Н. А. Назарбаева народу Казахстана

 

 

182 

 

Figure 3 – ES use in the learning process. 

 

DET  trainees  who  are  just  being  familiarized  with  programming  may  by  means  of  ES  develop 

independently applications where they may receive at once highly qualified maintenance on the work under 

development. 

Using  of  moduli  of  speech  recognition  programs  plays  the  role  of  no  little  importance.  The  speech 

recognition  program  allows  achieving  a  higher  level  of  management  and  fulfillment  of  the  set  tasks  on 

E

d

u

c

a

t

i

o

n

 

Data 

IC 

Сontents 

Electronic books

 

Electronic Library

 

Student 

IC 

elective subjects

 

The educational process

 

 

……. 

 

M

a

n

a

g

e

m

e

n

t

 

Corrective Actions 

L e v e l   1  

------ 

D

at

a 

- 

in

 

 

 

Make a 

decision 

Database-X2 

 

 

Database1

 

Database2 

Database3 

Database-X1 

Database4 

… 

 

Laboratory 

Regulatory Documents

 

Modules Expert 

Systems 

L e v e l   3  

L e v e l   2  

L e v e l   N  

Analyze 

Data 

 

Results 

Imple-

mentation 

 

 

 

183 

conduct  of  laboratory-and-research  works  while  working  remotely  from  the  principal  server.  Thereby  it  is 

possible  to  create  additional  opportunities,  which  simplify  the  process  of  data  management  and  entry, 

mastering of educational programs by the students with the use of distance learning technologies. 

Integration  of  modern  decisions  of  moduli for speech recognition programs to the  distance  education 

systems provides for improvement of the educational portal.  

Using of the speech recognition programs for DE test programs gives a number of advantages. Many 

higher educational institutions put in practice the method of provision of information resources in the form of 

text files  or documents and knowledge  control  is implemented by the  method  of computer testing (in some 

cases  without  the  trainee  personal  identification  in  the  on-line  mode).  In  our  opinion,  such  democratic 

approach  in  higher  education  is  inacceptable  and  rather  fits  for  qualification  improvement  and  etc.  For 

example, Educational Testing Service (ETS) company introduces highly-technological platforms of personal 

identification  for  examination  conduct  for  the  purpose  of  providing  an  impeccable  reputation  in  the  world. 

While ETS, the test development company itself, has introduced biometrical programs of voice identification 

for the purpose of increasing the testing safety and also reliable and fair test conduct all over the world. As a 

supplement  to  the  existing  complex  safety  system  of  the  program  for  test  participant  authentication,  the 

proved  safety  method  forms  the  basis  of  the  recently  launched  safety  measure  [6].  Using  of  such  the  most 

modern  components  improves  the  ability  to  detect  attempts  of  receiving  unfair  advantage  that  is  now  the 

common concern in the academic group of not only Kazakhstan but many open universities of the world [7].  

 

REFERENCES 

1.  http://www.edu.gov.kz. 

2.  Makulov  K.,  Otarbayev  Zh.  Significance  of  expert  systems  in  distance  educational  technologies.  Human 

Forum. Barcelona. Spain. 2013. 

3.  И.К. Корнеев, В.В. Годин. Управление информационными ресурсами. – М.: ИНФРА-М, 2000. – 352 с. 

4.  http://wikipedia.org/ 

5.  http://www.ruslion.ru/psyhology 

6.  http://www.mbastrategy.ua/content 

7.  Otarbayev  Zh.,  Makulov  K.  Materials  of  international  scientific-practical  conference.  University  of  SCO  – 

New horizons for distance education: Experience, practice and prospects.  For the issues of pedagogic communication 

in learning with the use of distance education technologies. Karaganda. Republic of Kazakhstan. 2013. – 222c. 

