巨型脂質(zhì)體制備過程的多參數(shù)尋優(yōu)算法

高敏 夏煦坤 關(guān)帥 奚磊 陳國榮 利節(jié)

摘 要：針對巨型脂質(zhì)體制備過程中影響參數(shù)較多且相互影響，人工試驗尋找最高巨型脂質(zhì)體產(chǎn)量的參數(shù)值較難的問題，設(shè)計了一種多參數(shù)尋優(yōu)算法，運用反饋神經(jīng)網(wǎng)絡(luò)算法（BP）對已有試驗數(shù)據(jù)進(jìn)行學(xué)習(xí)與訓(xùn)練預(yù)測在已有參數(shù)限制下的最高巨型脂質(zhì)體產(chǎn)量，根據(jù)已預(yù)測的最高巨型脂質(zhì)體產(chǎn)量利用遺傳算法（GA）尋找各參數(shù)的最優(yōu)值。仿真實驗結(jié)果表明，該多參數(shù)尋優(yōu)算法能夠預(yù)測比人工試驗更佳的巨型脂質(zhì)體產(chǎn)量更高的參數(shù)值。

關(guān)鍵詞：巨型脂質(zhì)體制備 多參數(shù)尋優(yōu) 遺傳算法 反饋神經(jīng)網(wǎng)絡(luò)算法

中圖分類號：TP391.4 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2016）02（b）-0115-04

Multi-parameter Optimal Algorithm for Preparation of Giant Vesicles

Gao Min Xia Xukun Guan Shuai Xi Lei Chen Guorong Li Jie

（Chongqing University of Science & Technology，Chongqing，401331，China）

Abstract：The parameters influent giant vesicle preparation are related with each other， where optimal parameter values are hard to get through man-made methods. Therefore， a multi-parameter optimal algorithm is proposed. Back Propagation （BP） is utilized for learning and training the experiment data to gain the prior quantity of giant vesicles under the existing conditions. According to the predicted amount， Genetic Algorithm （GA） is employed for the optimal value of each parameter. The simulation results show the algorithm played better than man-made method to get the giant vesicles.

Key Words：Giant vesicles preparation；Multi-parameter optimization；Genetic algorithm；Feedback neural network algorithm

脂質(zhì)體是一種人工膜。在水中磷脂分子親水頭部插入水中，脂質(zhì)體疏水尾部伸向空氣，攪動后形成雙層脂分子的球形脂質(zhì)體，直徑25～1 000 nm不等。脂質(zhì)體可用于轉(zhuǎn)基因，或制備的藥物，利用脂質(zhì)體可以和細(xì)胞膜融合的特點，將藥物送入細(xì)胞內(nèi)部，具有重要的經(jīng)濟(jì)和社會意義[1]。因此，脂質(zhì)體的制作近年來得到了大量關(guān)注[2-8]。巨型脂質(zhì)體是粒徑大于1，電形成法是現(xiàn)有較好的制備巨型脂質(zhì)體方法[9]。電形成法通過電場作用實現(xiàn)制備，在制備過程中影響巨型脂質(zhì)體數(shù)量的參數(shù)較多，如何確定各參數(shù)的最優(yōu)值獲得巨型脂質(zhì)體數(shù)量最多是一個研究熱點[10]。

該研究擬針對在整個制備過程有多個參數(shù)影響巨型脂質(zhì)體產(chǎn)量的問題，提出了一種多參數(shù)尋優(yōu)算法，結(jié)合了GA的尋優(yōu)和BP神經(jīng)網(wǎng)絡(luò)的系統(tǒng)擬合特點，對少量試驗數(shù)據(jù)進(jìn)行分析、學(xué)習(xí)與訓(xùn)練，獲得各個參數(shù)的最優(yōu)值，以獲得巨型脂質(zhì)體產(chǎn)量最高，解決人工大量試驗尋找最高巨型脂質(zhì)體產(chǎn)量的參數(shù)值，提高巨型脂質(zhì)體制備過程的效率。

1 算法設(shè)計

1.1 遺傳算法

遺傳算法（Genetic Algorithms，GA）是一類模擬自然界的選擇遺傳機(jī)制的算法，具有較好的魯棒性，能夠?qū)崿F(xiàn)全局搜索。GA屬于迭代算法，每一次迭代時生成一組解，初始化時解的值是隨機(jī)生成的，在每次迭代過程中，通過進(jìn)化和繼承獲得一個新解，通過目標(biāo)函數(shù)評判此解是否為最優(yōu)解[10]。GA的運行步驟有以下幾步。

