文档介绍：基于遗传算法的药物动力学参数估计
作者:李进文陈朝辉曾平孙燕
【关键词】遗传算法;,,药物动力学模型;,,参数估计,,,
摘要: 目的:将遗传算法(GA)用于药物动力学(PK)模型参数估计。方法:用MATLAB70所带遗传算法与直接搜索工具箱(GADS)或免费遗传算法最优化工具箱GAOT求得PK参数估计值。结果:GA与常用PK软件包(传统算法)计算比较,结果基本一致,各有优点与不足之处。
关键词: 遗传算法; 药物动力学模型; 参数估计
遗传算法(ic Algorithm, GA)[1,2]是以自然选择和遗传理论为基础,将生物进化过程中适者生存规则与群体内部染色体的随机信息交换机制相结合的高效全局寻优搜索算法。GA摒弃了传统的搜索方式,模拟自然界生物进化过程,采用人工进化的方式对目标空间进行随机优化搜索。它将问题域中的可能解看作是群体的一个个体或染色体,并将每一个个体编码成符号串形式,模拟达尔文的遗传选择和自然淘汰的生物进化过程,对群体反复进行基于遗传学的操作(遗传、交叉和变异)。根据预定的目标适应度函数对每个个体进行评价,依据适者生存、优胜劣汰的进化规则,不断得到更优的群体,同时,以全局并行搜索方式来搜索优化群体中的最优个体,以求得满足要求的最优解。
GA的基本思想是:从一个代表最优化解的一组初值开始进行搜索,这组解称为一个种群,种群由一定数量、通过基因编码的个体组成,其中每一个个体称为染色体,不同个体通过染色体的复制、交叉或变异又生成新的个体,依照适者生存的规则,个体也在一代接一代地进化,通过若干代的进化,最终得出条件最优的个体。
GA通过交叉算子和变异算子的协同作用确保状态空间各点的概率遍历性,通过选择算子的作用保证算法迭代进程的方向性。选择,交叉和变异是GA的3个主要操作算子,它们构成了遗传操作,使GA具有了其它传统方法没有的特点。但GA在国内医学研究领域中的应用较少[3]。
药物动力学(PK)专用计算机程序包,ONLIN、3P87(3P97)、PKBPN1、MCPKP等,以(加权)非线性最小二乘(LS)法为基本原理,采用GaussNewton迭代法、Hartley法、莱文贝格马夸特法、单纯形法进行PK模型曲线拟合,得到PK参数估计值。本研究将GA用于PK参数估计,并与4个知名PK软件计算的结果进行比较。
1 基本GA的一般步骤
①选择N个个体构成初始种群P0,并求出种群内各个个体的函数值;
②设置代数i=1;
③计算选择函数的值;
④通过染色体个体基因的复制、交叉、变异等创造新的个体,构成新的种群Pi+1;
⑤令i=i+1,若不满足终止准则,则转移到步骤③继续进化处理。直到符合终止条件,则以进化过程中所得到的具有最大适应度的个体作为最优解输出,终止运算。
2 方法
21 方法1
MATLAB 70带有遗传算法与直接搜索工具箱(GADS),在MATLAB命令窗口中进行gatool,将打开遗传算法GUI界面,用可视方式设置GA的各类参数。适应度函数即目标函数为:
Q=ΣWiεi2 (i=1,2,3,…,n)(1)
式(1)中,Wi为权重(一般为1,1/C或1/C2),εi为残差即药物浓度测定值与相应药动学模型(参数θj,j=1,2,3,…,m,m为独立参数个数)计算值之