СЕРГЕЙ КОРНИЛОВ
Скрининг новых лекарственных веществ с помощью разрабатываемых алгоритмов и
программного обеспечения системы прогнозировани
программного обеспечения системы прогнозировани
ОБЩАЯ ИНФОРМАЦИЯ
1. Название проекта
Скрининг новых лекарственных веществ с помощью разрабатываемых алгоритмов и
программного обеспечения системы прогнозирования.
2. Направление, к которому относится проект
Медицинские технологии в области разработки оборудования, лекарственных средств
3. Краткое резюме, с указанием имеющихся наработок и основных целей развития.
С 2009 года по настоящее время разработан базовый универсальный алгоритм обработки
численно-временных рядов событий. Разработана прикладная методология по ВСР и
сопутствующие программные продукты, апробированные и запатентованные в РФ и США.
Создание программно-аппаратного комплекса на основе специализированной СУБД и устройства для съема и обработки информации. Основная цель проекта - сокращение стоимости и времени скрининга новых лекарственных веществ.
ПРОБЛЕМА И РЕШЕНИЕ
В сфере создания лекарственных средств выделяются следующие проблемы:
1. Высокая затратная стоимость создания лекарственных средств. По данным компании Coral
Health в среднем на разработку одного успешного лекарственного средства затрачивается около $2,7 млрд. По прогнозам Journal of Translational Medicine к 2020 мировые ежегодные затраты на рынке исследований и разработок новых лекарственных средств достигнут $160 млрд.
2. Длительность процесса исследования и разработки новых лекарственных средств. В среднем, на разработку одного успешного нового лекарственного средства уходит от 12 до15 лет.
3. Необходимость персонального подбора лекарственного средства и курса лечения. Каждый
человек обладает индивидуальные характеристики относительно восприятия лекарственных
средств и лечения.
4. Возбудители болезней адаптируются к существующим лекарством и их дозировке. Постоянно стоит задача поиска эффективных лекарственных средств. Решение этой задачи требует применения новых, в том числе, цифровых подходов.
Согласно информации агентства U.S. Food and Drug Administration разработка лекарственных
средств состоит из пяти этапов (https://www.fda.gov/forpatients/approvals/drugs/).
Первым этапом является поиск (или так называемый скрининг) и разработка нового
лекарственного вещества.
Вторым - этап доклинических исследований, состоит из исследований в пробирке и исследований на животных. Далее разработка переходит в этап клинических исследований, что означает, что эффективность лекарственного вещества уже подтверждена на животных и вероятность отклонения препарата на данном и последующих этапах незначительна по сравнению с ранними этапами.
Технологические платформы для скрининга больших химических коллекций на разнообразных
биологических мишенях чрезвычайно дороги в приобретении и эксплуатации и доступны только большим организациям с миллиардными бюджетами. При общей тенденции к демократизации открытия лекарств, то есть вовлечению в него широкого круга академических лабораторий и малых биотехнологических компаний, появилась необходимость в альтернативных стратегиях скрининга.
Одной из таких альтернатив стал виртуальный скрининг. В основе виртуального скрининга
лежит компьютерный алгоритм, на вход которого можно подать структуру химического
соединения и получить на выходе ответ на вопрос, активно ли соединение по отношению к
терапевтической мишени. Сегодня суммарное предложение химических соединений превышает 20 миллионов субстанций. Все эти миллионы соединений могут быть пропущены через компьютерный алгоритм виртуального скрининга. Те соединения, на которые алгоритм укажет как на потенциально активные, могут быть куплены и тестированы в пробирке.
Огромное достоинство виртуального скрининга в том, что с его помощью в поиск хита вовлекается количество соединений, немыслимое в рамках экспериментального скрининга даже в самых больших фармацевтических компаниях. Его главная слабость в том, что слишком многим пропущенным через алгоритм соединениям присваивается статус потенциально активных. Нередко случается, что среди 50–100 виртуальных хитов, закупленных для экспериментального подтверждения, не оказывается ни одной действительно активной молекулы. Но выявлять этот факт приходится путем экспериментальных лабораторных проверок, которые требуют длительного времени и ресурсов.