步驟1：隨機(jī)產(chǎn)生一定數(shù)量的初始種群，每個個體代表了染色體的基因編碼，并采用二進(jìn)制編碼。

步驟2：計算每個個體的適應(yīng)度，判斷是否符合優(yōu)化準(zhǔn)則，如符合則結(jié)束算法，不符合則進(jìn)入步驟3。

步驟3：依據(jù)適應(yīng)度選擇再生個體，適應(yīng)度低的個體最有可能被淘汰適應(yīng)度高的個體被選中的概率高。

步驟4：將個體的基因編碼進(jìn)行交叉和變異操作，生成新個體，得到新代的種群，返回步驟2。

1.2 多參數(shù)尋優(yōu)算法

GA可以通過獲取最優(yōu)目標(biāo)函數(shù)值來得到每個參數(shù)值最優(yōu)值，即最優(yōu)解。但GA對初始種群一般采用二進(jìn)制編碼，過于簡單導(dǎo)致在實際運行過程中存在一定的誤差。因此，該文提出的多參數(shù)混合優(yōu)化算法將BP網(wǎng)絡(luò)的權(quán)值和閾值按一定順序連起來，形成一個實數(shù)數(shù)組，作為遺傳算法的一個染色體，然后再進(jìn)行選擇、遺傳、變異操作。同時，將BP網(wǎng)絡(luò)的輸出值與期望值的均方誤差函數(shù)作為遺傳算法的適應(yīng)度，以提高GA的優(yōu)化性能。具體的工作流程圖如圖1。

通過文獻(xiàn)分析和實驗發(fā)現(xiàn)，影響脂質(zhì)體制備的參數(shù)有：芯片結(jié)構(gòu)、脂質(zhì)比例、脂質(zhì)濃度（PC）、脂質(zhì)濃度（Chol）、脂質(zhì)體積、緩沖液濃度（Suc）、緩沖液濃度（NaCl）、電壓、頻率、持續(xù)時間，共10個參數(shù)。一組值包含了10個參數(shù)各1個值，被看作一個種群的一個個體。通過對10個參數(shù)值的學(xué)習(xí)與訓(xùn)練后，獲得參數(shù)間的內(nèi)在關(guān)系，GA的目標(biāo)函數(shù)為巨型脂質(zhì)體個數(shù)最大化。通過得到最大的目標(biāo)函數(shù)值，來獲得每個參數(shù)的最優(yōu)值。

2 實驗分析

2.1 數(shù)據(jù)來源

通過實驗采集135組數(shù)據(jù)，數(shù)據(jù)特征見表1，制備環(huán)境為無菌環(huán)境。使用制備設(shè)備為自制設(shè)備。由于實驗所用芯片只有一種自制芯片，所以，芯片參數(shù)這次不納入分析范疇，共9個參數(shù)值。

影響巨型脂質(zhì)體產(chǎn)量的參數(shù)多，參數(shù)間的相互影響較為嚴(yán)重。從實驗數(shù)據(jù)的特征來看，決定巨型脂質(zhì)體產(chǎn)量的9種參數(shù)值在實驗過程中數(shù)值波動較大，最大值比最小值甚至達(dá)到500倍，單純靠人工經(jīng)驗通過大量實驗不同參數(shù)值來最大化巨型脂質(zhì)體產(chǎn)量需要耗費大量的精力，且試驗只能進(jìn)行有限次，不一定能夠找到巨型脂質(zhì)體產(chǎn)量最高的試驗條件。

2.2 仿真實驗結(jié)果分析

根據(jù)135組的9個參數(shù)值和對應(yīng)的巨型脂質(zhì)體產(chǎn)量確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，把9個參數(shù)值作為輸入數(shù)據(jù)，巨型脂質(zhì)體產(chǎn)量作為輸出數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練后的網(wǎng)絡(luò)可以預(yù)測一定試驗條件下的試驗結(jié)果。然后把試驗9個參數(shù)作為遺傳算法中種群個體，把網(wǎng)絡(luò)預(yù)測的試驗結(jié)果作為個體適應(yīng)值，通過遺傳算法推導(dǎo)最優(yōu)試驗結(jié)果（巨型脂質(zhì)體產(chǎn)量）及其對應(yīng)試驗參數(shù)值。

