Бесплатный автореферат и диссертация по биологии на тему

Использование искусственных нейронных сетей для решения частных задач генетики и селекции

ВАК РФ 03.00.15, Генетика

Содержание диссертации, кандидата биологических наук, Руанет, Виктор Вадимович

БЛАГОДАРНОСТИ

СПИСОК ИСПОЛЬЗОВАННЫХ СОКРАЩЕНИЙ

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР ЛИТЕРАТУРЫ

1.1. Проблемы математической обработки экспериментальных данных

1.2. Нейросетевые технологии

1.3. Искусственные нейронные сети: строение, принципы работы и обучение.

1.3.1. Многослойный персептрон

1.3.2. Кластерный анализ

1.3.3. Самоорганизующиеся карты признаков (сеть SOFM- Self- Organizing Feature Map) - сети Кохонена

1.3.4. Преимущества искусственных нейронных сетей

1.4. Сравнение нейросетевых и статистических методов обработки информации при решении сложных многомерных задач

1.5. Использование нейросетевых технологий в биологии

1.6. Генетические маркеры

1.6.1. Полиморфные белки

1.6.2. ДНК-маркеры

1.6.3. Хромосомные маркеры

Введение Диссертация по биологии, на тему "Использование искусственных нейронных сетей для решения частных задач генетики и селекции"

Прогресс науки непосредственно связан с развитием подходов к обработке и расшифровке информации, полученной в экспериментах. Значение информационного обеспечения как фундаментальных, так и прикладных аспектов научных исследований особенно возросло в последнее время. Можно сказать, что именно оно становится критическим фактором развития во многих областях знаний.

В биологии накоплен огромный эмпирический материал по изучению живых существ на самых различных уровнях - от молекулярного до популяционного, но работа с ним имеет свои особенности. Большинство данных в этой области знаний имеют описательный характер и выражаются с помощью формализмов, оценка которых нередко субъективна. Результаты, даже если они приведены в виде чисел, трудно упорядочить и классифицировать, т.к. их трактовка может быть неоднозначной, во многом определяясь традициями различных школ (Россиев, 19986; Хильман, 1975).

Следует отметить, что в биологии на уровне индивидуальных организмов «случайность» в первую очередь обусловлена сущностью самого биологического объекта, что является, по-видимому, наиболее важной особенностью информации, получаемой в ходе биологических исследований. Многофакторное воздействие на биологический объект ведет к тому, что при формализации информации от объекта мы будем иметь дело с некоторой функцией (поверхностью отклика), которая может иметь весьма сложный профиль, далекий от линейной зависимости. В связи с этим, статистические методы обработки информации не всегда дают желаемый эффект (Шноль, 1984; Gorbanet al. 1995; Истратов и др., 1999; Перов, Соколов, 2000).

Например, значительные сложности возникают при попытке формализации данных цитогенетических исследований. В качестве примера можно привести попытки использования методов количественной денситоморфометрии (ДММ) изображений клеток в поле зрения светового микроскопа. Этот подход является одним из основных методов исследования цитологических препаратов. Однако почти 30-летний опыт показал, что реализовать на практике потенциальные диагностические возможности ДММ весьма непросто (Bacus, 1972; Suzuki 1978; Nikonenko 1996; binder, 1994; Thirion, Gourdon 1995; Wied et al., 1996). Использование полуавтоматических (с участием исследователя) способов определения границ и классификация цитологических объектов по типам, как правило, весьма трудоемкий процесс, а задача полной автоматизации тестов ДММ, основанных на существующих методах обработки изображения, до настоящего времени не решена. Это обусловлено:

- высокой вариабельностью морфологии клеток и клеточных структур;

- ограничениями в технических параметрах видеосистем, используемых для взятия изображений;

- недостаточной контрастностью границ клеточных структур;

- частичной утратой информации в плоских изображениях по сравнению с трехмерным оригиналом;

- неравномерной окрашенностью препаратов;

- огромным объемом материала и др.

Тем не менее, благодаря бурному развитию в области вычислительных средств и техники телевизионного взятия изображений,6 перспектива автоматизации ДММ и создания на этой базе автоматических микроскопов-анализаторов (МА) становится реальной (Автандилов 1996; Погорелов и др. 1997).

Вопросы автоматизации исследований, связанных с обработкой образов (фотографии, рентгеновские пленки и т.п.) становятся актуальными. Они приобретают особое значение в связи с развитием и широким применением систем анализа изображения для изучения хромосом различных видов растений, животных и человека, а так же в связи с использованием элекгрофоретического анализа запасных белков зерна в лабораторном контроле сортовых качеств семян (Поморцев, Лялина, 2000). Развитие компьютерных технологий и их применение к анализу визуальной информации привело к появлению самостоятельного научного направления - Computer Image Processing, включающего в себя обработку и анализ изображений (Белостоцкая, Леонтьев, 2000). Можно привести много примеров использования современных компьютерных методов обработки информации (Уоссермен, 1992; Рыбина, 2000; Фролов, 2000 и другие) и, в частности, применение искусственных нейронных сетей (ИНС) для автоматизации процесса идентификации хромосом человека (Sweeney et al., 1994; Jennings, Graham 1993; Lerner B. et al., 1995).

Однако, в литературе отсутствуют данные по использованию этого подхода для анализа хромосом растений, электрофоретических спектров запасных белков и т.п. В связи с этим разработка и внедрение в практику генетических исследований растений новых методов анализа информации, экспертных систем и баз данных, является на сегодняшний день важной задачей.

Цель настоящей работы заключалась в исследовании возможности применения технологии искусственных нейронных сетей для решения частных задач генетики и селекции растений. Исходя из цели работы, были поставлены следующие задачи:

1- разработать алгоритмы обработки электрофореграмм белковых и ДНК-маркеров;

2- сформировать базы данных для анализа информации с помощью искусственных нейронных сетей;

3- создать экспертные системы (ЭС) на базе нейросетевых технологий, способные распознавать: аллельные варианты блоков компонентов запасных оелков твердой пшеницы и определять сортовую принадлежность семян по электрофоретическим спектрам глиадина;

4- создать экспертные системы на базе искусственных нейронных сетей для установления геномной принадлежности Aegilops с помощью различного типа цитогенетических маркеров, полученных методами дифференциального окрашивания хромосом (С-бэндинг) и гибридизации in situ;

5- на базе искусственных нейронных сетей создать систему для обработки данных, полученных на основе молекулярных методов маркирования генома (RAPD и ISSR анализа);

6- оценить экспертную способность разработанных системы на основании сравнения результатов, полученных при использовании искусственных нейронных сетей, общепринятых программных продуктов и оценкой специалиста.