Рынок программного обеспечения в этой области развит слабо. Затем начинаются
эксперименты на живых клетках, на животных, в различных моделях болезней. На этом этапе
методом компьютерного дизайна можно быстро улучшить активность хита, но предсказать исход лабораторных испытаний программы для отбора лигандов не способны. Встает задача создания компьютерной программы, ускоряющей и эффективно обрабатывающей и прогнозирующей результаты лабораторных исследований.
Cсылки на исследования и материалы, подтверждающие актуальность
заявленной проблемы
1. Комментарий По данным компании Coral Health в среднем на разработку
одного успешного лекарственного средства затрачивается
около $2,7 млрд Ссылка https://medium.com/@mycoralhealth/the-future-of-ai-in-drugdiscovery-
f976b3746e7d
2. Комментарий В среднем, на разработку одного успешного нового
лекарственного средства уходит от 12 до 15 лет.
Ссылка https://www.eupati.eu/ru/%D0%B8%D0%B7%D1%8B
%D1%81%D0%BA%D0%B0%D0%BD%D0%B8%D0%B5-%D0%BD
%D0%BE%D0%B2%D1%8B%D1%85-%D0%BF
%D1%80%D0%B5%D0%BF
%D0%B0%D1%80%D0%B0%D1%82%D0%BE%D0%B2/
%D1%81%D0%BE%D0%B7%D0%B4%D0%B0%D0%BD
%D0%B8%D0%B5-%D0%BB%D0%B5%D0%BA
%D0%B0%D1%80%D1%81%D1%82%D0%B2%D0%B5%D0%BD
%D0%BD%D1%8B%D1%85-%D0%BF%D1%80%D0%B5%D0%BF
%D0%B0%D1%80%D0%B0%D1%82%D0%BE%D0%B2-%D1%88/
3. Комментарий По прогнозам Journal of Translational Medicine к 2020 мировые
ежегодные затраты на рынке исследований и разработок новых
лекарственных средств достигнут $160 млрд.
Ссылка https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4847363/
4. Комментарий Информация о способах поиска новых лекарств,
преимуществах и недостатках виртуального скрининга и
компьютерном дизайне в разработке препаратов
Ссылка https://postnauka.ru/faq/82566
5. Как проект решает описанную проблему, и в чем заключается
инновационность подхода
Инновационнным подходом в данном проекте является экспресс-оценка эффективности и
потенциальной опасности лигандов на стадии доклинических исследований путем анализа
вариабельности сердечного ритма (ВСР) до и после введения лекарственного препарата.
Оценка производится путем подсчета коэффициента самоорганизации организма и прогнозирования его значений на заданный интервал времени на основе разработанного командой алгоритма, который запатентован в США. Такой метод позволяет количественно оценить эффективность воздействия лекарственного вещества на испытуемый организм и кардинально сокращает сроки исследования за счет ускорения отсева неэффективных лигандов. Важно отметить, что метод основан на персонализированном подходе, а не на анализе усредненных данных.
6. Основные технологические и рыночные тренды в рассматриваемой
отрасли
Описание трендов
По данным консалтингового агентства Clarkston Consulting в 2018 выделены четыре ключевых
тренда в фармацевтической, биотехнологической промышленностях и медоборудовании,
которые значительно влияют на принимаемые бизнес решения
1. Искусственный интеллект (ИИ) - инициативы в сфере аналитики, биг дата, машинное обучение,
блокчейн, интернет вещей и дизайн мышление.
2. Экономическая эффективность: фокус на бизнес, промышленную выгоду и ценовое давление
определяет экономическую эффективность биомедицинских компаний. Это включает усилия на
повышение показателей операционной и затратной эффективности, роста доходов, консолидации
активов и налоговой оптимизации.
3. Персонализация, включает терапию, устройства и методы лечения, созданные для
специфических пациентов и усиливающийся фокус на персонализацию истории пациента через
продвинутые коммуникации и применяемые стратегии и технологии.
4. Цифровизация: Для медико-биологических компаний подразумевается различные инициативы
по вовлечению пациента через цифровые каналы и, что более существенно, больший фокус на
облачные/облачно-гибридные платформы и важность менеджмента данных.
Мировой рынок доклинический исследований в 2016 году оценивался в $3,25 млрд. и в период
до 2025 года ожидается его рост от 8,3% до $6,6 млрд (у разных исследователей). Кроме
того, ожидается, что увеличение внимания компаний, занимающихся наукой о жизни, к их
основным компетенциям в сочетании с увеличением внешнего подряда некруглых функций, будет способствовать росту доклинического рынка аутсорсинга.
