文章标题 全文   多个检索词，请用空格间隔。

       【摘要】 
       目的 利用BP神经网络方法探索建立毛脉酸模根中白藜芦醇含量的动态模型的可行性。方法采用HPLC色谱法，测定不同生长发育期毛脉酸模中7种生物活性成分（白藜芦醇苷、白藜芦醇、大黄酚苷、酸模素、大黄素、大黄酚、大黄素甲醚）的含量。通过相关性分析找出与白藜芦醇相关性较好的因子用来建立网络。结果通过利用根皮部的白藜芦醇的数据进行检验网络的泛化性能，发现网络的输出值与实际值吻合度较好。结论BP人工神经网络预测白藜芦醇的动态规律比其他线性数值模拟预测具有较大的优势，为植物的生物活性成分随季节的变化趋势的建立提供了一种新的方法。
       【关键词】  毛脉酸模 BP人工神经网络 白藜芦醇
       毛脉酸模为蓼科Polyonaceae酸模属多年生宿根草本植物，根中富含白藜芦醇及白藜芦醇苷等二苯乙烯类成分，酸模素、大黄酚、大黄素等蒽醌类成分及黄酮类化合物［1～3］。有研究表明，它具有抗肿瘤、抗病原微生物、降血脂等药理作用［4～6］，其中白藜芦醇具有多种药理活性：抗菌、抗氧化、预防心脏病、抗癌、抗血小板凝聚、保护肝脏、雌激素作用、防辐射、免疫调节、抗艾滋病活性、抗心律失常和抗心肌缺血等［7～11］，也能修复非典型肺炎方剂所致的细胞DNA 损伤［12］。因此，毛脉酸模作为一种新中药材或原料药有相当重要的生产和研究价值。
        基于误差逆传算法的多层前馈神经网络（简称BP网络）是目前应用最广、通用性最好的能用于分类、模式识别和函数逼近的网络。在生态学和农业研究中，它通常作为非线性函数模拟器用于预测作物产量、生物生产量、生物与环境之间的关系等［13～16］。在医药学方面，主要用于诊断、含量测定及质量评价等研究［17～19］。药用植物中含有的生物活性成分随季节的变化规律是非线性的，以往只是利用生物活性成分的含量来描述其动态特征，而极少运用BP神经网络建立生物活性成分的动态积累模型。本文利用BP神经网络强大的非线性能力，选择与毛脉酸模中白藜芦醇相关性较大的生物活性成分作为因子建立简单而又切实可行的网络，预测该植物中的白藜芦醇含量的动态积累规律，从而为新的中药材合理的开发利用提供理论依据和科学指导。
       1  材料及处理
        毛脉酸模采于黑龙江中医药大学，从4月下旬至10月中旬，每月采收2次。毛脉酸模采收后，用清水洗净，阴干。
       2  方法
        2.1  供试品溶液的制备  精密称取待测样品粉末0.5 g，置于索氏提取器中，加50%乙醇70 ml，提取4 h，过滤，蒸干，残渣用甲醇溶解并定容至25 ml，过0.45 μm滤膜，即得。
        2.2  检测方法  利用高效液相色谱仪（Waters2695型泵，2996型二极管阵列检测器）（Water公司，美国）检测毛脉酸模中7种活性成分。色谱柱为Planetsil  C18（200 mm×4.6 mm，5 μm），预柱为Phenomenex ODS-C18 (4.0 mm×3.0 mm)；流动相A为甲醇，流动相B为水（磷酸调pH为2.0）；线性梯度洗脱条件为流动相从30%甲醇到100%甲醇，时间为0～50 min；流速1 ml·min-1；检测波长为254 nm(蒽醌类成分)，303 nm(二苯乙烯类成分)，225 nm(酸模素)；柱温为40℃；进样量为20 μl。
       3  结果
        3.1  因子相关性分析在毛脉酸模生长发育过程中主要的生物活性成分因子包括白藜芦醇苷（X1）、白藜芦醇（X2）、大黄酚苷（X3）、酸模素（X4）、大黄素（X5）、大黄酚（X6）和大黄素甲醚（X7）等。这些因子对生物过程都有影响，本文主要是探讨BP神经网络对该植物根中的白藜芦醇含量动态变化规律预测的可行性，因此将白藜芦醇作为网络的输出变量，通过对毛脉酸模根中诸因子的相关性系数分析可知（见表1），白藜芦醇与白藜芦醇苷、大黄酚苷、大黄素、大黄酚和大黄素甲醚之间相关性较好，而与酸模素的线性关系较差。 表1  网络输入因子之间的相关系数
