基于深度学习和多目标智能算法的药物处方优化系统技术方案

本发明专利技术公开了一种基于深度学习和多目标智能算法的药物处方优化系统，涉及医药卫生科技领域。对成分数据进行logratio变换消除定和约束对数据分析的限制；采用ANN模型代替传统的Scheffé多项式进行建模，ANN模型采用RBF神经网络；将RBF神经网络与具有良好寻优能力的NSGA‑II算法结合进行多目标优化。本发明专利技术首次将logratio变换与深度学习算法以及多目标遗传算法结合，创建基于logratio变换和深度学习的混料药物处方优化装置，为混料药物处方优化提供一套可行的方案，大大减少用预实验来探索最佳制备条件的次数，节约人力、物力和财力，对于解决医药学领域中多目标寻优问题具有实际的指导意义及应用价值，且可推广至其他领域具有定和约束问题和多目标优化问题的应用中。

【技术实现步骤摘要】

本专利技术涉及医药卫生科技领域，具体为一种基于深度学习和多目标智能算法的药物处方优化系统。

技术介绍

1、随着医药学研究的发展，药物处方配比优化问题激发了越来越多研究者的研究兴趣。尤其是混料药物配方的优化，吸引了学术界的广泛关注。为了确定混料药物的理想配方比例，混料试验设计应运而生。以合理的试验点得到优化的生产模型,满足药物研发者们的需求，是目前解决药物最优配方、配比最为理想的一种试验设计方法。然而，药物配方中不同成分的比例会直接影响药物的特性，比如载药量、包封率等，这些特性又直接关联到药物的效果和安全性。以葛根素负载脂质纳米胶囊的研究为例，辅料的不同配比会影响纳米胶囊的载药量和包封率，这种差异对于确保药物疗效和安全至关重要(zhai y,liu m,wan m,li y,zhang m,zhai g j j o n.preparation and characterization of puerarin-loaded lipid nanocapsules[j].journal of nanoscience nanotechnology,2015,15(4本文档来自技高网...

【技术保护点】

1.一种基于深度学习和多目标智能算法的药物处方优化系统，其特征在于：该系统通过以下步骤来实现：

2.根据权利要求1所述的一种基于深度学习和多目标智能算法的药物处方优化系统，其特征在于：步骤S1具体如下：采用可加性logratio变换消除定和约束对数据分析的限制，将成分数据转换为欧氏空间上的开放数据，变换后的数据取值范围由[0,1]转变为(-∞,+∞)；该变换可在不改变原来的数据规律的基础上消除定和约束；可加性Logratio变换和反变换公式如下：

3.根据权利要求1所述的一种基于深度学习和多目标智能算法的药物处方优化系统，其特征在于：步骤S2具体如下：

...

【技术特征摘要】

1.一种基于深度学习和多目标智能算法的药物处方优化系统，其特征在于：该系统通过以下步骤来实现：

2.根据权利要求1所述的一种基于深度学习和多目标智能算法的药物处方优化系统，其特征在于：步骤s1具体如下：采用可加性logratio变换消除定和约束对数据分析的限制，将成分数据转换为欧氏空间上的开放数据，变换后的数据取值范围由[0,1]转变为(-∞,+∞)；该变换可在不改变...

【专利技术属性】
技术研发人员：王旭春，仇丽霞，乔宇超，崔宇，任浩，李一汀，
申请(专利权)人：山西医科大学，
类型：发明
国别省市：

全部详细技术资料下载 我是这个专利的主人