2.2.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測效果分析

BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型是該文所提出的多參數(shù)優(yōu)化算法的一個重要環(huán)節(jié)，決定了GA的尋優(yōu)精度，換句話說，BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的訓(xùn)練精度決定了最終預(yù)測的巨型脂質(zhì)體最高產(chǎn)量是否為試驗可及范圍。仿真實驗過程中BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型運算效果見圖2和圖3所示。在訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)過程中，每次均在135組數(shù)據(jù)中隨機(jī)取35組數(shù)據(jù)進(jìn)行學(xué)習(xí)與訓(xùn)練，避免陷入局部最優(yōu)的預(yù)測值。在圖2中，虛線為實際試驗所得的35個真實數(shù)據(jù)連接線，實線為BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型運算的預(yù)測數(shù)據(jù)連接線。從圖2可清楚地看出，除第5、21、30、33這4個點有微弱的偏差（幾乎可忽略）外，該BP神經(jīng)網(wǎng)絡(luò)能夠根據(jù)9個參數(shù)值準(zhǔn)確預(yù)測出巨型脂質(zhì)體產(chǎn)量，保證了多參數(shù)優(yōu)化算法預(yù)測的最大巨型脂質(zhì)體產(chǎn)量的準(zhǔn)確性。

圖3為BP神經(jīng)網(wǎng)絡(luò)的作為GA的適應(yīng)度的變化曲線，圖中可清晰可見，在第5代左右時GA的適應(yīng)度基本不變，保障了根據(jù)BP神經(jīng)網(wǎng)絡(luò)預(yù)測出的最大巨型脂質(zhì)體產(chǎn)量尋找對應(yīng)的9個參數(shù)值的穩(wěn)定性，降低了尋優(yōu)誤差。

2.2.2 多參數(shù)尋優(yōu)算法分析

對試驗數(shù)據(jù)進(jìn)行多參數(shù)優(yōu)化運算9次，該算法預(yù)測的最優(yōu)巨型脂質(zhì)體產(chǎn)量和對應(yīng)的9個參數(shù)值如表2所示。僅從巨型脂質(zhì)體產(chǎn)量數(shù)量來看，都能大于1 000以上，每次模型預(yù)測的最優(yōu)巨型脂質(zhì)體產(chǎn)量不一樣的原因是試驗數(shù)據(jù)量太少，使得BP模型的精確度不能達(dá)到100%。但從結(jié)果來看，已經(jīng)比人工試驗的巨型脂質(zhì)體產(chǎn)量數(shù)量高了1倍以上。

從表2數(shù)據(jù)可見，9個影響巨型脂質(zhì)體產(chǎn)量的參數(shù)值之間關(guān)聯(lián)度緊密，不能從簡單的線性關(guān)系描述。例如：第一組巨型脂質(zhì)體產(chǎn)量與第二組巨型脂質(zhì)體產(chǎn)量僅相差2個，但是查看9個參數(shù)值，并沒有整體遞增或遞減的趨勢，其中第一組的脂質(zhì)比例、脂質(zhì)濃度（PC）、脂質(zhì)體積、電壓、持續(xù)時間比第二組大，而脂質(zhì)濃度（Chol）、緩沖液濃度、頻率卻增加，難以用簡單函數(shù)關(guān)系描述9個參數(shù)間以及與巨型脂質(zhì)體產(chǎn)量的關(guān)系。因此，再一次驗證僅靠人工經(jīng)驗試驗尋找巨型脂質(zhì)體產(chǎn)量最高的最優(yōu)參數(shù)值的難度巨大，通過多參數(shù)優(yōu)化混合算法更有助于尋找巨型脂質(zhì)體產(chǎn)量最高的最優(yōu)參數(shù)值。

為了更便于觀察本優(yōu)化算法的優(yōu)勢，對優(yōu)化后的最優(yōu)參數(shù)值和預(yù)測的巨型脂質(zhì)體產(chǎn)量數(shù)量進(jìn)行了曲線表示，見圖4和圖5。

從圖4可以看出，9個參數(shù)值的最優(yōu)預(yù)測值波動都較小，在一定可接受范圍內(nèi)，與純?nèi)斯ぴ囼炏啾鹊膮?shù)幅度已經(jīng)非常低了。雖然9次模型運行所預(yù)測的巨型脂質(zhì)體產(chǎn)量都不一致，但是都在1 000～1 500之間波動（見圖5），波動幅度在可接受范圍內(nèi)。

在試驗中獲得的最大實驗結(jié)果為508，對應(yīng)的實驗條件為[5 6 1.2 30 200 30 8 10 2]。在實驗數(shù)據(jù)的基礎(chǔ)上，采用GA+BP多參數(shù)優(yōu)化算法尋優(yōu)，選擇的BP網(wǎng)絡(luò)結(jié)構(gòu)為4-100-1，遺傳算法的迭代次數(shù)是300次，種群規(guī)模是20，交叉概率為0.4，變異概率為0.2。最終得到最優(yōu)實驗結(jié)果為1465，對應(yīng)的實驗條件為[14.507 14.708 0.739 66.494 89.794 23.759 14.411 906.288 2.142]，該結(jié)果為最優(yōu)實驗條件的選擇提供了參考價值。

