陳志遠(yuǎn) 王云耿 趙萬(wàn)里 賀耀欽 穆麗新 劉英

摘 要：長(zhǎng)春堿是一種重要的天然抗癌藥物。土壤營(yíng)養(yǎng)成分（土壤含水量，土壤PH，有機(jī)碳，全氮，全磷，速效磷，堿解氮），和激素（6-BA（6-芐氨基腺嘌呤），IAA（吲哚-3-乙酸），ABA（脫落酸）），對(duì)長(zhǎng)春堿含量有重要影響。本文采集了這10個(gè)研究條件和長(zhǎng)春堿含量的原始數(shù)據(jù)，并且用MATLAB中的人工神經(jīng)網(wǎng)絡(luò)和遺傳算法工具箱進(jìn)行分析。結(jié)果顯示土壤條件中全磷含量和土壤含水量的降低有利于提高長(zhǎng)春堿含量，土壤PH，有機(jī)碳，全氮，堿解氮含量的升高有利于提高長(zhǎng)春堿含量，土壤中速效磷和長(zhǎng)春堿含量的關(guān)系不明顯。激素中，IAA含量的降低有利于提高長(zhǎng)春堿含量，6-BA，ABA含量的升高有利于提高長(zhǎng)春堿含量。

關(guān)鍵詞： 長(zhǎng)春花;土壤條件;激素;長(zhǎng)春堿;人工神經(jīng)網(wǎng)絡(luò);遺傳算法

文章編號(hào)： 2095-2163（2019）03-0190-05 中圖分類(lèi)號(hào)： S567.9 文獻(xiàn)標(biāo)志碼： A

0 引 言

長(zhǎng)春花（Catharanthus roseus（L.）G.Don）是夾竹桃科（Apocynaceae）長(zhǎng)春花屬（Catharanthus G.Don）植物，又稱(chēng)雁來(lái)紅、日日新、四時(shí)春、三萬(wàn)花等，中醫(yī)臨床以全株入藥。原產(chǎn)于非洲馬達(dá)加斯加島西印度一帶的熱帶森林地區(qū)，早在宋代以前就傳入中國(guó)[1]。長(zhǎng)春花中含有多種生物堿。其中長(zhǎng)春堿主要用于治療何杰金氏病和絨毛上皮癌，對(duì)何杰金氏病治療的有效率為68%，完全緩解率為30% 對(duì)淋巴肉瘤、黑色素瘤、卵巢癌、白血病等也有一定療效[2]。長(zhǎng)春堿是一種重要的藥用生物堿。

植物次生代謝的概念最早于1891年由Kossel明確提出。植物的次生代謝是指由植物體內(nèi)有機(jī)化合物的初生代謝途徑衍生而來(lái)，最終合成一些具有種屬特異性的有機(jī)化合物的代謝過(guò)程[3]。長(zhǎng)春花體內(nèi)可以產(chǎn)生大量的次生代謝產(chǎn)物，主要是化學(xué)結(jié)構(gòu)屬于萜類(lèi)的生物堿，這類(lèi)生物堿具有非常重要的藥用價(jià)值。長(zhǎng)春堿（Vinblastine）是其中的一種。植物的次生代謝是植物在長(zhǎng)期進(jìn)化中與環(huán)境（生物的和非生物的）相互作用的結(jié)果，次生代謝產(chǎn)物在植物提高自身保護(hù)和生存競(jìng)爭(zhēng)能力、協(xié)調(diào)與環(huán)境關(guān)系上充當(dāng)著重要的角色，其產(chǎn)生和變化比初生代謝產(chǎn)物與環(huán)境有著更強(qiáng)的相關(guān)性和對(duì)應(yīng)性[4]。由于環(huán)境條件在次生代謝產(chǎn)物合成積累中具有重要誘導(dǎo)作用，在植物藥材種植中為了保證和提高所需成分的質(zhì)量，研究產(chǎn)物產(chǎn)量和環(huán)境因素的關(guān)系即已成為亟待探索的焦點(diǎn)研發(fā)課題。土壤和激素是植物生長(zhǎng)所需環(huán)境因素的重要組成部分，土壤條件和激素對(duì)植物次生代謝產(chǎn)物有著重大影響。對(duì)此擬展開(kāi)研究闡述如下。