8.  Makulov  K.,  Otarbayev  Zh.,  Yagaliyeva  B.  Significance  of  Expert  Systems  in  Distance  Educational 

Technologies  //  Materials  of  the  VII  International  Research  and  Practice  Conference  Vol.  II  April  23h  –  24th,  2014 

Munich, Germany 2014. P.69-72 

 

Макулов К.К., Отарбаев Ж., Ягалиева Б.Е. 

Аннотация:  В  статье  рассмотрены  экспертные  системы.  Вопросы  их  применения  в  образовании  с 

дистанционными  образовательными  технологиями.  Отражены  основные  недостатки  и  определение  путей  их 

решения в целях создания модуля ЭС для системы дистанционных образовательных технологии. 

 

Макулов К.К., Отарбаев Ж., Ягалиева Б.Е. 

Аңдатпа: Бұл мақалада сараптық жүйе қарастырылған. Қашықтан оқыту технологиясының білім беруде 

қолданылу  мәселелері.  Қашықтан  оқыту  технологиясы  жүйесі  үшін  сараптық  жүйе  модулін  құрудағы 

шешімдерін анықтау жолдары мен негізгі кемшіліктері көрсетілген.  

 

 

UDC004.89:004.4:681.5 

 

Samigulina G.А., Samigulina Z.I. 

Kazakh National Technical University after K.I. Satpaev,

 

Almaty, Republic of  Kazakhstan 

zarinasamigulina@mail.ru 

 

INTELLECTUAL TECHNOLOGY OF IMMUNE NETWORK MODELING  

FOR PREDICTION OF MEDICINES PROPERTIES 

 

Abstract.  Given  article  is  devoted  to  development  of  the  intellectual  technology,  computing  algorithms  and 

programs  for  computer  molecular  design  of  the  medical  products  with  given  properties  (on  an  example  barbiturate)  

with  usage  immune  net  modeling.  Classification  of  chemical  substances  on  the  prognostic  groups  is  carried  out. 

Necessary requirements to the intellectual artificial immune system (AIS) for research of the relation between structure 

and activity of the chemical compounds are considered. The system approach on the basis of association of the chemical 

 

 

184 

structural information processing methods with molecular modeling and the images recognition on the basis of AIS are 

developed.  The  intellectual  technology  immune  net  forecasting  of  the  barbiturates  properties  on  the  basis 

multialgorithmic approach is offered. 

Key  words:  artificial  immune  system,  intellectual  technology,  prediction  of  dependence  of  the  structure  – 

property, barbiturates, computer molecular design. 

 

Introduction 

Nowadays, the development of new medicines is a very important task. All over the world conducted 

the researches on this problem. In the paper [1] authors used artificial neural network, which is a branch of 

artificial  Intelligence  (AI).  An  analysis  by  neural  networks  improve  the  classification  accuracy,  data 

quantification. In present study, an effort is being made to prepare the logical assembling of and reduce the 

number  of  analogues  necessary  for  correct  classification  of  biological  active  compounds  the  various 

advanced  methods  which  will  be  circulating  around  the  Artificial  Neural  Network.  It  is  reported  that  drug 

industries need the fast screening of chemical molecule to determine drug like properties in molecules. 

Paper  [2]  describes  the  implementation  of  the  Tabu  Search  (TS)  algorithm  in  concert  with  the 

Computer-Aided  Molecular  Design  (CAMD)  scheme.  Although  other  optimization  approaches  have  been 

applied  to  CAMD  with  properties  predicted  using  group  contribution  techniques,  the  TS  algorithm 

implemented  with  novel  neighbor-generating  operators  and  combined  with  property  prediction  via 

connectivity  index  based  correlations  provides  a  powerful  technique  for  generating  lists  of  near-optimal 

molecular candidates for a given application. 