Значительный рост бюджета НИОКР на ранних стадиях и поздних стадиях разработки лекарств, который, как ожидается, также будет способствовать росту рынка.
Ключевые аспекты развития рынка:
1. Токсикологическое тестирование занимало наибольшую долю в сегменте услуг по состоянию
на 2016 год и, как ожидается, будет доминировать в течение длительного периода. В данном
сегменте наблюдается тренд аутсорсинга доклинических исследований
2. Биофармацевтические компании являются основными клиентами доклинических поставщиков и занимают самую высокую долю в сегменте конечного использования и, как ожидается, будут доминировать в последующем периоде.
3. Предполагается, что Северная Америка будет доминировать на рынке доклинических
исследований из-за местного присутствия компаний раннего развития, таких как Charles River
Laboratories International, Inc.; Laboratory Corporation of America; and Envigo. Кроме того, более
высокое качество работы, установленный научный опыт, экономическая стабильность и лучшая логистика являются и другими основными факторами доминирования региона на мировом рынке аутсорсинга доклинических испытаний.
4. Некоторые из ключевых игроков на доклиническом рынке - Charles River Laboratories
International, Inc.; Laboratory Corporation of America; Envigo; Eurofins Scientific; PRA Health Science, Inc.; Wuxi AppTec; Medpace, Inc.; Pharmaceutical Product Development, LLC; and Paraxel InternationalCorporation.
Ссылки на соответствующие исследования и материалы
https://clarkstonconsulting.com/insights/pharmaceutical-life-sciences-trends/
https://www.prnewswire.com/news-releases/the-global-preclinical-cro-market-is-anticipated-toreach-
usd-66-billion-by-2025-300597008.html
https://www.grandviewresearch.com/industry-analysis/preclinical-cro-market
Ссылки на наиболее близкие к заявленной Исследовательской деятельности
российские и (или) зарубежные патенты, обладателем которых являются третьи лица.
https://patents.google.com/patent/US5718235A/en
https://patents.google.com/patent/US20080157980A1/en
https://patents.google.com/patent/US7594889B2/en
https://patents.google.com/patent/US20080004539A1/en
https://patents.google.com/patent/US20080004539A1/en
https://patents.google.com/patent/US6272377B1/en
ТЕХНОЛОГИЯ
Описание базовой технологии
Метод работает следующим образом:
устройство обработки данных системы принимает информацию о частоте сердечных сокращений от исследуемого животного. Информация о частоте сердечного ритма может включать в себя данные: среднее значение длительности RR-интервала в изучаемой записи ЭКГ (AVG), значение вариационного размаха RR-интервала (VAR), значение среднеквадратического отклонения интервалов RR (SDE) и значение коэффициента вариации изучаемого ряда кардиоинтервалов (CVE), а также результаты вариационной пульсометрии моду (Mo) и амплитуду моды (AMo) вариационной кривой.
По данным вариационной пульсометрии вычисляется индекс напряжения регуляторных систем (Si).
Анализируется коэффициент адаптации организма до введения препарата и через некоторое
время после введения.
Анализ данных производится с помощью модели на основе распределения Дирихле и β-
распределения (как частного случая более общего распределения Дирихле).
β-распрелеление представляет собой достаточно гибкую модель, описывающую динамику
взаимодействия двух процессов.
В рамках задачи анализа и классификации сердечного ритма указанные два процесса
интерпретируются как регулирование сердечного ритма при помощи автономного и центрального контура или двух функциональных подсистем.
В более сложных задачах, для которых гипотеза о том, что количество взаимодействующих
процессов ограничено двумя, выглядит не правдоподобно, количество взаимодействующих
процессов может быть увеличено до любого конечного числа n. В этом случае имеет место общий случай распределения Дирихле.
Для решения задачи анализа и классификации вариабельности сердечного ритма n можно
увеличить до 2, добавив в модель процесс регулирования сердечного ритма с помощью
дыхательной системы.
Развитие информационно-статистического метода анализа ВСР на основе распределения
Дирихле включает следующее:
Изменение алгоритма с целью использования в качестве исходных данных ряда мгновенных
значений пульса, записанных через равные промежутки времени (1-5 секунд). Необходимое
требование для использования алгоритма с другими более простыми и популярными датчиками, представленными на рынке.