1 研究現(xiàn)狀

長(zhǎng)春花作為重要的藥用植物，體內(nèi)含有豐富的次生產(chǎn)物，因其獨(dú)特的藥用價(jià)值、尤其是抗腫瘤成分而使長(zhǎng)春堿備受多方關(guān)注。經(jīng)過(guò)多年研究，植物領(lǐng)域中已經(jīng)有多種手段用在生物堿含量的提高上。例如，采用遮光培育或干旱脅迫等方法對(duì)長(zhǎng)春花植株進(jìn)行干預(yù)，目前均已取得了一定的成果。但是當(dāng)下國(guó)內(nèi)外對(duì)長(zhǎng)春花中生物堿含量與土壤和激素之間關(guān)系發(fā)表的研究，則主要集中在實(shí)驗(yàn)手段上并且對(duì)于直接作用于相應(yīng)的土壤條件和激素，改變土壤水分含量、微量元素含量等方面研究較少。因?yàn)殚L(zhǎng)春花培育需要一定的周期，土壤和激素中可能影響長(zhǎng)春花生物堿含量的研究對(duì)象比較多，單純用實(shí)驗(yàn)方法取得數(shù)據(jù)進(jìn)行分析將嚴(yán)重影響后續(xù)研究。迄今為止也還未見(jiàn)到有利用計(jì)算機(jī)的聚類(lèi)分析方法以及仿真方法對(duì)長(zhǎng)春花生物堿含量與土壤、激素關(guān)系進(jìn)行分析的先例。

2 BP神經(jīng)網(wǎng)絡(luò)和遺傳算法

2.1 BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一個(gè)基礎(chǔ)組成部分。人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks），是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為、進(jìn)行分布式信息存儲(chǔ)的數(shù)字算法模型[5-6]。通過(guò)將模擬神經(jīng)元逐層排列，人工神經(jīng)網(wǎng)絡(luò)可以在無(wú)需事前揭示描述映射關(guān)系的數(shù)學(xué)方程的情況下，建立輸入-輸出模式映射關(guān)系。人工神經(jīng)網(wǎng)絡(luò)現(xiàn)已成為人工智能研究的重要領(lǐng)域之一。BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[7]。BP神經(jīng)網(wǎng)絡(luò)的核心思想在于將神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值和原始數(shù)據(jù)的真實(shí)值加以比較，將輸出誤差以某種形式逐層反傳，即將誤差分?jǐn)偨o各層的所有單元，通過(guò)各層單元的誤差信號(hào)來(lái)修正各單元權(quán)值。這種訓(xùn)練方式使得BP神經(jīng)網(wǎng)絡(luò)對(duì)輸入變量較多的復(fù)雜問(wèn)題有良好的應(yīng)用效果。在收集到土壤條件和長(zhǎng)春堿含量的基礎(chǔ)上利用BP神經(jīng)網(wǎng)絡(luò)可以建立土壤中10個(gè)輸入變量和長(zhǎng)春堿的輸入-輸出模式映射。

2.2 遺傳算法簡(jiǎn)介

遺傳算法是一種進(jìn)化算法，其基本原理是仿效生物界中的“物競(jìng)天擇，適者生存”的演化法則。遺傳算法是把問(wèn)題參數(shù)編碼為染色體，再利用迭代的方式進(jìn)行選擇、交叉以及變異等運(yùn)算來(lái)交換種群中染色體的信息，最終生成符合優(yōu)化目標(biāo)的染色體[8]。當(dāng)問(wèn)題的輸入輸出函數(shù)或模式映射確定時(shí)，用遺傳算法可以先利用染色體（二進(jìn)制串）隨機(jī)生成對(duì)應(yīng)問(wèn)題輸入變量的幾組輸入值。當(dāng)獲得輸入值后，自然而然地可以得到輸入值對(duì)應(yīng)的輸出。如果希望得到解空間內(nèi)的近似最大值或最小值，就可分別根據(jù)輸出選擇輸出值更大/更小的染色體。讓其發(fā)生交叉變異，生成新的一代繼續(xù)參與運(yùn)算。最后經(jīng)過(guò)指定代數(shù)的選擇、交叉和變異，就可以得到輸入輸出函數(shù)或模式映射內(nèi)的近似最大或最小輸出以及對(duì)應(yīng)的輸入值。在使用BP神經(jīng)網(wǎng)絡(luò)處理原始數(shù)據(jù)后，研究得到了土壤的10個(gè)輸入變量到長(zhǎng)春堿的輸入輸出映射，此時(shí)利用遺傳算法就可以找到長(zhǎng)春堿含量的近似最大值和對(duì)應(yīng)的輸入變量的取值，從而為下一步的分析做準(zhǔn)備。遺傳算法的研發(fā)包括以下幾個(gè)步驟：

（1）初始化：設(shè)置進(jìn)化代數(shù)計(jì)數(shù)器t=0，設(shè)置最大進(jìn)化代數(shù)T，隨機(jī)生成M個(gè)個(gè)體作為初始群體P（0）。