        3.2  插值  由于BP神经网络模型的参数过多，需要大量的样本数保证参数的正确的求取，否则就有可能会产生与训练数据的过度吻合。因此，在保持原有数据特征的基础上，在相邻的两个时间点监测数据间，插入了多个值，经过反复多次，找出了其中的最佳插值数据，作为网络训练集和测试集数据的来源。各因子的变化曲线见图1～7。
        3.3  神经网络模型的确立如上文所述经过相关性分析，为了寻找最佳的神经网络拓扑结构，确定如下的模型输入组合：① X1，X3，X4，X5，X6，X7；② X1，X3，X5，X6，X7；③ X3，X5，X6，X7；④ X3，X6。对于每个方案，其最优的网络在很大程度上是不确定的。在一般情况下，它会随着输入变量个数、权值和阈值的初始化以及训练次数的不同而略有差别；当输入变量个数多，网络比较复杂的情况下，网络的训练误差往往会收敛于局部最小值。另外，即使网络在训练时表现出很好的性能，BP网络也并不一定总能找到解，此时就要进行多次反复训练，找到比较可行的网络。将白藜芦醇作为神经网络模型的输出变量，所有模型为含单个隐含层。选取毛脉酸模根部插值后的74对数据建立神经网络模型，另取10对数据作为测试样本。对神经网络性能影响考察的结果见表2。
        从表2可以看出，分别采用方案1～方案12时，模型的mse依次增大的同时，相对误差也依次增大。由此可见，当模型隐层节点数增加的同时亦增加了模型的波动性，容易产生较大的实验误差，因此合适的隐层节点的选取非常重要。从表2可知，采用X1，X3，X4，X5，X6，X7作为模型的输入，隐层节点数为4时，网络取得了最小的mse和相对误差。虽然最大的预测误差为36.9%，但是由于生物活性成分动态积累的复杂性，这个误差也是可以的。因此，本实验选取方案1为神经网络模型的最佳选择。表2  结构及训练方法对网络性能的影响
        3.4  网络性能的测试用动态规律与毛脉酸模根部相似部位的白藜芦醇数据作为测试集，可以用于测试所建立的网络的性能。从图8可知，根皮部的白藜芦醇的动态曲线与根部的相似，因此，可用根皮部的数据组成测试集，测试由根部所建立的网络的泛化性能。
        图8  根部和根皮部中白藜芦醇的动态曲线比较
        图9  神经网络所得的白藜芦醇的测试曲线与实际曲线比较
        从图9可以看出，根据方案1建立的神经网络基本上适合根皮部中白藜芦醇含量的动态规律的预测，虽然在某个时期白藜芦醇的含量预测值与实际值有一定的差异，但在整个毛脉酸模的生长发育期内，根皮部中白藜芦醇的变化趋势预测曲线与实际曲线是一致的。说明该神经网络的泛化性能良好，可以用来预测该植物中与根部白藜芦醇的变化规律相似部位该生物活性成分的动态。
       4  结论
        本研究建立了毛脉酸模根中白藜芦醇含量的动态规律的神经网络模型，该模型通过筛选诸因子作为输入参数，以白藜芦醇的含量作为输出参数，并通过根皮部作为检验样本对该网络的性能进行了测试。
        BP人工神经网络有良好的泛化能力。虽然网络的输出曲线与期望曲线在有些位置上还不能很好地吻合，但是网络还是很好地预测了毛脉酸模根皮部中白藜芦醇的积累动态曲线，因此，应用BP人工神经网络预测该植物中白藜芦醇含量的动态规律具有一定的参考价值。
        人工神经网络方法比传统的统计方法在处理非线性问题上有更大的优势，它具有适应性和容错性，且无需人为确定具体的非线性函数解析式等优点，在分析复杂的非线性关系方面上，是一种有效实用的方法。
       【参考文献】
         ［1］ 王振月，李延冰，匡海学，等. 毛脉酸模中大黄酚、大黄素的分离鉴定［J］.中医药学报, 1996, 24(2)：54.
       