Исследование двумерной случайной величины пульс - частота дыхания средствами
информационно-статистического метода на основе двумерного распределения Дирихле.
Исследование трёхмерной случайной величины пульс - частота дыхания - объём дыхания
средствами информационно-статистического метода на основе трёхмерного распределения
Дирихле. Изучение возможности использования других одномерных случайных величин
(температура тела, ускорения вдоль осей) для построения случайных величины более высоких
размерностей и их дальнейшего исследования.
Продолжение изучения возможности использования других параметров/групп параметров
на ряду с коэффициентом адаптации для построения классификаторов (нейронных сетей,
деревьев решений, пр.) для решения задачи классификации на два класса здоров/болен в
случае различных заболеваний (предынсультное состояние, сахарный диабет, пр.). Получение
удовлетворительных ошибок классификации (не более 25%) для различных заболеваний,
демонстрирующих практическую применимость метода в задаче первичной диагностики/
предупреждения.
Изучение существующих методов анализа ЭКГ в покое. Изучение возможности разработки
оригинального метода анализа ЭКГ в покое средствами распределения Дирихле (возможно,
методами фрактального анализа). Изучение возможности/целесообразности интеграции
существующих/оригинального методов анализа ЭКГ в покое с разработанными методами анализа ВСР.
Предусмотрена возможность автоматической классификации ритмограмм методами
искусственного интеллекта (нейронные сети, деревья решений) на основе большого
количества данных, полученных из международной БД Physionet, кардиологического отделения
нижегородской областной больницы им. Семашко, медицинской академии Нижнего Новгорода.
Имеющие непосредственное отношение к проекту российские и (или) зарубежные научные публикации, патенты и (или) заявки на выдачу патента, а также разработанные алгоритмы, протоколы, программы для ЭВМ и (или) базы данных, исключительные права которые реализованы в рамках открытого кода GPL, публичные ссылки на них
1
Номер 2008613120
Название Программа реализации алгоритма расчета анализов и
прогнозов состояния систем и процессов, протекающих в них на
заданных интервалах времени
Ссылка https://cloud.mail.ru/public/GB3q/hQyY5Dkhm
2
Номер 2008614798
Название Программа реализации алгоритма оценки состояния сложных
систем, процессов, протекающих в них, взаимного влияния
процессов друг на друга на базе многомерного распределения
Дирихле
Ссылка https://cloud.mail.ru/public/8Qga/PYTahPsww
3
Номер 2008614788
Название Программа оценки состояния и взаимодействия сложных
систем на базе многомерных моделей распределения Дирихле
Ссылка https://cloud.mail.ru/public/FFC1/VBMpHZ1kL
4
Номер US 2015/0141859A1
Название System and Methods for cardiac rhithm variability analysis
Ссылка https://cloud.mail.ru/public/CrKC/YQL1u1Zwk__
1. Название проекта
Скрининг новых лекарственных веществ с помощью разрабатываемых алгоритмов и
программного обеспечения системы прогнозирования.
2. Направление, к которому относится проект
Медицинские технологии в области разработки оборудования, лекарственных средств
3. Краткое резюме, с указанием имеющихся наработок и основных целей развития.
С 2009 года по настоящее время разработан базовый универсальный алгоритм обработки
численно-временных рядов событий. Разработана прикладная методология по ВСР и
сопутствующие программные продукты, апробированные и запатентованные в РФ и США.
Создание программно-аппаратного комплекса на основе специализированной СУБД и устройства для съема и обработки информации. Основная цель проекта - сокращение стоимости и времени скрининга новых лекарственных веществ.
ПРОБЛЕМА И РЕШЕНИЕ
В сфере создания лекарственных средств выделяются следующие проблемы:
1. Высокая затратная стоимость создания лекарственных средств. По данным компании Coral
Health в среднем на разработку одного успешного лекарственного средства затрачивается около $2,7 млрд. По прогнозам Journal of Translational Medicine к 2020 мировые ежегодные затраты на рынке исследований и разработок новых лекарственных средств достигнут $160 млрд.
2. Длительность процесса исследования и разработки новых лекарственных средств. В среднем, на разработку одного успешного нового лекарственного средства уходит от 12 до15 лет.