（2）個(gè)體評(píng)價(jià)：計(jì)算群體P（t）中各個(gè)個(gè)體的適應(yīng)度。

（3）選擇運(yùn)算：將選擇算子作用于群體。選擇的目的是把優(yōu)化的個(gè)體直接遺傳到下一代或通過(guò)配對(duì)交叉產(chǎn)生新的個(gè)體再遺傳到下一代。選擇操作是建立在群體中個(gè)體的適應(yīng)度評(píng)估基礎(chǔ)上的。

（4）交叉運(yùn)算：將交叉算子作用于群體。遺傳算法中起核心作用的就是交叉算子。

（5）變異運(yùn)算：將變異算子作用于群體。即是對(duì)群體中的個(gè)體串的某些基因座上的基因值作變動(dòng)。

群體P（t）經(jīng)過(guò)選擇、交叉、變異運(yùn)算后得到下一代群體P（t+1）。

（6）終止條件判斷：若t=T，則以進(jìn)化過(guò)程中所得到的具有最大適應(yīng)度個(gè)體作為最優(yōu)解輸出，終止計(jì)算。

3 實(shí)驗(yàn)方法

3.1 獲得初始數(shù)據(jù)

在實(shí)驗(yàn)區(qū)域劃分4塊土地，對(duì)每塊土地的土壤進(jìn)行不同的操作，從而建立4個(gè)實(shí)驗(yàn)組。4個(gè)實(shí)驗(yàn)組分別為：對(duì)照組（CK）、對(duì)土壤使用一氧化碳供體的SNP的SNP組（SNP）、遮陰組、SNP+遮陰組，測(cè)量4組處理下土壤的7種物質(zhì)，即：土壤含水量（%）、土壤PH、有機(jī)碳（g/kg）、全氮（g/kg）、全磷（g/kg）、速效磷（mg/kg）、堿解氮（mg/kg）和植物中的激素的含量，即：6-BA（6-芐氨基腺嘌呤）、IAA（吲哚-3-乙酸）、ABA（脫落酸）（以葉片為研究對(duì)象 單位為ug/g）與對(duì)應(yīng)的長(zhǎng)春花中長(zhǎng)春堿（以葉片為研究對(duì)象，單位為ug/g）的含量，每個(gè)操作組收集3組數(shù)據(jù)建立初始數(shù)據(jù)表格，見(jiàn)表1。

3.2 確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.2.1 網(wǎng)絡(luò)層數(shù)的設(shè)計(jì)

人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定對(duì)訓(xùn)練效果有很大影響。隱含層一般為1～2層，考慮到本實(shí)驗(yàn)有10個(gè)輸入?yún)?shù)，復(fù)雜性較高，故設(shè)置2層隱含層，即BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)包括4層：輸入層、2個(gè)隱含層和輸出層。

3.2.2 各層神經(jīng)元數(shù)目的確定

一般來(lái)說(shuō)，輸入層和輸出層神經(jīng)元的數(shù)目由具體問(wèn)題決定。輸入層節(jié)點(diǎn)數(shù)目等于輸入變量的個(gè)數(shù)，本實(shí)驗(yàn)有10個(gè)條件，因此輸入層節(jié)點(diǎn)數(shù)取10。輸出層節(jié)點(diǎn)的數(shù)目等于輸出變量的個(gè)數(shù)，本實(shí)驗(yàn)研究長(zhǎng)春堿含量，因此取1。隱含層節(jié)點(diǎn)的數(shù)目對(duì)于網(wǎng)絡(luò)的性能起著至關(guān)重要的作用，但目前尚無(wú)統(tǒng)一的標(biāo)準(zhǔn)來(lái)確定，常以經(jīng)驗(yàn)公式作為參考。隱含層節(jié)點(diǎn)數(shù)在采用經(jīng)驗(yàn)取值的基礎(chǔ)上反復(fù)試湊，測(cè)試顯示隱含層采用21-21結(jié)構(gòu)的平均相對(duì)誤差最小，最終確定BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為10-21-21-1。

3.2.3 學(xué)習(xí)函數(shù)與傳遞函數(shù)以及其它參數(shù)的設(shè)定

本實(shí)驗(yàn)使用訓(xùn)練速度最快的traincgf作為學(xué)習(xí)函數(shù)，考慮到長(zhǎng)春堿輸出的范圍在0～1之間，使用logsig作為傳遞函數(shù)。本模型的學(xué)習(xí)率lr的初始值取為經(jīng)驗(yàn)值0.01。為了能夠使神經(jīng)網(wǎng)絡(luò)達(dá)到比較小的誤差，研究選定的訓(xùn)練目標(biāo)為1e-8，訓(xùn)練次數(shù)為5 000次。