Заключение Диссертация по теме "Генетика", Руанет, Виктор Вадимович

1.7. Заключение

Исследования в области генетики, эволюции, селекции и семеноводства, основанные на использовании биохимических, генетических, цитологических и молекулярно-биологических маркеров и связанные с обработкой и интерпретацией сложной образной информации (фотографий метафазных пластинок, электрофоретичесюих спектров), доступны лишь высококвалифицированным специалистам. Одним из путей "тиражирования" опыта экспертов могло бы стать создание генетических баз данных нового поколения.

Алгоритм создания и работы с подобными базами включает в себя:

- компьютерную обработку результатов эксперимента;

- использования интеллектуальных систем на основе искусственных нейронных сетей.

Нейронные сети предлагают относительно простой способ моделирования сложных нелинейных функций. В этом состоит их основное преимущество над большинством современных статистических методов, работающих преимущественно с линейными зависимостями. Возможность обучаться на неполных или неточных данных превращает искусственные нейронные сети в удобный инструмент для решения задач прогнозирования и классификации. Несомненным достоинством нейросетевых систем является их способность адаптироваться к изменениям среды и обучаться на таких изменениях. Кроме того, внедрение традиционных экспертных систем затруднено и тем, что в биологии решения часто принимаются на интуитивном уровне, который с трудом можно перевести на язык простых правил, основанных на обычной логике.

Все изложенные выше факты свидетельствуют о том, что внедрение в практику интеллектуальных систем на основе искусственных нейронных сетей для обработки и интерпретации данных является актуальной и перспективной.

ГЛАВА II. МАТЕРИАЛЫ И МЕТОДЫ

2.1. Методы.

2.1.1. Денситометрирование электросфореграмм и стандартизация результатов.

Нейрорсетевые программы оперируют только с численными значениями переменных, поэтому при работе с изображениями (фотографии гелей и т.п.) требуется их отцифровка. Денситометрирование электрофореграмм и стандартизацию результатов денситометрирования проводили с помощью программы One -Dscan ver.1.3. Полученные данные обрабатывали средствами «Microsoft Excel 97». Это позволило учесть такие параметры, как ширина и интенсивность пиков, важность этих параметров, при идентификации аллелей, отмечали многие исследователи (Созинов, 1985, Metakovsky at al. 1984, Кудрявцев, 1994; Kudiyavtsev et al., 1996). Из полученных данных формировали электронную таблицу, которая являлась основой для введения данных в программу, эмулирующую нейронную сеть. На данном этапе работы широко использовались соответствующие макросы, которые позволили автоматизировать процессы формирования электронных таблиц для искусственных нейронных сетей. Составление таблицы проводили в формате exl, т.к. программа NeuroPro 0.25. может работать только с файлами формата dbf. «Microsoft Excel 97» позволяет трансформировать файл формата exl. в формат dbf., а, например, «WORD» не дает возможности трансформировать файл формата doc. в формат dbf.

2.1.2. Представление обучающих данных.

Ответственным моментом работы с искусственными нейронными сетями является представление обучающих данных.

Как уже было сказано, нейросети оперируют числовой информацией. Информация же, на основании которой нейросеть должна давать ответ, может быть самого разнообразного вида: термины, описывающие какие-либо ситуации, числа различного вида и величины: графики, двух- и трехмерные изображения и т.д. Поэтому возникает необходимость корректного представления этой информации в виде чисел, сохраняющих смысл и внутренние взаимосвязи данных, т.е. приходится прибегать к элементарной числовой кодировке.

Существует огромное количество способов представления информации для различных целей (Горбань, 1990; Patterson, 1996; Россиев, 19986; Галушкин А.А., 2001) ниже приводятся способы, использованные в работе:

Число с "плавающей точкой". Один из самых распространенных типов данных. Данные такого типа MOiyr принимать любые значения, дробные или целые. Чаще всего они положительны, но могут быть и отрицательными. Немаловажно, что для работы нейронных сетей практически не имеет значения, подчиняется или нет вариационный ряд этих данных закону нормального распределения. Как правило, данные такого типа, располагаются на каком-либо интервале с нечеткими границами. Примером может послужить большинство данных лабораторных анализов. Данные в виде чисел с "плавающей точкой" не требуют каких-либо перерасчетов или кодировки и могут использоваться в готовом виде.

Взаимоисключающие варианты. Один из наиболее сложных типов данных, требующих продуманного представления. Информация при этом представлена в виде одного и только одного варианта из заранее известного и ограниченного набора вариантов и не может принимать вид дробного числа. Простейшим примеров может служить пол человека - мужской или женский. Такая информация требует численного кодирования. В приведенном примере можно закодировать мужской пол как 1, женский - как 2 или наоборот.

Однако это не готовые рецепты, поэтому в каждом конкретном случае требуется квалифицированное решение специалиста (Kohonen, 1990, Борисов, Кашкаров, 1997; Россиев, 19986).

2.1.3.Подготовка баз данных.

Типичной формой предоставления данных, полученных в ходе различных экспериментальных исследований, является таблица результатов. Каждое наблюдение представляется одной строкой в таблицы (выходные поля ИНС), а столбцы формируют набор информативных признаков (входные поля ИНС) (Дорогов, Алексеев, 2001). Таблица наблюдений, рассматриваемая с точки зрения решения какой-либо конкретной задачи, образует систему данных (Кочанова, Фомин, 1997). Вся информация об изменении состояния объекта содержится в системе данных. Проблема заключается в выявлении и использовании этой информации. В первую очередь необходимо выявить структуру данных. Факт наличия структуры можно установить, используя соответствующий кластеризующий критерий. В нашей работе, задача кластеризации и структурирования данных решалась с помощью сети Кохонена (Kohonen, 1982).

2.1.4. Обучение искусственных нейронных сетей.