Paper [3] described peptide deformylase (PDF), which is essential in a variety of pathogenic bacteria 

but it is not required for cytoplasmic protein synthesis in eukaryotes, which makes this enzyme an attractive 

target  for  developing  novel  antibiotics.  Authors  designed  a  series  of  PDF  inhibitors  and  predicted  their 

biological  activities  using  molecular  simulation  methods.  The  binding  conformations  and  binding  affinities 

of these inhibitors have been obtained using the flexible docking protocol FlexX. Calculations performed for 

test  compounds  suggested  that  FlexXcan  reproduce  the  binding  conformation  of  the  crystal  structure.  A 

series of designed PDF inhibitors have been docked to the PDF model and the computed docking scores have 

been used as a reference standard to evaluate the activities of these inhibitors.  

Article  [4]  presents  a  dynamic  ensemble  neural  network  model  for  a  pharmaceutical  drug  design 

problem.  By designing a drug, we mean to choose some variables of drug formulation (inputs), for obtaining 

optimal  characteristics  of  drug  (outputs).  To  solve  such  a  problem,  authors  propose  a  dynamic  ensemble 

neural  network  model  and  the  performance  is  compared  with  several  neural  network  architectures  and 

learning  approaches.  The  idea  is  to  build  a  dynamic  ensemble  neural  network  depicting  the  dependence 

between inputs and outputs for the drug design problem. In paper [5] described a construction method and a 

training procedure for a topology preserving neural network (TPNN) in order to model the sequence-activity 

relation of peptides. The building blocks of a TPNN are single cells (neurons) which correspond one-to-one 

to the amino acids of the peptide. The cells have adaptive internal weights and the local interactions between 

cells  govern  the  dynamics  of  the  system  and  mimic  the  topology  of  the  peptide  chain.  The  TPNN  can  be 

trained  by  gradient  descent  techniques,  which  rely  on  the  efficient  calculation  of  the  gradient  by  back-

propagation.  

Article  [6]  is  devoted  to  prediction  of  anticancer/non-anticancer  drugs.  The  quantitative  structure-

activity  relationship  (QSAR)  model  developed  discriminate  anticancer/non-anticancer  drugs  using  machine 

learning  techniques:  artificial  neural  network  (ANN)  and  support  vector  machine  (SVM).  The  ANN  used 

here  is a feed-forward neural network  with a standard back-propagation training algorithm. These  methods 

were trained and tested  on a non redundant  data set of 180 drugs. The proposed  model can be used  for the 

prediction  of  the  anti-cancer  activity  of  novel  classes  of  compounds  enabling  a  virtual  screening  of  large 

databases.  

Authors of article [7] present self-organizing map or Kohonen network and counter propagation neural 

network  as  powerful  tools  in  quantitative  structure  property/activity  relationship  modeling.  Two  areas  of 

applications are discussed: estimation of toxic properties in environmental research and applications in drug 

research.  

Article [8] is  devoted to describe the QSAR  method. Antimicrobial peptides are ubiquitous  in nature 

where  they  play  important  roles  in  host  defense  and  microbial  control.  QSARs  method,  which  attempts  to 

correlate chemical structure to biological measurement, has shown promising results in the optimization and 

discovery of peptide candidates.  

In  paper  [9]  authors  reviewed  the  implementation  of    genetic  algorithm  (GA)  in  drug  design  QSAR 

and  specifically  its  performance  in  the  optimization  of  robust  mathematical  models  such  as  Bayesian-

 

 

185 

regularized  artificial  neural  networks  (BRANNs)  and  support  vector  machines  (SVMs)  on  different  drug 

design problems. The GA-optimized predictors were often more accurate and robust than previous published 

models on the same data sets and explained more than 65% of data variances in validation experiments. 