3.3 選擇訓(xùn)練集與測(cè)試集訓(xùn)練并測(cè)試神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果不僅要看其是否能夠很好地符合給定的訓(xùn)練數(shù)據(jù)，也要視其是否能夠?qū)π聰?shù)據(jù)做出合理的預(yù)測(cè)，因此有必要在原始數(shù)據(jù)中劃分訓(xùn)練集和測(cè)試集。

取表1中第六行、第九行、第十二行作為測(cè)試集，其它作為訓(xùn)練集。考慮到10個(gè)輸入變量由于自身性質(zhì)在土壤中含量相差很大，直接訓(xùn)練會(huì)導(dǎo)致訓(xùn)練誤差和預(yù)測(cè)誤差過(guò)大。因此需要對(duì)2個(gè)集合中的10個(gè)輸入變量做適當(dāng)處理，例如將某個(gè)輸入變量擴(kuò)大，某個(gè)輸入變量縮小，使得數(shù)據(jù)間的數(shù)值差距減小。在關(guān)于如何處理數(shù)據(jù)、從而獲得好的訓(xùn)練效果上，目前還沒(méi)有固定模式。通常的做法是不斷進(jìn)行測(cè)試，找到對(duì)每個(gè)自變量合理的處理方式。經(jīng)過(guò)大量測(cè)試發(fā)現(xiàn)，當(dāng)土壤含水量、土壤PH、6-BA、IAA、ABA、有機(jī)碳、全氮、全磷、速效磷、堿解氮這10個(gè)變量分別擴(kuò)大0.1、1、100、100、100、0.1、10、10、10、1倍后訓(xùn)練效果最好，誤差最小。

訓(xùn)練集負(fù)責(zé)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，測(cè)試集負(fù)責(zé)測(cè)試訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力。具體方法為：輸入測(cè)試集的10個(gè)輸入變量，將神經(jīng)網(wǎng)絡(luò)給出的預(yù)測(cè)值和真實(shí)值進(jìn)行比較，用MATLAB默認(rèn)的MSE函數(shù)計(jì)算誤差。

3.4用遺傳算法尋找有利于提高長(zhǎng)春堿含量的土壤條件

遺傳算法可以生成設(shè)定范圍內(nèi)的值作為訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的輸入變量，這里則是把初始數(shù)據(jù)中每個(gè)輸入變量的最大、最小值當(dāng)作該變量取值范圍。輸入變量的最大精度為小數(shù)點(diǎn)后四位，考慮到每個(gè)輸入變量的取值范圍，個(gè)體長(zhǎng)度取20即可滿(mǎn)足需求。其它參數(shù)設(shè)定較為寬松，研究將其設(shè)為經(jīng)驗(yàn)值。遺傳代數(shù)取為20，代溝設(shè)為0.95，重組（交叉）概率和變異概率分別設(shè)為0.7和0.01。經(jīng)過(guò)20代的遺傳，可以得出在長(zhǎng)春堿取值較大時(shí)輸入變量的取值。記錄下10組數(shù)據(jù)。將初始數(shù)據(jù)中每個(gè)輸入變量的最大、最小值的平均值設(shè)為A。統(tǒng)計(jì)10組數(shù)據(jù)中每個(gè)輸入變量小于A(yíng)和大于等于A(yíng)的個(gè)數(shù)，分別設(shè)為B和C，當(dāng)B與C之間的差值在4或4以上時(shí)可以認(rèn)為該輸入變量取升高或降低有利于長(zhǎng)春堿含量提高。否則認(rèn)為該輸入變量與長(zhǎng)春堿含量聯(lián)系不顯著。

4 實(shí)驗(yàn)結(jié)果與結(jié)論

選定的BP神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練后取得了比較好的效果，使用MATLAB軟件默認(rèn)的誤差計(jì)算方式MSE使訓(xùn)練集誤差達(dá)到了7.28e-11，同時(shí)神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試集的預(yù)測(cè)值和實(shí)際值之間的誤差也達(dá)到了9.72e-05。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中誤差的變化情況如圖1所示。由圖1可以看出，traincgf函數(shù)的訓(xùn)練速度非?？?，在第26次訓(xùn)練時(shí)就達(dá)到了1e-8的目標(biāo)誤差。