Перед тем, как начать обучение сети необходимо определить характер задач, которые необходимо решить, т.к. от этого зависит выбор типа ИНС и форма обучения сети (Круглов и др. 1998). На рисунке 7 представлена схема алгоритма принятия решения при работе с сетью. Теоретические аспекты процесса обучения и формирования базы данных подробно рассмотрены выше. Как уже говорилось, нейронная сеть обучается решению задачи на основании некоторой обучающей выборки и далее способна решать примеры, не входящие в ее состав. Программа «NeuroPro 0.25» представляет ответ в,виде класса тестируемого примера, кроме этого сеть вычисляет процент уверенности в данном решении.

Прогноз сети Уверенность сети

Класс 6 100%

Рис. 7. Алгоритм принятия решения при использовании искусственных нейронных сетей.

Пакет программных продуктов «Excel Neural Package» представляет ответ в виде карты одно- или двухмерной матрицы. На рисунке 8 представлена топологическая карта матрицы с конфигурацией «4 на 4» Ячейки матрицы обозначаются латинскими буквами с соответствующими индексами (по вертикале располагается буквенный, а по горизонтали цифровой ряды Аь В2 и т.п.). При получении ответа от сети на карте, выделяются только заполненные ячейки, в которые «попал» тот или иной кластер данных, поэтому на рисунке 8, при конфигурации сети «4 на 4» на карте отмечено 8 ячеек, хотя теоретически возможное количество равно 16.

В1

В4

D1

D2

D4

Рис. 8. Топологическая карты с конфигурацией матрицы «4 на 4».

После разработки списка обучающих параметров для каждой подзадачи и определения способа представления каждого параметра и ответа можно приступать к формированию баз данных.

2.1.5. Компьютерный анализ

В работе были использованы следующие программные продукты, эмулирующие искусственные нейронные сети:

- пакет программных продуктов "Excel Neural Package", которые расширяют функциональные возможности широко распространенного средства работы с данными Microsoft Excel 97, предоставляя в распоряжение пользователя новейшие алгоритмы обработки данных, использующие последние достижения теории нейронных сетей.

- программа "NeuroPro 0.25"(Царегородцев В.Г., ИВМ СО РАН) - "Neural Networks StatSoft, Inc. STATISTICA for Windows"(1998).

Для проведения статистического анализа, полученных результатов использовалась программа "STATISTICA for Windows StatSoft, Inc. (1998)"

2.2. Материалы

Материалом для исследования служили:

- фотографии электрофоретических спектров глиадинов твердой пшеницы, предоставлены к.б.н. A.M. Кудрявцевым, с.н.с. лаборатории генетики растений Института общей генетики им. Н.И. Вавилова РАН;

- идиограммы хромосом, фотографии метафазных пластинок предоставлены Е.Д. Бадаевой, в.н.с. лаборатории функциональной морфологии хромосом Института молекулярной биологии им. В.А. Энгельгардта РАН.

RAPD и ISSR спектры фрагментов ДНК 58 представителей рода Capsicum L. предоставлены к.б.н. Е.З. Кочиевой доцентом кафедры генетики МСХА им. К.А. Тимирязева.

Всего было обработано: 1) 747 электрофоретических спектров глиадина, полученных при анализе индивидуальных зерен 43 отечественных сортов яровой твердой пшеницы, из них были отобраны электрофореграммы спектров глиадина 37 сортов, 498 электрофореграмм для обучающей базы и 103 электрофореграммы для тестирующей базы; 2) 121 электрофоретический спектр ДНК маркеров.

ГЛАВА III. РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ

3.1. Алгоритм обработки фотографий электрофореграмм и формирование базы данных.

Для достижения целей намеченных в работе необходимо было разработать алгоритм обработки электрофореграмм и формирования базы данных для искусственных нейронных сетей.

На рисунке 9 представлен электрофоретический спектр глиадина твердой пшеницы. При проведении электрофореза образцов твердой пшеницы использовали внутренний стандарт (эталонный образец, который используется при каждой постановке электрофореза для стандартизации электрофоретической подвижности компонентов спектра глиадинов - дорожка

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 номера дорожек) Рис. 9. Электрофоретический спектр глиадина твердой пшеницы.

Это значительно облегчило процесс формализации данных, программой One -Dscan при подготовке обучающей базы.

В процессе работы был определен следующий порядок обработки элекгрофореграмм и формирования базы данных:

1 - Сканирование материала (электрофореграммы или их фотографии) для перевода изображения в электронную форму.

2 - Обработка сканированных изображений программой One Dscan. Результаты денситометрирования программой OneDscan электрофоретических спектров глиадина твердых сортов пшеницы получали в виде файла, содержащего информацию об образцах подвергнутых электрофоретическому анализу и результаты денситометрирования: 1) № образца; 2) номер электрофоретической дорожки; 3) номер белкового компонента (полоски на электрофоретической дорожке); 4) количество белка в компоненте, выраженное в % относительно общей оптической плотности всей электрофоретической дорожки; 5) Rf компонента. На рисунке 10 показан результат обработки сканированного материала программой One -Dscan ver.1.3.

3 - Формирование электронной таблицы Входными полями служили показания оптической плотности электрофоретической дорожки. В ходе работы с базой данных было установлено, что оптимальным для решения вопросов идентификации является деление электрофоретического трека на 200 сегментов, что соответствовало 200 входным полям. При прочих равных условиях (конфигурации сети, количества циклов обучения) это обеспечивало высокую степень обучаемости сети и максимальный процент правильных ответов на тестирующей выборке. В таблице 2 в качестве примера приведены первые 5 входных полей. Выходными полями служили: название сорта и (или) данные о характерных для него аллелей глиадинкодирующих локусов - Gli-Al, Gli-Bl, GH-A2, Gli-B2 и GH-B5.Таким же образом подготавливали и вносили в базу данные по другим образцам того же или других сортов (табл. 2 строки 1, 2 и ниже). т* t

59ШЛ гии— h В г

J .ИМ и 5 1 П.?1

О.» II]

ЛмШ

J*»j£t |

14^**1

1ШШ % I i

Рис. 10. Результат обработки геля программой One -Dscan ver.1.3.

A - фрагмент электрофоретической дорожки глиадина; Б - относительная электрофоретическая подвижность; В - графическое; Г - числовое выражение денситограммы).