       ［2］ 王振月, 蔡学勤, 康毅华, 等. 毛脉酸模中两个化合物的结构研究［J］.中草药, 1996, 27（12）：714.
       
       ［3］ 王振月, 左月明, 康毅华, 等. 毛脉酸模化学成分的研究(Ⅱ)［J］.中草药, 2005, 36（11）：1626.
       
       ［4］ 闫 静, 王振月, 刘丹宁. 白藜芦醇及其甙的生物活性研究进展［J］.中医药学报, 2000, 28 (2)：39.
       
       ［5］ 郑水庆, 陈万生, 陶朝阳, 等. 中药羊蹄化学成分的研究(Ⅰ)［J］. 第二军医大学学报, 2000, 21（10）：910.
       
       ［6］ Schneider Y, Vincent F, Duranton B, et al. Anti-proliferative effect of resveratrol, a natural component of grapes and wine, on human colonic cancer cells［J］.Cancer Letters, 2000, 158：85.
       
       ［7］ Filip V ,Plockova M,Smidrkal J ,et al. Resveratrol and its antioxidant and antimicrobial effectiveness［J］.Food Chem. , 2003 ,83 (4)：585.
       
       ［8］ Pace2Asciak C R , Hahn S ,Diamandis E P , et al. The red wine phenolics transresveratrol and quercetin block human platelet aggregation and eicosanoid synthesis : Implications for protection against coronary heart disease［J］.Clin. Chim. Acta,1995 ,235 (2)：207.
       
       ［9］ Luzi C ,Brisdelli F ,Cinque B ,et al. Differential sensitivity to resveratrolinduced apoptosis of human chronic myeloid (K562) and acute lymphoblastic(HSB22) leukemia cells［J］.Biochem. Pharmacol，2004 ,68 (10)：2019.
       
       ［10］ Mertens2Talcott S U ,Percival S S. Ellagic acid and quercetin interact synergistically with resveratrol in the induction of apoptosis and cause transient cell cycle arrest in human leukemia cells［J］.Cancer Lett .,2005,218 (2)：141.
       
       ［11］ 张红雨，徐长庆，李宏霞，等. 白藜芦醇抗心律失常和抗心肌缺血作用研究［J］.中国药理学通报, 2006, 22 (3)：383.
       
       ［12］ 金顺姬, 段 锭, 黄 梅, 等. 白藜芦醇和抗坏血酸对预防非典型肺炎方剂Ⅰ和Ⅵ所致小鼠外周血液淋巴细胞DNA损伤的保护作用［J］.中草药，2003，34 (12)：1114.
       
       ［13］ Corne SA, Carver SJ, Kunin WE, et al. Predicting forest attributes in southeast Alaska using artificial neural networks［J］.Forest Science, 2004：50, 59.
       
       ［14］ Ryan M, Muller C, Di HJ, et al. The use of artificial neural networks (ANNs) to simulate N2O emissions from a temperate grassland ecosystem［J］.Ecological Modelling, 2004, 175：189.
       
       ［15］ Lee JHW, Huang Y, Dickman M, Jayawardena AW. Neural network modelling of coastal algal blooms［J］.Ecological Modelling, 2003, 159, 179.
       
       ［16］ Park YS, Cereghino R, Compin A, . Applications of artificial neural networks for patterning and predicting aquatic insect species richness in running waters［J］.Ecological Modelling, 2003：160, 265.
       
       ［17］ 董社英，姚纪欢，于科岐，等. 人工神经网络用于消化道癌症初级诊断研究［J］.分析化学, 2000, 28 (8)：1025.
       
       ［18］ 张 蓉，卢来春，邢 茂. 人工神经网络紫外光谱法测定复方氧氟沙星滴耳液的药物含量［J］.第三军医大　学学报, 2005, 27 (3)：266.
       
       ［19］ 王 泽，顾勤兰，王志祥. 基于遗传神经网络的中药葛根及同属植物的质量评价研究［J］.中草药, 2005, 36 (10)：1580.