3. Необходимость персонального подбора лекарственного средства и курса лечения. Каждый
человек обладает индивидуальные характеристики относительно восприятия лекарственных
средств и лечения.
4. Возбудители болезней адаптируются к существующим лекарством и их дозировке. Постоянно стоит задача поиска эффективных лекарственных средств. Решение этой задачи требует применения новых, в том числе, цифровых подходов.
Согласно информации агентства U.S. Food and Drug Administration разработка лекарственных
средств состоит из пяти этапов (https://www.fda.gov/forpatients/approvals/drugs/).
Первым этапом является поиск (или так называемый скрининг) и разработка нового
лекарственного вещества.
Вторым - этап доклинических исследований, состоит из исследований в пробирке и исследований на животных. Далее разработка переходит в этап клинических исследований, что означает, что эффективность лекарственного вещества уже подтверждена на животных и вероятность отклонения препарата на данном и последующих этапах незначительна по сравнению с ранними этапами.
Технологические платформы для скрининга больших химических коллекций на разнообразных
биологических мишенях чрезвычайно дороги в приобретении и эксплуатации и доступны только большим организациям с миллиардными бюджетами. При общей тенденции к демократизации открытия лекарств, то есть вовлечению в него широкого круга академических лабораторий и малых биотехнологических компаний, появилась необходимость в альтернативных стратегиях скрининга.
Одной из таких альтернатив стал виртуальный скрининг. В основе виртуального скрининга
лежит компьютерный алгоритм, на вход которого можно подать структуру химического
соединения и получить на выходе ответ на вопрос, активно ли соединение по отношению к
терапевтической мишени. Сегодня суммарное предложение химических соединений превышает 20 миллионов субстанций. Все эти миллионы соединений могут быть пропущены через компьютерный алгоритм виртуального скрининга. Те соединения, на которые алгоритм укажет как на потенциально активные, могут быть куплены и тестированы в пробирке.
Огромное достоинство виртуального скрининга в том, что с его помощью в поиск хита вовлекается количество соединений, немыслимое в рамках экспериментального скрининга даже в самых больших фармацевтических компаниях. Его главная слабость в том, что слишком многим пропущенным через алгоритм соединениям присваивается статус потенциально активных. Нередко случается, что среди 50–100 виртуальных хитов, закупленных для экспериментального подтверждения, не оказывается ни одной действительно активной молекулы. Но выявлять этот факт приходится путем экспериментальных лабораторных проверок, которые требуют длительного времени и ресурсов.
Рынок программного обеспечения в этой области развит слабо. Затем начинаются
эксперименты на живых клетках, на животных, в различных моделях болезней. На этом этапе
методом компьютерного дизайна можно быстро улучшить активность хита, но предсказать исход лабораторных испытаний программы для отбора лигандов не способны. Встает задача создания компьютерной программы, ускоряющей и эффективно обрабатывающей и прогнозирующей результаты лабораторных исследований.
Cсылки на исследования и материалы, подтверждающие актуальность
заявленной проблемы
1. Комментарий По данным компании Coral Health в среднем на разработку
одного успешного лекарственного средства затрачивается
около $2,7 млрд Ссылка https://medium.com/@mycoralhealth/the-future-of-ai-in-drugdiscovery-
f976b3746e7d
2. Комментарий В среднем, на разработку одного успешного нового
лекарственного средства уходит от 12 до 15 лет.
Ссылка https://www.eupati.eu/ru/%D0%B8%D0%B7%D1%8B
%D1%81%D0%BA%D0%B0%D0%BD%D0%B8%D0%B5-%D0%BD
%D0%BE%D0%B2%D1%8B%D1%85-%D0%BF
%D1%80%D0%B5%D0%BF
%D0%B0%D1%80%D0%B0%D1%82%D0%BE%D0%B2/
%D1%81%D0%BE%D0%B7%D0%B4%D0%B0%D0%BD
%D0%B8%D0%B5-%D0%BB%D0%B5%D0%BA
%D0%B0%D1%80%D1%81%D1%82%D0%B2%D0%B5%D0%BD
%D0%BD%D1%8B%D1%85-%D0%BF%D1%80%D0%B5%D0%BF
%D0%B0%D1%80%D0%B0%D1%82%D0%BE%D0%B2-%D1%88/
3. Комментарий По прогнозам Journal of Translational Medicine к 2020 мировые
ежегодные затраты на рынке исследований и разработок новых
лекарственных средств достигнут $160 млрд.
