巨型脂质体制备过程的多参数优化方法技术

本发明专利技术提供了一种巨型脂质体制备过程的多参数优化方法，运用反馈神经网络算法对已有试验数据进行学习与训练，从而预测在已有参数限制下的最高巨型脂质体产量，然后根据预测的最高巨型脂质体产量，利用遗传算法寻找各参数的最优值，以获得巨型脂质体产量最高值，解决人工大量试验寻找最高巨型脂质体产量的参数值难度大、耗时长、准确性差等技术问题，大大提高了巨型脂质体制备的效率和准确性。

【技术实现步骤摘要】

本专利技术涉及脂质体制备
，具体涉及一种巨型脂质体制备过程的多参数优 化方法。
技术介绍
脂质体是一种人工膜，在水中磷脂分子亲水头部插入水中，脂质体疏水尾部伸向 空气，搅动后形成双层脂分子的球形脂质体，直径25-1000nm不等。脂质体可用于转基因， 或制备的药物，利用脂质体可以和细胞膜融合的特点，将药物送入细胞内部，具有重要的经 济和社会意义。因此，脂质体的制作近年来得到了大量关注。巨型脂质体是粒径大于Ιμπι， 电形成法是现有较好的制备巨型脂质体的方法。电形成法通过电场作用实现制备，在制备 过程中影响巨型脂质体数量的参数较多，如何确定各参数的最优值以获得巨型脂质体数量 最多是目前一个研究热点。
技术实现思路
本申请通过提供一种，运用反馈神经网络 算法（BP)对已有试验数据进行学习与训练，从而预测在已有参数限制下的最高巨型脂质 体产量，根据预测的最高巨型脂质体产量，利用遗传算法（GA)寻找各参数的最优值，以获 得巨型脂质体产量最高，解决人工大量试验寻找最高巨型脂质体产量的参数值难度大、耗 时长、准确性差等技术问题。 为解决上述技术问题，本申请采用以下技术方案予以实现： -种，其关键在于，包括以下步骤： Sl :运用反馈神经网络算法对已获得的影响巨型脂质体制备的参数值及其对应的 巨型脂质体产量值数据进行学习与训练，预测巨型脂质体产量的最高值，其中，输入数据为 影响巨型脂质体制备的参数值，输出数据为巨型脂质体产量值； S2:根据预测的巨型脂质体产量的最高值，利用遗传算法寻找影响巨型脂质体制 备的参数值的最优值，其中，将反馈神经网络的权值和阈值组成实数数组，作为遗传算法的 一个染色体，将反馈神经网络的输出值与期望值的均方误差函数作为遗传算法的适应度函 数。 进一步地，步骤Sl具体包括： Sll :构建反馈神经网络； S12:网络初始化； S13:网络训练学习； S14:判断训练是否完成，如果是，则进入步骤S15,否则，跳转步骤S13 ; S15:测试数据集； S16:形成预测模型。 进一步地，步骤S2具体包括： S21:产生初始种群； S22:计算适应度，其中将反馈神经网络的输出值与期望值的均方误差函数作为遗 传算法的适应度函数； S23 :选择； S24 :交叉； S25 :变异； S26 :判断是否满足优化要求，如果是，则结束遗传算法，否则，跳转到步骤S22。 作为一种优选的技术方案，影响巨型脂质体制备的参数包括脂质比例PC :Chol、 PC浓度、Chol浓度、脂质体积、缓冲液Sue浓度、缓冲液NaCl浓度、电压、频率以及持续时 间，其中PC为磷脂酰胆碱，Chol为胆固醇，Sue为蔗糖，NaCl为氯化钠。 与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是：结合神经网 络系统拟合和遗传算法寻优的特点，大大提高了巨型脂质体制备的效率和准确性。【附图说明】 图1为本专利技术的多参数寻优算法流程图； 图2为BP神经网络预测模型适应度值变化曲线图； 图3为多参数寻优算法寻优所得最优参数值曲线图； 图4为多参数寻优算法寻优所得最优参数值曲线图； 图5为多参数寻优算法预测的巨型脂质体产量曲线图。【具体实施方式】 本申请实施例通过提供一种，运用反馈 神经网络算法（BP)对已有试验数据进行学习与训练，从而预测在已有参数限制下的最高 巨型脂质体产量，根据预测的最高巨型脂质体产量，利用遗传算法（GA)寻找各参数的最优 值，以获得巨型脂质体产量最高，解决人工大量试验寻找最高巨型脂质体产量的参数值难 度大、耗时长、准确性差等技术问题。 为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式，对 上述技术方案进行详细的说明。 实施例 -种，包括以下步骤： Sl :运用反馈神经网络算法对已获得的影响巨型脂质体制备的参数值及其对应的 巨型脂质体产量值数据进行学习与训练，预测巨型脂质体产量的最高值，其中，输入数据为 影响巨型脂质体制备的参数值，输出数据为巨型脂质体产量值； S2:根据预测的巨型脂质体产量的最高值，利用遗传算法寻找影响巨型脂质体制 备的参数值的最优值，其中，将反馈神经网络的权值和阈值组成实数数组，作为遗传算法的 一个染色体，将反馈神经网络的输出值与期望值的均方误差函数作为遗传算法的适应度函 数。 图1所示为多参数寻优算法的流程图。 进一步地，步骤Sl具体包括： Sll :构建反馈神经网络； S12:网络初始化； S13:网络训练学习； S14 :判断训练是否完成，如果是，则进入步骤S15,否则，跳转步骤S13 ; S15:测试数据集； S16:形成预测模型。 进一步地，步骤S2具体包括： S21 :产生初始种群； S22:计算适应度，其中将反馈神经网络的输出值与期望值的均方误差函数作为遗 传算法的适应度函数； S23 :选择； S24 :交叉； S25 :变异； S26 :判断是否满足优化要求，如果是，则结束遗传算法，否则，跳转到步骤S22。 在实施过程中，影响巨型脂质体制备的参数主要包括芯片结构、脂质比例PC : Cho 1、PC浓度、Chol浓度、脂质体积、缓冲液Suc浓度、缓冲液NaCl浓度、电压、频率以及持 续时间。 为了进一步验证本专利技术的显著效果，本实施例对试验采集的135组数据进行仿 真。由于试验所用芯片只有一种自制芯片，所以芯片结构的参数不纳入分析范畴，本例中选 取脂质比例PC :ChoI、PC浓度、Cho 1浓度、脂质体积、缓冲液Suc浓度、缓冲液NaCl浓度、电 压、频率以及持续时间共9个参数，将这9个参当前第1页1 2 本文档来自技高网...

【技术保护点】
一种巨型脂质体制备过程的多参数优化方法，其特征在于，包括以下步骤：S1：运用反馈神经网络算法对已获得的影响巨型脂质体制备的参数值及其对应的巨型脂质体产量值数据进行学习与训练，预测巨型脂质体产量的最高值，其中，输入数据为影响巨型脂质体制备的参数值，输出数据为巨型脂质体产量值；S2：根据预测的巨型脂质体产量的最高值，利用遗传算法寻找影响巨型脂质体制备的参数值的最优值，其中，将反馈神经网络的权值和阈值组成实数数组，作为遗传算法的一个染色体，将反馈神经网络的输出值与期望值的均方误差函数作为遗传算法的适应度函数。

【技术特征摘要】

【专利技术属性】
技术研发人员：利节，陈国荣，王振宇，高敏，李莉，赖军辉，李忠，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：重庆;85