用遺傳算法尋找長(zhǎng)春堿獲取近似最大值時(shí)，可得各條件的預(yù)測(cè)值，并記錄10組數(shù)據(jù)，結(jié)果見(jiàn)表2。在理想條件下，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)長(zhǎng)春堿的含量可以進(jìn)一步提高到0.27 ug/g以上。

研究求得初始數(shù)據(jù)的長(zhǎng)春堿平均含量為0.124 929 ug/g，遺傳算法找到的10組數(shù)據(jù)中長(zhǎng)春堿的平均含量為0.270 437 ug/g，且數(shù)值波動(dòng)小，相對(duì)于初始數(shù)據(jù)有較大提高。

將初始數(shù)據(jù)中每個(gè)輸入變量的最大、最小值的平均值設(shè)為A。統(tǒng)計(jì)10組數(shù)據(jù)中每個(gè)輸入變量小于A(yíng)和大于等于A(yíng)的個(gè)數(shù)，分別設(shè)為B和C，當(dāng)B與C之間的差值在4或4以上時(shí)，可以認(rèn)為該輸入變量取升高或降低，有利于長(zhǎng)春堿含量提高。否則認(rèn)為該輸入變量與長(zhǎng)春堿含量聯(lián)系不顯著。經(jīng)過(guò)統(tǒng)計(jì)，得到結(jié)果見(jiàn)表3。

由表3中可以看出在設(shè)定的取值范圍內(nèi)，土壤條件中全磷含量和土壤含水量的降低有利于提高長(zhǎng)春堿含量，土壤PH、有機(jī)碳、全氮、堿解氮含量的升高有利于提高長(zhǎng)春堿含量，土壤中速效磷和長(zhǎng)春堿含量的關(guān)系不明顯。激素中，IAA含量的降低有利于提高長(zhǎng)春堿含量，6-BA，ABA含量的升高有利于提升長(zhǎng)春堿含量。

5 結(jié)束語(yǔ)

探究環(huán)境條件與植物體內(nèi)的激素表達(dá)水平之間的關(guān)系是目前生物領(lǐng)域的一大重點(diǎn)問(wèn)題。由于目前對(duì)各種植物體內(nèi)代謝的微觀(guān)過(guò)程了解程度尚屬有限，大規(guī)模、長(zhǎng)時(shí)間的栽培實(shí)驗(yàn)依然是主流研究手段。本文用人工神經(jīng)網(wǎng)絡(luò)探討了長(zhǎng)春花的10個(gè)研究條件和長(zhǎng)春堿表達(dá)水平的關(guān)系。訓(xùn)練出的模型既有效地?cái)M合了訓(xùn)練數(shù)據(jù)，同時(shí)也有較好的預(yù)測(cè)能力。得到的結(jié)論縮短了傳統(tǒng)實(shí)驗(yàn)的周期，也是對(duì)下一步實(shí)驗(yàn)方向的有益指引。這種研究方式對(duì)相關(guān)研究領(lǐng)域提供了新的思路。

參考文獻(xiàn)

[1] 楊瑩瑩， 張廣晶，徐雅娟，等. 長(zhǎng)春花化學(xué)成分研究進(jìn)展[J]. 世界中醫(yī)藥，2014，9（7）：955-957，960.

[2] 祖元?jiǎng)偅_猛，牟璠松，等. 長(zhǎng)春花生物堿成分及其藥理作用研究進(jìn)展[J]. 天然產(chǎn)物研究與開(kāi)發(fā)，2006（2）：325-329，294.

[3] 華曉雨，陶爽，孫盛楠，等. 植物次生代謝產(chǎn)物-酚類(lèi)化合物的研究進(jìn)展[J]. 生物技術(shù)通報(bào)，2017，33（12）：22-29.

[4] 閆秀峰，王洋，李一蒙. 植物次生代謝及其與環(huán)境的關(guān)系[J]. 生態(tài)學(xué)報(bào)，2007，27（6）：2554-2562.

[5] 于源. 人工神經(jīng)網(wǎng)絡(luò)在機(jī)械優(yōu)化設(shè)計(jì)中的應(yīng)用[J]. 設(shè)備管理與維修，2018（22）：154-155.

[6] 張德豐. MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M]. 北京：電子工業(yè)出版社，2009.

[7] 沈花玉，王兆霞，高成耀，等. BP神經(jīng)網(wǎng)絡(luò)隱含層單元數(shù)的確定[J]. 天津理工大學(xué)學(xué)報(bào)，2008，24（5）：13-15.

[8] 郁磊，史峰，王輝，等. MATLAB智能算法30個(gè)案例分析[M]. 2版.? 北京：北京航空航天大學(xué)出版社，2012.