МЕТОД ОБРАБОТКИ КИНЕТИЧЕСКИХ КРИВЫХ ЗАТУХАНИЯ ФЛУОРЕСЦЕНЦИИ С ИСПОЛЬЗОВАНИЕМ АЛГОРИТМОВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ

Предложен метод обработки больших наборов кинетических кривых затухания флуоресценции молекул с использованием алгоритмов интеллектуального анализа данных, позволяющий определить параметры биофизических и оптических процессов, протекающих в молекулярных системах. Идея разработанного метода состоит в разбиении исходного набора кривых затухания флуоресценции на кластеры по степени близости в некоторой мере сходства, нахождении медоидов кластеров, применении метода снижения размерности данных и отображении экспериментальных данных в пространстве двух-, трехмерной размерности, анализе кривых затуханий медоидов с использованием аналитических или имитационных моделей. Применимость метода рассматривается на примере анализа наборов данных, представляющих собой системы флуорофоров. Разработанный метод требует существенно меньше времени и вычислений аналитической функции аппроксимации, а точность оцененных параметров выше, чем в случае применения классического подхода.

1. J. R. Lakowicz. Principles of Fluorescence Spectroscopy, 3 rd ed., Springer, New York (2006)

2. A. H. Clayton. J. Biosci., 43, N 3 (2018) 463—469

3. S. Shashkova, M. C. Leake. Biosci. Rep., 37, N 4 (2017); doi: 10.1042/BSR20170031

4. D. Phillips. Proc. Math. Phys. Eng. Sci., 472, N 2190 (2016) 1—20

5. J. P. Angelo, S.-J. Chen, M. Ochoa, U. Sunar, S. Gioux, X. Intes. J. Biomed. Opt., 24, N 7, 071602 (2018) 1—20

6. E. Wientjes, J. Philippi, J. W. Borst, H. van Amerongen. Biochim. Biophys. Acta Bioenerg., 1858, N 3 (2017) 259—265

7. A. Boreham, R. Brodwolf, K. Walker, R. Haag, U. Alexiev. Molecules, 22, N 1 (2017) Е17 (1—18)

8. Fluorescence Spectroscopy and Microscopy: Methods and Protocols. Methods in Molecular Biology, Eds. Y. Engelborghs, A. J. W. G. Visser, 1076, Springer Science+Business Media, LLC (2014)

9. M. M. Yatskou. Computer Simulation of Energy Relaxation and Transport in Organized Porphyrin Systems, Wageningen (2001)

10. Н. Н. Яцков, В. В. Апанасович, Р. Б. М. Кухорст, А. ван Хук, Т. Й. Схафсма. Журн. прикл. спектр., 70, № 3 (2003) 335—339 [M. M. Yatskou, V. V. Apanasovich, R. B. M. Koehorst, A. van Hoek, T. J. Schaafsma. J. Appl. Spectr., 70 (2003) 372—377]

11. И. В. Станишевский, С. М. Арабей. Материалы науч.-тех. конф. “Квантовая электроника”, 18—22 ноября 2019 г., Минск, РИВШ (2019) 64—66

12. Н. Н. Яцков. Интеллектуальный анализ данных: пособие, Минск, БГУ (2014)

13. Н. Н. Яцков, В. В. Скакун, В. В. Апанасович. Прикладные проблемы оптики, информатики, радиофизики и физики конденсированного состояния, Минск, НИУ “Ин-т прикл. физ. проблем им. А. Н. Севченко” БГУ (2019) 125—127

14. M. Bramer. Principles of Data Mining, 2 nd ed., Springer, London (2013)

15. C. C. Aggarwal. Data Mining: The Textbook, Springer, eBook (2015)

16. Н. Н. Яцков, В. В. Апанасович. Материалы науч.-тех. конф. “Квантовая электроника”, 18—22 ноября 2019 г., Минск, РИВШ (2019) 282—283

17. И. Д. Мандель. Кластерный анализ, Москва, Финансы и статистика (1988)

18. М. Б. Лагутин. Наглядная математическая статистика: уч. пособие, Москва, БИНОМ, Лаборатория знаний (2007)

19. I. T. Jolliffie. Principal Component Analysis, 2 nd ed., Springer, New York (2002)

20. A. Hyvaerinen, J. Karhunen, O. Erkki. Independent Component Analysis, New York, John Wiley&Sons Inc. (2001)

21. Y. Saeys, I. Inza, P. Larranaga. Bioinformatics, 23 (2007) 2507—2517

22. А. В. Волков, Н. Н. Яцков, В. В. Гринев. Вестн. БГУ. Математика. Информатика, № 1 (2019) 77—89

23. V. Shapaval, J. Brandenburg, J. Blomqvist, V. Tafintseva, V. Passoth, M. Sandgren, A. Kohler. Biotechnol. Biofuels, 12 (2019) 140 (1—12)

24. C. Colabella, L. Corte, L. Roscini, V. Shapaval, A. Kohler, V. Tafintseva, C. Tascini, G. Cardinali. PLoS One, 12, N 12 (2017) e0188104 (1—20)

25. В. В. Апанасович, О. М. Тихоненко. Цифровое моделирование стохастических систем, Минск, Университетское (1986)

26. T. A. Roelofs, C. H. Lee, A. R. Holzwarth. Biophys. J, 61, N 5 (1992) 1147—1163

27. A. V. Digris, E. G. Novikov, V. V. Skakun, V. V. Apanasovich. Method. Mol. Biol., 1076 (2014) 257—277

28. В. В. Апанасович, Е. Г. Новиков, Н. Н. Яцков, Р. Б. М. Кухорст, Т. Й. Схафсма, А. ван Хук. Журн. прикл. спектр., 66, № 4 (1999) 549—552 [V. V. Apanasovich, E. G. Novikov, N. N. Yatskov, R. B. M. Koehorst, T. J. Schaafsma, A. van Hoek. J. Appl. Spectr., 66 (1999) 613—616]

29. В. В. Апанасович, Е. Г. Новиков, Н. Н. Яцков. Журн. прикл. спектр., 67, № 5 (2000) 612—618 [V. V. Apanasovich, E. G. Novikov, N. N. Yatskov. J. Appl. Spectr., 67 (2000) 842—851]

30. Н. Н. Яцков, Е. В. Лисица. Интеллектуальный анализ данных: методические указания к лабораторным работам, Минск, БГУ (2019)