数的一个值看作一个种群的一个个体，制备 环境为无菌环境，使用自制设备，影响巨型脂质体制备的参数及其对应的巨型脂质体产量 如表1所示。
[0052] 表1试验采集的影响巨型脂质体制备的参数值及其对应的巨型脂质体产量
[0054] 影响巨型脂质体产量的参数多，且各参数间的相互影响严重，从表1可以看出，决 定巨型脂质体产量的9种参数值在试验过程中数值波动较大，最大值比最小值甚至达到 500倍，单纯靠人工经验通过大量试验不同参数值来最大化巨型脂质体产量需要耗费大量 的精力，且试验只能进行有限次，不一定能够找到巨型脂质体产量最高的试验条件。
[0055] 根据135组的9个参数值和对应的巨型脂质体产量确定BP神经网络结构，把9个 参数值作为输入数据，巨型脂质体产量作为输出数据训练BP神经网络，训练后的网络可以 预测一定试验条件下的试验结果。然后把试验9个参数作为遗传算法中种群个体，把网络 预测的试验结果作为个体适应值，通过遗传算法推导巨型脂质体产量的最高值及其对应的 参数值。
[0056] BP神经网络预测模型决定了遗传算法的寻优精度，换句话说，BP神经网络预测模 型的训练精度决定了最终预测的巨型脂质体最高产量是否为试验可及范围。图2为BP神 经网络预测模型适应度值变化曲线图，从图2中可见，从第5代开始遗传算法的适应度基本 保持不变，保障了根据BP神经网络预测出的最大巨型脂质体产量寻找对应的9个参数值的 稳定性，降低了寻优误差。
[0057] 对试验数据进行多参数优化运算9次，该算法预测的最优巨型脂质体产量和对应 的9个参数值如表2所示。仅从巨型脂质体产量数量来看，均大于1000,每次模型预测的最 优巨型脂质体产量不同的原因是试验数据量太少，使得BP模型的精确度不能达到100%。 但从结果来看，已经比人工试验的巨型脂质体产量数量高了一倍以上。
[0058] 从表2可见，9个影响巨型脂质体产量的参数值之间关联度紧密，不能用简单的线 性关系描述。如第一组巨型脂质体产量与第二组巨型脂质体产量仅相差2个，但9个参数 值并没有整体递增或递减的趋势，其中第一组的脂质比例、脂质浓度（PC)、脂质体积、电压、 持续时间比第二组大，而脂质浓度（Chol)、缓冲液浓度、频率却增加，因此，难以用简单函数 关系描述9个参数间以及参数与巨型脂质体产量之间的关系。再一次验证仅靠人工经验试 验寻找巨型脂质体产量最高的最优参数值的难度巨大，通过多参数优化混合算法更有助于 寻找巨型脂质体产量最高的最优参数值。
[0059] 表2多参数优化方法所得各最优参数值及其对应的巨型脂质体产量
[0061] 如图3和图4所示为多参数寻优算法寻优所得最优参数值曲线图。从图3和图4 可以看出，9个参数值的最优预测值波动都较小，在一定可接受范围内。图5所示为多参数 寻优算法预测的巨型脂质体产量曲线图。虽然9次模型运行所预测的巨型脂质体产量都不 一致，但是都在1000-1500之间波动，波动幅度在可接受范围内。
[0062] 在试验中获得的最大试验结果为508,对应的试验条件为[5,6,1. 2, 30, 200, 30， 8,10, 2]。在试验数据的基础上，采用遗传算法和BP神经网络相结合的多参数优化算法 寻优，选择的BP神经网络结构为4-100-1，遗传算法的迭代次数是300次，种群规模是20， 交叉概率为0. 4,变异概率为0. 2。最终得到最优试验结果为1465,对应的试验条件为 [14. 507,14. 708,0· 739,66· 494,89· 794,23· 759,14. 411，906· 288,2· 142]，该结果为最优 试验条件的选择提供了参考价值。
[0063] 本申请的上述实施例中，通过提供一种巨型脂质体制备过程的多参数优化方法， 运用反馈神经网络算法（BP)对已有试验数据进行学习与训练，从而预测在已有参数限制 下的最高巨型脂质体产量，根据预测的最高巨型脂质体产量，利用遗传算法（GA)寻找各参 数的最优值，以获得巨型脂质体产量最高，解决人工大量试验寻找最高巨型脂质体产量的 参数值难度大、耗时长、准确性差等技术问题，大大提高了巨型脂质体制备的效率和准确 性。
[0064] 应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例， 本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应 属于本发明的保护范围。
【主权项】
1. 一种巨型脂质体制备过程的多参数优化方法，其特征在于，包括以下步骤： 51 :运用反馈神经网络算法对已获得的影响巨型脂质体制备的参数值及其对应的巨型 脂质体产量值数据进行学习与训练，预测巨型脂质体产量的最高值，其中，输入数据为影响 巨型脂质体制备的参数值，输出数据为巨型脂质体产量值； 52 :根据预测的巨型脂质体产量的最高值，利用遗传算法寻找影响巨型脂质体制备的 参数值的最优值，其中，将反馈神经网络的权值和阈值组成实数数组，作为遗传算法的一个 染色体，将反馈神经网络的输出值与期望值的均方误差函数作为遗传算法的适应度函数。2. 根据权利要求1所述的巨型脂质体制备过程的多参数优化方法，其特征在于，步骤 Sl具体包括： 511 :构建反馈神经网络； 512 :网络初始化； S13:网络训练学习； 514 :判断训练是否完成，如果是，则进入步骤S15,否则，跳转步骤S13 ; 515 :测试数据集； S16:形成预测模型。3. 根据权利要求2所述的巨型脂质体制备过程的多参数优化方法，其特征在于，步骤 S2具体包括： 521 :产生初始种群； 522 :计算适应度，其中将反馈神经网络的输出值与期望值的均方误差函数作为遗传算 法的适应度函数； 523 :选择； 524 :交叉； 525 :变异； 526 :判断是否满足优化要求，如果是，则结束遗传算法，否则，跳转到步骤S22。4. 根据权利要求1所述的巨型脂质体制备过程的多参数优化方法，其特征在于，影响 巨型脂质体制备的参数包括脂质比例PC :Chol、PC浓度、Chol浓度、脂质体积、缓冲液Suc 浓度、缓冲液NaCl浓度、电压、频率以及持续时间，其中PC为磷脂酰胆碱，Chol为胆固醇， Suc为鹿糖，NaCl为氯化钠。
【专利摘要】本发明提供了一种巨型脂质体制备过程的多参数优化方法，运用反馈神经网络算法对已有试验数据进行学习与训练，从而预测在已有参数限制下的最高巨型脂质体产量，然后根据预测的最高巨型脂质体产量，利用遗传算法寻找各参数的最优值，以获得巨型脂质体产量最高值，解决人工大量试验寻找最高巨型脂质体产量的参数值难度大、耗时长、准确性差等技术问题，大大提高了巨型脂质体制备的效率和准确性。
【IPC分类】G06F19/12
【公开号】CN105138865
【申请号】CN201510650847
【发明人】利节, 陈国荣, 王振宇, 高敏, 李莉, 赖军辉, 李忠
【申请人】重庆科技学院
【公开日】2015年12月9日
【申请日】2015年10月10日