Lernen mit einer Hybride aus Lernendem Klassifizierendem System und Selbstorganisierender Karte

Im Forschungsgebiet der Künstlichen Intelligenz, insbesondere im Bereich des maschinellen Lernens, hat sich eine ganze Reihe von Verfahren etabliert, die von biologischen Vorbildern inspiriert sind. Die prominentesten Vertreter derartiger Verfahren sind zum einen Evolutionäre Algorithmen, zum anderen Künstliche Neuronale Netze. Die vorliegende Arbeit befasst sich mit der Entwicklung eines Systems zum maschinellen Lernen, das Charakteristika beider Paradigmen in sich vereint: Das Hybride Lernende Klassifizierende System (HCS) wird basierend auf dem reellwertig kodierten eXtended Learning Classifier System (XCS), das als Lernmechanismus einen Genetischen Algorithmus enthält, und dem Wachsenden Neuralen Gas (GNG) entwickelt. Wie das XCS evolviert auch das HCS mit Hilfe eines Genetischen Algorithmus eine Population von Klassifizierern - das sind Regeln der Form [WENN Bedingung DANN Aktion], wobei die Bedingung angibt, in welchem Bereich des Zustandsraumes eines Lernproblems ein Klassifizierer anwendbar ist. Beim XCS spezifiziert die Bedingung in der Regel einen achsenparallelen Hyperquader, was oftmals keine angemessene Unterteilung des Zustandsraumes erlaubt. Beim HCS hingegen werden die Bedingungen der Klassifizierer durch Gewichtsvektoren beschrieben, wie die Neuronen des GNG sie besitzen. Jeder Klassifizierer ist anwendbar in seiner Zelle der durch die Population des HCS induzierten Voronoizerlegung des Zustandsraumes, dieser kann also flexibler unterteilt werden als beim XCS. Die Verwendung von Gewichtsvektoren ermöglicht ferner, einen vom Neuronenadaptationsverfahren des GNG abgeleiteten Mechanismus als zweites Lernverfahren neben dem Genetischen Algorithmus einzusetzen. Während das Lernen beim XCS rein evolutionär erfolgt, also nur durch Erzeugen neuer Klassifizierer, ermöglicht dies dem HCS, bereits vorhandene Klassifizierer anzupassen und zu verbessern. Zur Evaluation des HCS werden mit diesem verschiedene Lern-Experimente durchgeführt. Die Leistungsfähigkeit des Ansatzes wird in einer Reihe von Lernproblemen aus den Bereichen der Klassifikation, der Funktionsapproximation und des Lernens von Aktionen in einer interaktiven Lernumgebung unter Beweis gestellt.

Boron determination in biological samples - Intercomparison of three analytical methods to assist development of a treatment protocol for neoplastic diseases of the liver with Boron Neutron Capture Therapy

Die Bor-Neuroneneinfang-Therapie (engl.: Boron Neutron Capture Therapy, BNCT) ist eine indirekte Strahlentherapie, welche durch die gezielte Freisetzung von dicht ionisierender Strahlung Tumorzellen zerstört. Die freigesetzten Ionen sind Spaltfragmente einer Kernreaktion, bei welcher das Isotop 10B ein niederenergetisches (thermisches) Neutron einfängt. Das 10B wird durch ein spezielles Borpräparat in den Tumorzellen angereichert, welches selbst nicht radioaktiv ist. rnAn der Johannes Gutenberg-Universität Mainz wurde die Forschung für die Anwendung eines klinischen Behandlungsprotokolls durch zwei Heilversuche bei Patienten mit kolorektalen Lebermetastasen an der Universität Pavia, Italien, angeregt, bei denen die Leber außerhalb des Körpers in einem Forschungsreaktor bestrahlt wurde. Als erster Schritt wurde in Kooperation verschiedener universitärer Institute eine klinische Studie zur Bestimmung klinisch relevanter Parameter wie der Borverteilung in verschiedenen Geweben und dem pharmakokinetischen Aufnahmeverhalten des Borpräparates initiiert.rnDie Borkonzentration in den Gewebeproben wurde hinsichtlich ihrer räumlichen Verteilung in verschiedenen Zellarealen bestimmt, um mehr über das Aufnahmeverhalten der Zellen für das BPA im Hinblick auf ihre biologischen Charakteristika zu erfahren. Die Borbestimung wurde per Quantitative Neutron Capture Radiography, Prompt Gamma Activation Analysis und Inductively Coupled Plasma Mass Spectroscopy parallel zur histologischen Analyse des Gewebes durchgeführt. Es war möglich zu zeigen, dass in Proben aus Tumorgewebe und aus tumorfreiem Gewebe mit unterschiedlichen morphologischen Eigenschaften eine sehr heterogene Borverteilung vorliegt. Die Ergebnisse der Blutproben werden für die Erstellung eines pharmakokinetischen Modells verwendet und sind in Übereinstimmung mit existierenden pharmakokinetische Modellen. Zusätzlich wurden die Methoden zur Borbestimmung über speziell hergestellte Referenzstandards untereinander verglichen. Dabei wurde eine gute Übereinstimmung der Ergebnisse festgestellt, ferner wurde für alle biologischen Proben Standardanalyseprotokolle erstellt.rnDie bisher erhaltenen Ergebnisse der klinischen Studie sind vielversprechend, lassen aber noch keine endgültigen Schlussfolgerungen hinsichtlich der Wirksamkeit von BNCT für maligne Lebererkrankungen zu. rn

Visualization and validation of (Q)SAR models

Analyzing and modeling relationships between the structure of chemical compounds, their physico-chemical properties, and biological or toxic effects in chemical datasets is a challenging task for scientific researchers in the field of cheminformatics. Therefore, (Q)SAR model validation is essential to ensure future model predictivity on unseen compounds. Proper validation is also one of the requirements of regulatory authorities in order to approve its use in real-world scenarios as an alternative testing method. However, at the same time, the question of how to validate a (Q)SAR model is still under discussion. In this work, we empirically compare a k-fold cross-validation with external test set validation. The introduced workflow allows to apply the built and validated models to large amounts of unseen data, and to compare the performance of the different validation approaches. Our experimental results indicate that cross-validation produces (Q)SAR models with higher predictivity than external test set validation and reduces the variance of the results. Statistical validation is important to evaluate the performance of (Q)SAR models, but does not support the user in better understanding the properties of the model or the underlying correlations. We present the 3D molecular viewer CheS-Mapper (Chemical Space Mapper) that arranges compounds in 3D space, such that their spatial proximity reflects their similarity. The user can indirectly determine similarity, by selecting which features to employ in the process. The tool can use and calculate different kinds of features, like structural fragments as well as quantitative chemical descriptors. Comprehensive functionalities including clustering, alignment of compounds according to their 3D structure, and feature highlighting aid the chemist to better understand patterns and regularities and relate the observations to established scientific knowledge. Even though visualization tools for analyzing (Q)SAR information in small molecule datasets exist, integrated visualization methods that allows for the investigation of model validation results are still lacking. We propose visual validation, as an approach for the graphical inspection of (Q)SAR model validation results. New functionalities in CheS-Mapper 2.0 facilitate the analysis of (Q)SAR information and allow the visual validation of (Q)SAR models. The tool enables the comparison of model predictions to the actual activity in feature space. Our approach reveals if the endpoint is modeled too specific or too generic and highlights common properties of misclassified compounds. Moreover, the researcher can use CheS-Mapper to inspect how the (Q)SAR model predicts activity cliffs. The CheS-Mapper software is freely available at http://ches-mapper.org.