Всего было отобрано 601 электрофоретических спектров глиадина, полученных при анализе индивидуальных зерен 37 отечественных сортов яровой твердой пшеницы. При этом 498 электрофореграмм составили обучающую базу, а 103 - тестирующую базу.

Сформированную базу, использовали для обучения и тестирования ИНС.

Библиография Диссертация по биологии, кандидата биологических наук, Руанет, Виктор Вадимович, Москва

1. Автандилов Г.Г. Медицинская морфометрия. М. Медицина, 1990.

2. Алтухов Ю.П. Генетические процессы в популяциях.- М.: "Наука", 1989.

3. Арчаков А.И. Биоинформатика, геномика и протеомика науки о жизни XXI столетия. И Вопросы медицинской химии www.medi.ru.

4. Бадаев Н.С., Бадаева Е.Д., Болыпева H.JL, Зеленин А.В., Идентификация хромосом А- и D- геномов пшеницы с использованием замещений и перестроек между гомеологами у пшениц и тритикале. // Докл. Акад. Наук СССР 1983, т. 273, сс. 994-996.

5. Бадаева Е. Д., Бадаев Н. С., Созинова Л. Ф., Турбин Н. В Метод дифференциального окрашивания для создания «хромосомного паспорта» хлебных злаков // Сельскохозяйственная биология, 1989. №1, сс. 68-72

6. Бадаева Е.Д. Эволюция геномов пшениц и их дикорастущих сородичей: цитогенетическое исследование. // Диссертация на соискание ученой степени д.б.н., Москва, 2000.

7. Бадаева Е.Д., Чикида Н.Н. и др. Сравнительный анализ хромосом М-геномов Aegilops comosa и Aegilops heldreichii методоми С-дифференциального окрашивания и гибридизации in situ. // Генетика, 1999, т. 35, №6, сс. 791-799.

8. Байдильдин А.Т., Замятин Н.В. Программная система обработки хроматограмм. // Нейроинформатика 2001 Сборник научных трудов ч.2, сс. 42-47, М. 2001.

9. Ю.Биргер И.А. Техническая диагностика. М. Машиностроение, 1978.

10. Н.Борисов Ю., Кашкаров В. Нейросетевые методы обработки информации и средства их программно-аппаратной поддержки. // "Открытые системы",4, 1997 http://www.osp.ru/os/1997/04/03.htm.

11. Бугаенко Н.Н., Горбань А.Н., Садовский М.Г. Об определении информационной емкости нуклеотидных последовательностей // Мол. биология, 1996, т.ЗО, вып. 3. сс. 252-268.

12. З.Бухарин В.А. Искусственные нейронные сети как средство прогноза в кардиохирургии. // Шестой всероссийский съезд сердечно-сосудистых хирургов. Москва, Декабрь 2000, с. 294.

13. Бухарин В. А. Прогностические возможности экспертных систем. // Четвертая ежегодная сессия Научного центра сердечно-сосудистой хирургии им. А.Н. Бакулева Москва, Май 2000, с. 173(a).

14. Васильев В.И. Распознающие системы. Клев: Наукова думка, 1988.

15. Винер Н. Кибернетика, или Управление и связь в животном и машине. Москва, 1968.

16. Вишнякова Х.С., Бадаева Е.Д., Зеленин А.В., Изучение внутривидового полиморфизма по рисунку С-окрапшвания хромосом Aegilops umbellulata L. Генетика, 1997, т. 33, № 5, сс. 623-627.

17. Галушкин А.А. Перспективные проблемы теории нейронных сетей. // Нейроинформатика 2001. Сборник научных трудов, Москва 2001, ч. 1, сс. 11 -24.

18. Галушкин А.И. Синтез многослойных систем распознавания образов. Москва. Энергия, 1974.21 .Галушкин А.И. Теория нейронных сетей. М ИПРЖР, 2000.

19. Глазко В. И., Созинов И. А. Генетика изоферментов животных и растений. Киев, Урожай, 1993.23 .Горбань А.Н. Возможности нейронных сетей В книге Нейроинформатика Новосибирск «Наука» сибирское предприятие РАН 1998(a), сс. 18 78

20. Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей. // Сибирский журнал вычислительной математики. Новосибрск: РАН. Сиб. Отделение, 1998.(6) т.1, №1 сс. 11-24

21. Горбань А.Н. Обучение нейронных сетей. М.: СП ПараГраф. 1990.

22. Горбань А.Н. Системы с наследованием и эффекты отбора. Эволюционное моделирование и кинетика. Новосибирск. Наука, 1992.

23. Горбань А.Н., Миркес Е.М., Попова Т.Г., Садовский М.Г. Новый подход к изучению статистических свойств генетических последовательностей // Биофизика, 1993 (а), т.38, №5. сс. 762-767.

24. Горбань А.Н., Миркес Е.М., Попова Т.Г., Садовский М.Г. Сравнительная избыточность генов различных организмов и вирусов // Генетика, 1993(6), т. 29, №9, сс. 1413-1419.

25. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск.: "Наука", 1996.

26. Горбань А.Н., Садовский М.Г. Эволюционные механизмы образования клеточных агрегатов в системах проточного культивирования // Биотехнология и биотехника, 1987, № 5, с. 34-36.

27. Горбань А.Н., Хлебопрос Р.Г. Демон Дарвина. Идея оптимальности и естественный отбор. М.: Наука, 1988.

28. Горелик A.JX, Скрипкин В.А., Методы распознавания М.: Высшая школа, 1989.

29. Гриф В.Г. и Агапова Н.Д. К методике описания хромосом растений. // Бот. Журнал 1986, т.71 №4, сс. 550-553.

30. Данилкина Е.Б., Куандыков Е.Б., Макаренко Н.Г. Нейросети и хаос в задачах восстановления некомплектных данных. // Методы нейроинформатики, Сб. науч. Трудов, сс. 6-22, Красноярск, 1998, сс. 166-173.

31. Дорогов А.Ю., Алексеев А.А. Информационные критерии структурирования данных. // Нейроинформатика 2001 Сборник научных трудов М.2001, 4.1, сс. 31-38.

32. Дорогов А.Ю., Краснова А.И., Яшин А.И. Применение нечетких нейронных сетей для распознавания образов. // Нейроинформатика 2003 Сборник научных трудов М.2003, 4.1, сс. 61-67.

33. Дубровин В.И., Субботин С.А. Нейросетевая интерпретация алгоритма многомерной классификации. // 6-я Всероссийская конференция "Нейрокомпьютеры и их применение", Москва 16-18 февраля 2000: Сборник докладов М.: 2000(a) сс. 38-46.

34. Дубровин В.И., Субботин С.А. Построение систем диагностики на основе карт самоорганизации Кохонена // 6-я Всероссийская конференция "Нейрокомпьютеры и их применение", Москва 16-18 февраля 2000: Сборник докладов М.: 2000(6) сс. 464-467.

35. Дуда Р., Харт П. Распознавание образов и анализ сцен. М. Мир, 1976.

36. Иванов А.И. Биометрическая идентификация личности по динамике подсознательных движений. Пенза, 2000.

37. Истратов А.Ю., Мельник А.В. Грибков В.Ф. Эмпирический нейроалгоритм обработки радиолокационной информации // Пятая Всероссийская конференция «Нейрокомпьютеры и их применение» 1999 сс. 228 233.

38. Каллан Р. Основные концепции нейронных сетей М. 2001.

39. Козырев О.А., Богачев Р.С., Круглов В.В. Применение ИНС для прогнозирования аритмий при синдроме ранней реполяризации желудочков. // Шестой всероссийский съезд сердечно-сосудистых хирургов. Москва 2000, с. 295.

40. Колесникова М.А. Использование молекулярных маркеров для картирования генов устойчивости (QTL) к ложной мучнистой росе у жемчужного проса. // Диссертация на соискание ученой степени к.б.н. Москва 2001.

41. Комарцова Л.Г. Нейросетевой метод извлечения знаний для мягкой экспертной системы. // Нейроинформатика 2001 Сборник научных трудов М.2001, 4.1, сс. 124-129.

42. Конарев А. В. Белки растений как генетические маркеры. М.: Наука, 1983.

43. Кочанова Т.Н., Фомин Б.Ф. Реконструктивный анализ поведения сложных систем по эмпирическим данным. Полиграфический центр СПбГЭТУ. 1997.

44. Кочиева Е.З. Использование методов на основе полимеразной цепной реакции для анализа и маркирования растительного генома. // Сельскохозяйственная биология, 1999, №3, с.3-15

45. Круглов В.В., Борисов В.В. Искусственные нейронные сети М., Горячая линия Телеком 2001.

46. Круглов В.В., Борисов В.В., Харитонов Е.В. Нейронные сети: конфигурация, обучение, применение. Смоленск, 1998.

47. Кудрявцев А.М. Генетика глиадинов яровой твердой пшеницы (Triticum durum Desf.). Генетика, 1994, т. 30 сс. 77-84.

48. Лазарева Е.М., Айзагулина Х.С. Изучение локализации структурного гетерохроматина на хромосомах пшеницы Triticum aestivum сорта Chinese Spring и ее дителоцентрических линиях. // Цитология и генетика 1988, т. 22, №1 сс. 36-40.

49. Левицкий Г.А., Морфология хромосом. // Тр. Прикл. Бот., генет. и селек., М., 1931, сс. 19-174.

50. Марчук Г.И. Методы вычислительной математики. 3-е изд., М., Наука, 1989.

51. Масалович А.И. От нейрона к нейрокомпьютеру // Журнал доктора Добба.-1992, №1,- сс. 20-24.

52. Метаковский Е. В., Коваль С. Ф., Созинов А. А. Генетические формулы глиадина у сортов мягкой яровой пшеницы северного Казахстана. // Селекция и семеноводство. 1988, № 1, сс. 11-13.

53. Метаковский Е.В., Новосельская А.Ю., Созинов А.А. Генетический контроль компонентов глиадина у озимой мягкой пшеницы Безостая 1. // Генетика, 1985, т. 21, № 3, сс. 472-478.

54. Налимов В.В. "Теория эксперимента" "Наука" 1971.

55. Нейман Ю. "Вводный курс теории вероятности и математической статистики" "Наука" 1968.

56. Новосельская А.Ю., Метаковский Е.В., Созинов А.А, Изучение полиморфизма глиадинов некоторых сортов пшеницы методами одномерного и двумерного электрофореза. // Цит. и генетика, 1983, т 17, № 5, сс. 45-50.

57. Перов А.И. и Соколов Г.Г. Сравнительный анализ нейросетевых и статистических алгоритмов в задачах обнаружения сигнала // 3-я

58. Международная конференция DSPA 2000 (электронная версия http://www.autex.spb.ru/).

59. Погорелов В.М., Медовый B.C., Соколинский Б.З., Пятницкий А.М., Козинец Г.И. Методы компьютерной цитологии в гематологических исследованиях. // Клиническая лабораторная диагностика, 1997, № 11, сс. 40-44.

60. Поморцев А.А., Лялина Е.В. Использование электрофоретического анализа запасных белков зерна в лабораторном контроле сортовых качеств семян. // Вестник семеноводства в СНГ. 2000, № 4, сс. 20-24

61. Попереля Ф.А., Бито М., Созинов А.А Связь блоков компонентов глиадина с выживаемостью растений и их продуктивностью, окраской колоса и качеством гибридов F от скрещивания сортов Безостая 1 и 2, Црвена Звезда. // Докл. ВАСХНИЛ, 1980, № 4, с. 4-7.

62. Попереля Ф.А., Гасанова Г.М. Компонентный состав глиадина и консистенция эндосперма как показатели качества зерна пшеницы. // Научно-техн. бюлл. ВСГИ, 1980, № 3, сс. 21-25.

63. Попереля Ф.А., Созинов А.А. Биохимическая генетика глиадина и селекция пшеницы. // Тр. ВАСХНИИЛ, 1977, с. 65-70.

64. Попов В.И., Карпов В.Н., Ушаков И.Б., и др. Многофакторное планирование и анализ в медико-биологических исследованиях. Воронеж 2000

65. Попов Э.В. Экспертные системы. М.: Наука, 1987.

66. Попов Э.В., Фоминых Е.Б. Статистические и динамические экспертные системы М. Финансы и статистика 1996.

67. Розенблат Ф. Принципы нейродинамики. М.: Мир. 1965.

68. Россиев А.А. Моделирование данных при помощи кривых для восстановления пробелов в таблицах // Методы нейроинформатики, Сб. науч. Трудов. Красноярск, 1998(a), сс. 6-22.

69. Россиев Д.А. Медицинская нейроинформатика. В книге Нейроинформатика Новосибирск «Наука» сибирское предприятие РАН 1998(6), сс. 138-211

70. Рыбина Г.В. Проектирование систем, основанных на знаниях МИФИ Москва 2000.

71. Садовский М.Г. Оптимизационные модели миграций глобально информированных особей // Математическое моделирование в биологии и химии (новые подходы) / Под ред. Р.Г.Хлебопроса, Новосибирск: Наука, 1991, сс. 37-68.

72. Садовский М.Г., Гуревич Ю.Л., Мануковский Н.С. Кинетика образования клеточных агрегатов в системах непрерывного культивирования П Динамика химических и биологических систем. Новосибирск: Наука, 1989, сс. 213-230.

73. Сапожников А.Н., Смирнова Е.В., Булыгин Г.В., Скобелева С.Ю. Эколого-эволюционные основы корреляционной адаптометрии // Эволюционное моделирование и кинетика. Новосибирск: Наука, 1992. сс. 220-242.

74. Семихов В.Ф. Об адаптивной роли проламинов в эволюции и распространении семейства злаков // Журн. общей биологии 1990, т. 51, № 3. сс. 327-332.

75. Созинов А. А. Полиморфизм белков и его значение для генетики и селекции. // Вестник АН СССР, 1982, № 11, сс. 18-29.

76. Созинов А. А. Полиморфизм белков и его значение в генетике и селекции. М, Наука, 1985.

77. Созинов А. А., Глазко В.И. Современные технологии в решении традиционных вопросов генетики и селекции. // Цитология и генетика 1999, т.ЗЗ. №6, сс. 21 45.

78. Созинов А.А., Попереля Ф.А. Полиморфизм проламинов и селекция. // Вестн. с/х науки, 1979, № 10, сс. 21-34.

79. Созинов И.А., Попереля Ф.А. Связь компонентов глиадина с качеством зерна озимой пшеницы. // Селекция и семеноводство, 1985, № 4, сс. 34-35.

80. Созинова Л.Ф., Стабильность и изменчивость кариотипа мягкой пшеницы. Автореф. дис.канд. биол. наук. Москва, ИБР РАН, 1991, 16 с.

81. Таунсенд К.,Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ. М.: Финансы и статистика, 1990

82. Терехов С.А. Нейросетевые информационные модели сложных инженерных систем. В книге Нейроинформатика Новосибирск «Наука» сибирское предприятие РАН 1998, сс. 98 - 137.

83. Тимофеев-Ресовский Н.В. Генетика, эволюция и теоретическая биология. Кибернетика живого: Биология и информация М. "Наука" 1984.

84. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика М. Мир, 1992.

85. Уотерман Д. Руководство по экспертным системам. М.: Мир, 1989.

86. Урбах В.Ю. Статистический анализ в биологических и медицинских исследованиях. М., 1975.

87. Фролов Ю.В. Интеллектуальные системы и управленческие решения М. 2000.

88. Хавкин Э. Е. Молекулярные маркеры в растениеводстве // С.-х. биология. -1997, №5, сс. 3-21.

89. Хет-Нильсен Р. Нейрокомпьютинг: история, состояние, перспективы "Открытые системы", №4, 1998. http://www.osp.ru/os/1998/04/03.htm

90. Хильман Г. "Определенность и неопределенность в биохимических методах" М. Мир 1975.

91. Широков. Ф.В. Введение в нейрокомпьютинг. ИНФРА-М. Электронное издание. 1995.

92. Школьник Е.М. Динамические модели клеточного цикла // Динамика химических и биологических систем. Новосибирск: Наука, 1989. сс. 230-260.

93. Шноль С.Э. О динамике новых истин в науке о жизни. // Кибернетика живого: Биология и информация М. "Наука" 1984.

94. Шноль С.Э., Коломбет В.А. и др. Микроскопические флуктуации -общее свойство водных растворов различных белков и других веществ,статистический спектральный анализ макроскопических флуктуации. /7 Биофизика, 1980, т. 25, с. 409 413.

95. Шумский С.А. Нейрокомпьютинг состояние и перспективы // "Открытые системы", 2000,№4, сс. 20-33.

96. Яфраков М.Ф., Корчагина Л.И. Особенности комплексного подхода к нейрокомпьютингу. // Известия вузов. Приборостроение. 1997, т 40, № 3, сс. 25-43.

97. Appels R., Gerlach W.L., Dennis E.S., Swift H., and Peacock W.J. Molecular and chromosomal organization of DNA sequences coding for the ribosomal RNAs in cereals. // Chromosoma, 1980, v.78, pp. 293-311.

98. Appels R. and Dvorak J. The wheat ribosomal DNA spacer region: Its structure and variation in populations and among species. // Theor. Appl. Genet 1982(a), v.63, pp. 337-348.

99. Autran J.C., Galterio G. Associations between electrophoretic composition of proteins, quality characteristics and agronomic atytributes of durum wheats 11. Protein-Quality associations.// J. Cer. Sci., 1989, №9, pp. 195-215.

100. Aynsley M., Hofland A., Morris A.J. et al. Artificial intelligence and the supervision of bioprocesses (real-time knowledge-based systems and neural networks) // Adv. Biochem. Eng. Biotechnol.- 1993,- №48, pp. 1-27.

101. Badaeva E.D., Boguslavsky R.L., Badaev N.S. and Zelenin A.V. Intraspecific chromosomal polymorphism of Triticum araraticum (Poaceae) detected by C-banding technique. I I Plant Syst. Evol., 1990, v. 169, pp. 13-24.

102. Badaeva E.D., Friebe В., Gill B.S., Genome differentiation in Aegilops. 2. Phisical mapping of 5S and 18-26S ribosomal RNA gene families in diploid species. // Genome, v.39, №6, pp. 1150-1158.

103. Bishop С. Neural networks for pattern recognition. Oxford University Press 1995.

104. Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. Classification and regression trees. Monterey, CA: Wadsworth & Brooks/Cole Advanced Books & Software 1984.