Also,  in  the  process  of  the  drug  design  there  is  used  the  relatively  new  biological  approach  [10]  - 

artificial  immune  system  (AIS).  In  paper  [11]  present  the  first  application  of  the  artificial  immune 

recognition  system  (AIRS)  to  the  recognition  of  the  substrates  of  the  multidrug  resistance  (MDR)  ATP–

binding  cassette  (ABC)  transporter  permeability  glycoprotein  (P–  glycoprotein,  P–  gp).  We  evaluated  the 

AIRS  algorithm  for  a  dataset  of  201  chemicals.  The  classifiers  were  computed  from  159  structural 

descriptors from five classes, namely constitutional descriptors, topological indices, electro topological state 

indices,  quantum  descriptors,  and  geometrical  indices.  The  AIRS  algorithm  is  controlled  by  eight  user 

defined  parameters:  affinity  threshold  scalar,  clonal  rate,  permutation  rate,  number  of  nearest  neighbors, 

initial  memory  cell  pool  size,  number  of  instances  to  compute  the  affinity  threshold,  stimulation  threshold, 

and  total  resources.  The  AIRS  predictions  are  better  than  those  of  five  of  these  algorithms  (alternating 

decision tree, Bayesian network, logistic regression with ridge estimator, random tree, and fast decision tree 

learner), showing that P–gp substrates may be successfully recognized with AIRS. This article focuses on the 

development  of  intellectual  technology  of  immune  network  modeling  and  "structure-property"  relations 

prediction  of  unknown  chemical  compounds  that  can  be  considered  as  candidates  for  the  creation  of  new 

drugs. 

The structure of the article is follow: section 2 is dedicated to the AIS approach description and to the 

presentation  of  a  mathematical  model  of  a  formal  peptide,  in  Section  3  there  are  the  objectives  of  the 

analysis.  Section  4  is  dedicated  to  the  immune  network  model  construction  based  on  the  structure  of  the 

compounds. There is also represented an algorithm for the prediction based on AIS and described the process 

of immune network model optimization. Section 5 presents the results of the modeling. The article ends with 

section 6 with the conclusion. 

Description of the AIS approach 

Under  AIS  there  is  understood  an  information  technology,  which  use  concepts  of  a  theoretical 

immunology  for  various  applications,  including  the  prediction  of  properties  of  new  drug  compounds.  The 

actual  direction  of  AIS  is  the  approach  based  on  the  mathematical  implementation  of  the  molecular 

recognition mechanisms. The advantages of artificial immune system are: distribution, self-organization and 

evolution,  not  much  demanding  of  computer  resources,  the  lack  of  centralized  control,  self-learning, 

individual approach to the unique events. 

This approach uses the term of a formal peptide [12], as a mathematical abstraction of the free energy 

protein molecule from its spatial form, which is described in quaternion algebra.  

A mathematical model of the formal peptide has the following form:  

 

P= 

                                                              (1) 

 

where 

0

n 

 - number of the elements;  

k

k

U={

,

}, k=1 ,..., n 

 

-  multitude  of  the  torsion  angles,  where 

k

-

,

k























; 

0

k

Q = {Q , Q }

-  multitude  of  the  unit  quaternion,  where  quaternion 

k

k

Q =Q {

,

}

k

k

 

  and  the  resulting 

quaternion FP 

0

Q

 are defined as their product 

0

1

2

,

...

n

Q

Q Q

Q



; multitude of the coefficients:  

 

j

V = {v },    = 1, 2, 3, 4,  j

 

i

i

i



                                            (2) 

function



 (without index), defined from the elements of the resulting quaternion 

0

Q

 by the following 

quadratic form: 

ij

i

j

j i

v

v q q



 



                                                                   

(3) 

This  mathematical  model  of  the  formal  peptide  is  used  in  further  researches  during  the  immune 

network model construction that describes the structure of a chemical compound by the descriptors. 

 

Statement of the problem 

The  statement  of  the  problem  is  formulated  as  follows:  there  is  a  need  to  develop  an  intellectual 

system of forecasting the pharmacological activity of organic compounds on the basis of biological artificial 

immune systems approach for the selection of promising chemical compounds -candidates for new drugs. 

