Мультисубстратное тестирование природных микробных сообществ - Горленко М.В.
ISBN 5-317-01228-7
Скачать (прямая ссылка):
основе многофакторных линейных
22
регрессионных моделей.
В таких ситуациях эффективными представляются нейронные сети .
самообучающиеся системы, имитирующие деятельность человеческого мозга. В
нашей работе впервые в практике МСТ такая возможность проверена с
использованием программы NeiroPro (автор - Царегородцев В.Г.). Например -
трехслойную сеть с 10-ю нейронами в каждом слое обучали на выборке данных
о содержании канцерогенных полициклических ароматических углеводородов
(ПАУ). Прогноз сети при проверке на всем массиве данных дал
удовлетворительные результаты в широком диапазоне уровней загрязнения.
Например, прогнозируемые значения нейронной сети для концентрации
канцерогенных ПАУ составили 137, 474, 1036 при реальных уровнях 101, 409
и 1069 мг/кг соответственно. В ходе упрощения и вербализации нейронной
сети выяснилось, что для решения поставленной задачи нейронной сети
достаточно данных о потреблении ограниченного набора субстратов (глюкоза,
цитрат, сукцинат, гистидин, аспарагин, серии, лактат, глутамин и
аргинин).
Функциональное биоразнообразие. Под ним в случае МСТ мы подразумеваем
разнообразие реализованной в местообитании функционально значимой
генетической информации в виде динамической ферментативной активности
микроорганизмов, регистрируемой по СПС. Классические индексы
биоразнообразия (индекс Шеннона-Виннера Н', индекс Пиелу- выровненность и
др.) связаны с энтропией и, как информационные характеристики, описывают
сложность системы (Мэггаран, 1992). Созданная нами на основе технологии
МСТ система функционального микробиологического мониторинга "ЭКОЛОГ"
вычисляет более 30 параметров функционального биоразнообразия.
Ранговые распределения. Почвенное микробное сообщество представляет собой
сложную иерархическую систему, элементы которой определенным образом
взаимоупорядочены в соответствии с ранговым распределением. В случае с
МСТ можно рассматривать СПС как символьные последовательности
(гипертекст), который как бы генерируется естественным микробным
сообществом. В качестве букв тут выступают субстраты. Интенсивность их
потребления - аналог
2 3
частоты встречаемости букв в структурной лингвистике. Этот текст по
существу является измеренной частью функционального фенотипа сообщества и
интерпретируется как реализация функционально значимой части генотипа
сообщества.
Рассматривая спектры потребления субстратов как текст, мы можем
оперировать с двумя его информационными уровнями -семантикой и
метасемантикой. Анализ семантики сводится, по сути, к фенотипической
систематике и осуществляется алгоритмами распознавания образов.
Математически для его реализации часто достаточно кластерного анализа.
Применяя кластеризацию для анализа метаболических текстов микробного
сообщества (спектров потребления субстратов), мы можем выделить
семантически близкие системы.
Понятно, что сообщество с "метаболическим языком", близким к языку
контрольной системы, можно будет считать относительно благополучным. В
противном случае, при сходстве с языком нарушенного сообщества можно
будет сделать вывод о формировании особого микробного сообщества, которое
в условиях загрязнения осуществляет процесс самоочищения. В случае
динамических процессов переход системы на другой язык означает ее
разрушение и переход в новое качество. Однако, чтобы понять язык,
необходимо создать словарь.Это связяно с поиском эталонов и составлением
баз данных. Проблема усугубляется тем, что обычно необходимо создать
словари для многих языков (разные системы обычно оперируют разными
языками). Фактически тут мы имеем дело с шифром.
Метасемантика - надтекстовой анализ на основе анализа ранговых
распределений символов в тексте позволяет приблизиться к решению данной
задачи. Суть этого достаточно широко используемого в экологии и других
науках подхода заключается в том, что ранжированные по интенсивности от
большего к меньшему параметры системы аппроксимируются кривыми модельных
уравнений, коэффициенты которых являются информационными
(биоразнообразие) или энергетическими (своеобразный термометр системы)
характеристиками системы (Пузаченко, 1998). Сравнение этих индексов
позволяет ранжировать системы по степени их стабильности
24
и сложности вне зависимости от их типа.
Коэффициенты ранговых распределений в некотором смысле абсолютны, т.е.
позволяют сравнивать разные, семантически непохожие друг на друга
системы. Использование в МСТ классического (лингвистика) распределения
Ципфа f(n)=kB" не всегда приводило к удовлетворительному описанию
микробных сообществ. Поэтому нами была предложена оригинальная
трехпараметрическая модель рангового
распределения потребления субстратов почвенным микробным сообществом почв
(рис.4):
F(n)=E0 - ben dn (1) где: n =ln(N), N - номер ранга; F(n) = ln(yN); yN-
интенсивность потребления субстрата ранга N; е- основание натурального
логарифма; Е0, b , d - параметры. В интересующей нас области значений