105. Brinn M, Walsh PT, Payne MP, Bott B. Neural network classification of mutagens using structural fragment data. // SAR QSAR Environ Res 1993, v.l, pp. 169-210

106. Bushuk W., Zillman R.R. Wheat cultivar identification by gliadin electrophoregrams. Apparatus, method, and nomenclature. // Canad. J. Plant Sci., 1978, v.58, pp. 505-515.

107. Carling A. Introducing Neural Networks. Wilmslow, UK, Sigma Press 1992

108. Doolitlle R. F. Molecular Evolution : Computer Analysis of Protein and Nucleic Acid Sequences. Methods in Enzymology. San Diego : Acad, press, 1990.

109. Dvorak J. Genome analysis in the Triticum-Aegilops alliance. If In: Proc. 9th Int. Wheat Genet. Symp., Saskatoon, Saskatchewan, Canada 2-7 August 1998, v.l, pp. 8-11.

110. Endo T.R. and Gill B.S., 1983. Identification of wheat chromosomes by N-banding. // In: Sakamoto S. (Ed): Proc. 6th Int. Wheat Genet. ,Symp., Kyoto, Japan, 1983. pp. 355-362.

111. Fariselli P, Pazos F, Valencia A, Casadio R. Prediction of protein-protein interaction sites in heterocomplexes with neural networks. // Eur J Biochem 2002 Mar v.269, № 5, pp. 1356-1361.

112. Fausett, L. Fundamentals of Neural Networks. New York: Prentice Hall 1994.

113. Flavell R.B. and O'Dell M., 1976. Ribosomal RNA genes on homoeologous chromosomes of group 5 and 6 in hexaploid wheat. // Heredity v.37, pp. 377-385.

114. Floyd C.E. Jr., Lo J.Y., Yun AJ. et al. Prediction of breast cancer malignancy using an artificial neural network // Cancer. 1994, v.74, №11, pp. 2944-2948.

115. Friebe B. and Gill B.S., C-band polymorphism and structural rearrangements detected in common wheat (Triticum aestivum). II Euphytica 1994, v.78, pp. 1-5.

116. Gale M.D. and Devos K.M. Comparative genetics in the grasses. Proc.Natl. Acad. Sci. U.S.A. 1998, v.95, pp. 1971-1974.

117. Gerlach W.L. and Peacock W.J., 1980. Chromosomal locations of highly repeated DNA sequences in wheat. // Heredity, v.44, pp. 269-276.

118. Gerlach W.L., N-banded karyotypes of wheat species. // Chromosoma 1977, v.62, № 1, pp. 49- 56.

119. Gill B.S. and Kimber G., Giemsa C-banding and the evolution of wheat. // Proc. Natl. Acad. Sci. (U.S.A.) 1974, v.71, pp. 4086-4090.

120. Gill B.S. Nucleo-cytoplasmic interaction (NCI) hypothesis of genome evolution and speciation in polyploid plants. // In: Proc. Dr. H. Kihara Memorial Intern Cytoplasmic Engin. In Wheat. 1991, pp. 48-53.

121. Gorban A.N., Rossiyev D.A., Butakova E.Y., et al. Medical and physiological applications of MultiNeuron neural simulator // Proceedings of the WCNN'95 (World Congress on Neural Networks'95, Washington DC, July 1995), pp. 170175.

122. Graham J, Errington P, Jennings A.J A neural network chromosome classifier. // Radiat Res (Tokyo) 1992 Mar; v.33, pp. 250-257.

123. Gross G.W., Boone J.M., Greco-Hunt Y. et al. Neural networks in radiologic diagnosis. II. Interpretation of neonatal chest radiographs // Invest. Radiol. 1990, v.25,№ 9, pp. 1017-1023.

124. Hartigan, J. A. Clustering algorithms. New York: Wiley 1975.

125. Haykin, S. Neural Networks: A Comprehensive Foundation. New York: Macmillan Publishing. 1994.

126. Heneen W.K., Chromosome morphology in inbred rye. // Hereditas 1962, v.48, № 1, pp. 182-200.

127. Hutchinson J. and Lonsdale D.M., The chromosomal distribution of cloned highly repetitive sequences from hexaploid wheat. // Heredity 1982, v.48, № 3, pp. 371-376.

128. Iordansky A.B., Zurabishvili T.G., Badaev N.S., Linear differentiation of cereal chromosomes. 1. Common wheat and its supposed ancestors. // Theor. Appl. Genet 1978, v.51, № 1, 145-152.

129. Jauhar P.P. and Joppa L.R. Chromosome pairing as a tool in genome analysis: merits and limitations. In: Methods of genome analysis in plants. Boca Ration:CRC Press. 1996, pp 9-37.

130. Jennings AM, Graham J. A Neural network approach to automatic chromosome classification. // Phys Med Biol 1993, Jul; v.38, № 7, pp. 959-970.

131. Karp A., Kresovich S., Bhat K.V., Ayad W.G., Hodgkin T. Molecular tools in plant genetic resources conservation: a guide to the technologies. // IPGRI Technical Bulletin No. 2, International Plant Genetic Resources Institute, Rome, Italy 1997.

132. Kohonen, T. Self-organized formation oftopologically correct feature maps. // Biological Cybernetics, 1982, № 43, pp.59-69.

133. Kohonen, T. Improved versions of learning vector quantization. // Intenational Joint Conference on Neural Networks/ San Diego, 1990, v.l, pp. 545-550.

134. Kudryavtsev A.M., Boggini G., Benedettelli S. and Iilichevskii N.N. Gliadin polymorphism and genetic diversity of modern Italian durum wheat. // J. Genet. & Breed. 1996, v.50,pp. 239-248.

135. Leon MA, Gader P, Keller J Multiple neural network response variability as a predictor of neural network accuracy for chromosome recognition. // Biomed Sci Instrum, 1996, v.32, pp. 31-7.

136. Leon MA. Distributed neural networks for biomedical research. // Biomed Sci Instrum 1997, v.34, pp. 201-205.

137. Lemer B, Guterman H, Dinstein I, Romem Y. Human chromosome classification using multilayer perceptron neural network. // Int J Neural Syst 1995 Sep, v.6, № 3, pp. 359-70.