 

 

 

186 

Immune network model construction and prediction of the new substances properties based on AIS 

The implementation of the proposed intelligent prediction technology of  "structure-property" relations 

includes the following major steps: 

1.  The choice of chemicals for research. 

2.  Structure description and classification. 

3.  Pattern recognition based on AIS. 

4.  Analysis and evaluation of the properties predicting results of unknown compounds. 

The  Figure  1  shows  a  block  diagram  of  prediction  of  the  pharmacological  activity  of  unknown 

compounds based on immune network modeling.  

 

 

  

Figure 1- The block diagram of drugs properties predicting based on AIS 

 

The following algorithm is developed on the basis of AIS: 

1.  Development  of  a  descriptors  database  for  the  compound  structure  description  by  the  numerical 

parameters. 

2.  Pre-processing: normalization, centering and data recovery. 

3.  Immune network model construction based on the descriptors (formal peptides - standards that are 

regarded as antigens) that describe the structure of the test compound with known properties. 

4.  Optimal  immune  network  model  construction  by  informative  descriptors  providing  (using  factor 

analysis algorithms and neural networks). 

5.  Education according to the immune network standards with the teacher and assessment. 

6.  Formation of the matrix - the images that will be considered as antibodies. 

7.  The pattern recognition [12]  problem solution based on the singular value  decomposition (SVD) 

and finding the minimum energy between formal peptides (antibodies and antigens). 

8.  Evaluation of the power errors based on homologous proteins. 

9.  Selection  for  the  further  optimization  algorithm  usage  of  the  immune  network  (principal 

component analysis or neural network approach), which gives the minimum error of generalization. 

10. Prediction of pharmacological activities of unknown compounds. 

11. Selection of connections - drug candidates for further research. 

 

Modeling results 

Example.  Let’s  consider  the  following  example  of  drugs  properties  predicting  in  the  class  of 

barbiturates.  

Barbiturates(barbiturates)  -  a  group  of  drugs,  barbituric  acid  derivatives  (CONHCOCH2CONH), 

providing a depressing effect on the central nervous system [13]. These drugs have a sedative, anticonvulsant 

 

 

187 

and  narcotic  effect.  Various  barbiturates  have  their  lasting  effects  on  the  body.  There  are  drugs  with  long-

term (barbital, phenobarbital, barbital sodium), medium (cyclobarbital, barbamil, etaminalsodium) and short 

(geksobarbital),  duration  of  action.  For  this  example,  information  about  the  structures  of  chemical 

compounds of barbiturates are taken from the books of  E.W. Stuper, U. Bruegger and P. Dzhurs [14]. 

Experts identify two classes: 

Class 1 - strongly acting barbiturates (sleep duration discussed). 

Class 2 - weak acting barbiturates. 

There  is  created  the  descriptors  database  (Table  1).  Reduction  of  uninformative  descriptors  and 

optimal  immune  network  model  construction  is  made  by  using  factor  analysis  and  principal  component 

analysis (PCA) [15]. 

 

Table 1- Descriptors database 

 

№ 

D1 

D2 

D3 

D4 

... 

D25 

1 

0.280 

0.040 

1.187 

0.253 

... 

0.100 

2 

0.278 

0.044 

1.192 

0.255 

... 

0.118 

3 

0.282 

0.042 

1.191 

0.249 

... 

0.111 

4 

0.279 

0.046 

1.187 

0.251 

... 

0.113 

5 

0.283 

0.430 

1.189 

0.248 

... 

0.118 

... 

... 

... 

... 

... 

... 

... 

9 

0.278 

0.044 

1.192 

0.255 

... 

0.119 

… 

… 

… 

… 

… 

… 

… 

 

The procedure of factor analysisis carried out in the statistical treatment of the data package of SPSS. 

Component Figure in the rotated space is shown in Figure 2. 

 

 

жүктеу/скачать 35,33 Mb.

Достарыңызбен бөлісу: