drug discovery: A perspective on the occasion of the 125th anniversary of the Bayer Chemical Research Laboratory. Drug Discovery Today. 2022; 2(6): 1560-1574. https://doi.org/10.1016/j.drudis.2022.02.015.
Li Q, Kang C. Mechanisms of Action for Small Molecules Revealed by Structural Biology in Drug Discovery. Int J Mol Sci. 2020; 21(15): 1-18. https://doi.org/10.3390/ijms21155262.
Fu T, Xiao C, Glass LM, Sun J. MOLER: Incorporate Molecule-Level Reward to Enhance Deep Generative Model for Molecule Optimization. IEEE Transactions on Knowledge and Data Engineering (IEEE TKDE). 2021; 34(11): 5459-5471. https://doi.org/10.1109/TKDE.2021.3052150.
Hernandez M, Zaribafiyan A, Aramon M, Naghibi M. A Novel Graph-based Approach for Determining Molecular Similarity. 1QB Information Technologies. arXiv. 2016; 1-16. https://doi.org/10.48550/arXiv.1601.06693.
Samanta S, O’Hagan S, Swainston N, Roberts TJ, Kell DB. VAE-Sim: A Novel Molecular Similarity Measure Based on a Variational Autoencoder. Molecules. 2020; 25(15): 1-16. https://doi.org/10.3390/molecules25153446.
Hiteshi Tandon, Tanmoy Chakraborty, Vandana Suhag. A Concise Review on the Significance of QSAR in Drug Design. Chem Biomol Eng. 2019; 4(4): 45-51. https://doi.org/10.11648/j.cbe.20190404.11.
M Faisal, E M Zamzami, Sutarman. Comparative Analysis of Inter-Centroid K-Means Performance using Euclidean Distance, Canberra Distance and Manhattan Distance. J Phys: Conf Ser. 2019.
Yongjian Sun, Shaohui Li, Yaling Wang, Xiaohong Wang. Fault diagnosis of rolling bearing based on empirical mode decomposition and improved Manhattan distance in symmetrized dot pattern image. Mech Syst Signal Process. 2021; 159: 107817: 1-23 https://doi.org/10.1016/j.ymssp.2021.107817 .
Robin Winter, Floriane Montanari, Andreas Steffen, Hans Briem, Frank Noe, Djork-Arn´e Clevert. Efficient multi-objective molecular optimization in a continuous latent space. Chem Sci. .2019; 10(34): 8016-8024. http://dx.doi.org/10.1039/C9SC01928F
Jian Y, He Y, Yang J, Han W, Zhai X, Zhao Y, Li Y. Molecular Modeling Study for the Design of Novel Peroxisome Proliferator-Activated Receptor Gamma Agonists Using 3D-QSAR and Molecular Docking. Int J Mol Sci. 2018; 19(2): 630: 1-15. https://doi.org/10.3390/ijms19020630.
Potemkin VA, Grishina AM, Potemkin AV. Grid-based Continual Analysis of Molecular Interior for Drug Discovery, QSAR and QSPR. Curr Drug Discov Technol. 2017; 14(3): 181-205. https://dx.doi.org/10.2174/1570163814666170207144018.
التنزيلات
إصدار
القسم
الرخصة
الحقوق الفكرية (c) 2024 Fadia Sami, Hakan KOYUNCU
![Creative Commons License](http://i.creativecommons.org/l/by/4.0/88x31.png)
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.