В настоящее время биологическими науками, в том числе физиологией пищеварения, накоплено огромное количество данных по воздействию факторов окружающей среды на физиологические показатели организма. Однако по ряду причин описание воздействия (даже количественное) относительно редко давало возможность прогноза количественного изменения изучаемого показателя при изменении интенсивности воздействия того или иного фактора на организм. Отчасти это связано с комплексностью воздействия факторов окружающей среды на организм в естественных условиях, следствием чего является трудность выявления и анализа причинно-следственных связей между влияющим агентом и происходящими изменениями. Другой важной причиной является сложность самих данных связей, зачастую не позволяющих описать их (даже при изолированном действии какого-либо фактора) конкретной функциональной зависимостью. Одним из решений данной проблемы может стать построение непараметрических нелинейных моделей, способных аппроксимировать подобные зависимости при достаточном объеме обучающей выборки. К таким моделям можно отнести, в частности, нейронные сети, обладающие способностью к обучению на выборке данных и к нелинейной аппроксимации практически любой непрерывной функции [1–3]. По всей вероятности, нейросетевой подход является весьма перспективным направлением, в частности, при анализе воздействия факторов среды на пищеварительные ферменты рыб. Искусственные нейронные сети в настоящее время находят ряд применений в биологических и медицинских науках [4–6], в том числе в качестве инструмента исследований и моделирования. Разнообразные (за исключением осмотического) воздействия на данный показатель уже были неоднократно изучены [7–9]. Однако количественные прогнозы в данной области, несомненно, пригодятся в разработке и улучшении состава кормовых смесей, а также будут способствовать формированию более точных представлений о динамике физиологических показателей пищеварения рыб в естественных условиях при каких-либо изменениях окружающей среды. Цель исследований – анализ возможности применения нейронной сети типа многослойного персептрона для прогнозирования изменений уровня активности α-амилазы слизистой оболочки кишечника русского осетра при воздействии на данный фермент осмотического давления. Объектами исследования служили половозрелые самки русского осетра (Acipenser güldenstädtii), выловленные в Северном Каспии. Из слизистой оболочки, отделяемой от кишечника, либо пилорической железы с помощью специального скребка готовили гомогенат в разведении 1 : 100. Все эксперименты проводили в условиях in vitro при температуре +25 °С. При изучении влияния осмотического давления на указанные ферменты гомогенат и субстрат готовили при помощи растворов хлорида натрия с кратно уменьшающейся концентрацией (от 0,05 до 20 %). Активность ферментов определяли с использованием стандартных физиолого-биохимических методик [10]. Экспериментальная выборка была представлена 66 точками данных. Из них 40 использовались для обучения, по 13 примеров были задействованы для формирования контрольной и тестовой выборок [1]. Цикл обучения составил 60 эпох, результаты продемонстрированы на рис. 1. Для аппроксимации зависимости был сформирован многослойный персептрон с одним промежуточным слоем. Входной переменной служило осмотическое давление среды (кПа), выходной – относительный показатель изменения уровня активности исследуемого фермента (отношение наблюдаемого уровня активности к среднему его значению в физиологическом растворе Рингера для холоднокровных животных). Число нейронов в промежуточном слое было выбрано равным трем. Рис. 1. Изменение среднеквадратической ошибки в ходе обучения многослойного персептрона: 1 – для обучающей выборки, 2 – для контрольной, 3 – для тестовой. По горизонтальной оси отложены эпохи обучения, по вертикальной – значения ошибки Уменьшение ошибки на контрольной, а главное, тестовой выборках позволяет говорить о достаточно хорошем качестве обучения сети, прежде всего – отсутствии эффекта переобучения. Результирующая среднеквадратическая ошибка составила: - для обучающей выборки – 1,99 × 10-2; - для контрольной выборки – 1,71 × 10-2; - для тестовой выборки – 2,91 × 10-2. Эти данные позволяют говорить о достаточно высокой точности аппроксимации исследуемой зависимости. Однако для подтверждения точности результатов был дополнительно проведен регрессионный анализ для каждой из выборок; анализировались линейная регрессия и корреляция между экспериментальными данными и вычисленными многослойным персептроном значениями. Результаты продемонстрированы на рис. 2. Рис. 2. Результаты регрессионного анализа экспериментальных данных относительно вычисляемого выхода сети. Слева – результаты относительно обучающей выборки, в центре – контрольной, справа – тестовой. Кружками обозначены данные соответствующих выборок, штриховая линия – линия равенства данных физического (T) и вычислительного (A) экспериментов Результаты анализа (T – данные эксперимента, A – данные, вычисленные персептроном, R – коэффициент корреляции между T и A): - для обучающей выборки: A = 0,87 × T + 0,12, R = 0,95; - для контрольной выборки: A = T – 0,033, R = 0,96; - для тестовой выборки: A = T + 0,021, R = 0,93. Эти результаты подтверждают высокую точность прогнозирования такой, в целом достаточно простой модели и позволяют сделать вывод о возможности широкого применения нейросетевого подхода для прогнозирования физиологических показателей животных, в частности рыб. Вместе с тем необходимо отметить, что алгоритмы обучения нейронных сетей не гарантируют достижения минимально возможной ошибки, а такой показатель точности моделирования, как среднеквадратическая ошибка сети, хотя и является достаточно надежным, может быть неравномерно распределен по исследуемому диапазону воздействия.