138. Levan A., Fredga K., and Sandberg A.A., Hereditas 1964, v.52, pp. 202-220.

139. Levine D.S., Parks R.W., Prueitt P.S. Methodological and theoretical issues in neural network models of frontal cognitive functions // Int. J. Neurosci. 1993, v.72, №>.3, pp.209-233.

140. Linder J. Automation in cytopathology. // Amer. J. Clin. Pathol. 1992, v.98, №4, pp. 47-51.

141. Lukaszewsky, Gustafson, Translocations and modifications of chromosomes in triticale x wheat hybrids. Theor. Appl. Genet. 1983, v.64, pp. 239-248.

142. McCalloch, W. A. and Pitts, W. A logical calculus of ideas immanents in nervous activity. //Bull. Math. Biophys., 1943, v.5, pp. 115-133.

143. Metakovsky E.V., Novoselskaya A.Yu., Kopus M.M., Sobko T.A., Sozinov A. A. Blocks of gliadin components in winter wheat detected by one-dimensional polyacrylamide gel electrophoresis. // Theor. Appl. Genet., 1984, v.67, № 6, pp. 559-568.

144. Metakovsky E.V/, Novoselskaya A.Yu. Gliadin allele identification in common wheat I methodological aspects of the analysis of gliadin patterns by one-dimensional polyacrylamide gel electrophoresis J. Genet & Breed. 1986, V.45, pp. 317-324.

145. Miller Т.Е., Hutchinson J., Reader C.M. The identification of nucleolus organizer chromosomes of diploid wheat. // Theor. Appl. Genet, 1983. v.63, pp. 145-147.

146. Mirkes E.M., Popova T.G., Sadovsky M.G. Investigating statistical properties of genetic texts: a new approach // Advances in Modelling & Analysis, B, AMSE Press, 1993, v.27, №2. pp. 1-13.

147. Mohan M., Nair S., Bhagwat A. Et al. Genome mapping, molecular markers and markers-assisted selection in the improvement of quantitative traits. // Molecular Breeding 1997, v.3,pp. 87-103.

148. Nikonenko A. The cell sectioning model // Anal. Quant. Cytol. Histol. 1996, v. 18, №1, p. 23.

149. Norman A., Shonhong W. Learning bais neural network and an approach to controlling its effects monotonic classifications. // IEEE Tras. Pattern Anal, and Mach. Intell., 1993, v. 15, № 9, pp. 962-96.

150. Patterson, D. Artificial Neural Networks. Singapore: Prentice Hall. 1996.

151. Ripley, B. D. Spacial statistics. New York: Wiley. 1981.

152. Rumelhart D.E., Hinton G.E. and Williams, R.J. Lerning internal representations by error propagation. // Parallel distributed processing v.l, Cambridge, MA: MIT Press. 1986.

153. Seal A.G.,. C-banded wheat chromosomes in wheat and triticale. // Theor. Appl. Genet. 1982, v.63, № 1, pp. 39-47.

154. Sears E.R., The aneuploids of common wheat. Missouri Agricultural Experimental Station and U.S. Department of Agriculture cooperating 1954, 57 pp.

155. Sears E.R.,. Genetic control of chromosome pairing in wheat. Annu. Rev. Genet. 1976, v.30, pp. 31-51.

156. Smith D.B. and Flavell R.B., 1975. Characterization of the wheat genome by renaturation kinetics. Chromosoma v.50, pp. 223-242.

157. Smith I.S.C., Smith O.S Fingerprinting crop varieties. Adv. Agron., 1992, v.47, pp. 85 -140.

158. Sneath, P. H. A., & Sokal, R. R. Numerical taxonomy. San Francisco: W. H. Freeman & Co. 1973.

159. Statistica StatSoft, Inc. (2001). Электронный учебник по статистике. Москва, StatSoft. WEB: http://www.statsoft.ru/horrie/textbook/default.htm.

160. Suzuki R. et al. Cell classification method. // US patent 4,129,854 Dec. 12, 1978/

161. Sweeney J.W.P., Musavi M.T., Guidi J.N; Probabilistic Neural Network as Chromosome Classifier // Proc. 1993 Intern. Joint Contf. on Neural Networks, Nagoya, Japan, October 25-29, 1993, —Nagoya, 1993. v.l, pp. 935-938.

162. Sweeney WP Jr, Musavi MT, Guidi JN Classification of chromosomes using a probabilistic neural network. // Cytometry, 1994, v. 16, № 1, pp. 17-24.

163. Thirion J.-P, Gourdon A. Computing the differential characteristics of isointensivity surfaces // Comput. Vision Image Underst. 1995, v.62, № 2, pp. 190 -202.

164. Tkachuk R., Metlish V.J. Wheat cultivar 38 identification by higholtage gel electrophoresis.- Ann. Tech. agric., 1980, v. 29, № 2, pp. 207-212.

165. Tryon, R. С. (1939). Cluster Analysis. Ann Arbor, Ml: Edwards Brothers

166. Van Leeuwen J.L. Neural network simulations of the nervous system // Eur. J. Morphol.- 1990, v.28, № 2, pp.139-147.

167. Varela F.J., Coutinho A., Dupire B. et al. Cognitive networks: immune, neural and otherwise // Teoretical immunology. Ed. by Perelson A.- Addison Wesley, 1988.- Part 2, pp.359-375.

168. Vieth M, Kolinski A. Prediction of protein secondary structure by an enhanced neural network. // Acta Biochim Pol 1991; v.38, № 3, pp.335-351.

169. Wied G.L, Bartels P.H. Computer-assisted quality assurence. // Act Cytol. 1996, v. 40, № 1, pp. 1-10.

170. Williams R.J., Kubelik A.R., Livak K.J. DNA polymorfisms amplified by arbitraiy primers are useful as genetic markers. // Nucleic Acids Research 1990, v.l8, pp. 6531-6532.

171. Yoshiko H., Shinji U., Taiko K. Evaluation of artificial neural network classifiers in small sample size situations. // Pros. Int. It. Conf. Neural Network. Nagaja, Oct. 25-29 1993, pp. 1731 1735.

172. Zurabishvili T.G., Iordansky A.B., Badaev N.S., Linear differentiation of cereal chromosomes. II. Polyploid wheats. Theor. Appl. Genet 1978, 51: 201-210.i108