3 結(jié)語

該文針對巨型脂質(zhì)體制備過程中影響巨型脂質(zhì)體產(chǎn)量的參數(shù)多的難點，提出了一種多參數(shù)尋優(yōu)算法，根據(jù)已有人工試驗獲得的135組參數(shù)值和巨型脂質(zhì)體產(chǎn)量數(shù)據(jù)進(jìn)行學(xué)習(xí)與訓(xùn)練，預(yù)測在已有條件下巨型脂質(zhì)體產(chǎn)量的最高值，并尋優(yōu)獲得對應(yīng)的9個參數(shù)值，為巨型脂質(zhì)體試驗奠定了良好基礎(chǔ)。

在仿真實驗過程中，分析發(fā)現(xiàn)9個參數(shù)值之間具有一定的耦合關(guān)系，難以用單調(diào)函數(shù)描述，因此，人工試驗尋找最佳參數(shù)值以得到最高巨型脂質(zhì)體產(chǎn)量的難度非常大。結(jié)果分析表明，該文所提出的算法能夠預(yù)測得到較好的巨型脂質(zhì)體產(chǎn)量，為下一步巨型脂質(zhì)體制備提供了強有力的理論依據(jù)， 大大縮短了人工試驗的時間和難度。

參考文獻(xiàn)

[1] Natsume Y，Toyota T..Out-of-equilibrium dynamics of molecular assembly [J].Chemistry Letters，2013，42（3）：295-297.

[2] DAAN Vorselen，WOUTER H Roos，F(xiàn)RED C Mackintosh， GIJS Jan Lodewijk Wuite.The role of the cytoskeleton in sensing changes in gravity by nonspecialized cells [J].The FASEB Journal，2014，28（2）：536-547.

[3] ERI Yoshida.Giant vesicles prepared by nitroxide-mediated photo-controlled/living radical polymerization-induced self-assembly[J].Colloid and Polymer Science， 2013，291（11）：2733-2739.

[4] KENSUKE Kurihara，MIEKO Tamura，SHOHDA Koh-ichiroh，TARO Toyota，KENTARO Suzuki，TADASHI Sugawara.Self-reproduction of supramolecular giant vesicles combined with the amplification of encapsulated DNA[J].Nature Chemistry，2011（3）：775-781.

[5] NESTOR López Mora，JESPER S.Hansen，YUE Gao， ANDREW A.Ronald，ROXANNE Kieltyka，NOAH Malmstadt，ALEXANDER Kros.Preparation of size tunable giant vesicles from cross-linked dextran（ethylene glycol） hydrogels[J].Chemical Communications，2014（50）：1953-1955.

[6] Bhatia Tripta，Husen Peter，Brewer Jonathan，etal.Mouritsen.Preparing giant unilamellar vesicles （GUVs） of complex lipid mixtures on demand：Mixing small unilamellar vesicles of compositionally heterogeneous mixtures [J].Biochimica et Biophysica Acta （BBA）- Biomembranes，2015，1848（12）：3175-3180.

[7] TAKASHI Kuroiwa，RYOJI Fujita，ISAO Kobayashi， KUNIHIKO Uemura，MITSUTOSHI Nakajima，SEIGO Sato，PETER Walde，SOSAKU Ichikawa.Efficient Preparation of Giant Vesicles as Biomimetic Compartment Systems with High Entrapment Yields for Biomacromolecules[J].Chemistry & Biodiversity，2012，9（11）：2453-2472.

[8] 王振宇，王瓊，王萬剛，等.用于巨型脂質(zhì)體制備及收集的微流控芯片研究[J].分析化學(xué)，2015，43（8）：1113-1117.

[9] 張施令，彭宗仁，杜進(jìn)橋，等.RBF神經(jīng)網(wǎng)絡(luò)與NSGA-II混合算法用于±1 100kV穿墻套管3維電場模擬及內(nèi)屏蔽結(jié)構(gòu)優(yōu)化[J].高電壓技術(shù)，2014，40（6）：1847-1857.

[10] 王瑞琪，李珂，張城慧.RBF神經(jīng)網(wǎng)絡(luò)與NSGA-II混合算法用于±1 100kV穿墻套管3維電場模擬及內(nèi)屏蔽結(jié)構(gòu)優(yōu)化電網(wǎng)技術(shù)[J].高電壓技術(shù)，2011，35（12）：183-189.