Ссылка https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4847363/
4. Комментарий Информация о способах поиска новых лекарств,
преимуществах и недостатках виртуального скрининга и
компьютерном дизайне в разработке препаратов
Ссылка https://postnauka.ru/faq/82566
5. Как проект решает описанную проблему, и в чем заключается
инновационность подхода
Инновационнным подходом в данном проекте является экспресс-оценка эффективности и
потенциальной опасности лигандов на стадии доклинических исследований путем анализа
вариабельности сердечного ритма (ВСР) до и после введения лекарственного препарата.
Оценка производится путем подсчета коэффициента самоорганизации организма и прогнозирования его значений на заданный интервал времени на основе разработанного командой алгоритма, который запатентован в США. Такой метод позволяет количественно оценить эффективность воздействия лекарственного вещества на испытуемый организм и кардинально сокращает сроки исследования за счет ускорения отсева неэффективных лигандов. Важно отметить, что метод основан на персонализированном подходе, а не на анализе усредненных данных.
6. Основные технологические и рыночные тренды в рассматриваемой
отрасли
Описание трендов
По данным консалтингового агентства Clarkston Consulting в 2018 выделены четыре ключевых
тренда в фармацевтической, биотехнологической промышленностях и медоборудовании,
которые значительно влияют на принимаемые бизнес решения
1. Искусственный интеллект (ИИ) - инициативы в сфере аналитики, биг дата, машинное обучение,
блокчейн, интернет вещей и дизайн мышление.
2. Экономическая эффективность: фокус на бизнес, промышленную выгоду и ценовое давление
определяет экономическую эффективность биомедицинских компаний. Это включает усилия на
повышение показателей операционной и затратной эффективности, роста доходов, консолидации
активов и налоговой оптимизации.
3. Персонализация, включает терапию, устройства и методы лечения, созданные для
специфических пациентов и усиливающийся фокус на персонализацию истории пациента через
продвинутые коммуникации и применяемые стратегии и технологии.
4. Цифровизация: Для медико-биологических компаний подразумевается различные инициативы
по вовлечению пациента через цифровые каналы и, что более существенно, больший фокус на
облачные/облачно-гибридные платформы и важность менеджмента данных.
Мировой рынок доклинический исследований в 2016 году оценивался в $3,25 млрд. и в период
до 2025 года ожидается его рост от 8,3% до $6,6 млрд (у разных исследователей). Кроме
того, ожидается, что увеличение внимания компаний, занимающихся наукой о жизни, к их
основным компетенциям в сочетании с увеличением внешнего подряда некруглых функций, будет способствовать росту доклинического рынка аутсорсинга.
Значительный рост бюджета НИОКР на ранних стадиях и поздних стадиях разработки лекарств, который, как ожидается, также будет способствовать росту рынка.
Ключевые аспекты развития рынка:
1. Токсикологическое тестирование занимало наибольшую долю в сегменте услуг по состоянию
на 2016 год и, как ожидается, будет доминировать в течение длительного периода. В данном
сегменте наблюдается тренд аутсорсинга доклинических исследований
2. Биофармацевтические компании являются основными клиентами доклинических поставщиков и занимают самую высокую долю в сегменте конечного использования и, как ожидается, будут доминировать в последующем периоде.
3. Предполагается, что Северная Америка будет доминировать на рынке доклинических
исследований из-за местного присутствия компаний раннего развития, таких как Charles River
Laboratories International, Inc.; Laboratory Corporation of America; and Envigo. Кроме того, более
высокое качество работы, установленный научный опыт, экономическая стабильность и лучшая логистика являются и другими основными факторами доминирования региона на мировом рынке аутсорсинга доклинических испытаний.
4. Некоторые из ключевых игроков на доклиническом рынке - Charles River Laboratories
International, Inc.; Laboratory Corporation of America; Envigo; Eurofins Scientific; PRA Health Science, Inc.; Wuxi AppTec; Medpace, Inc.; Pharmaceutical Product Development, LLC; and Paraxel InternationalCorporation.
Ссылки на соответствующие исследования и материалы
https://clarkstonconsulting.com/insights/pharmaceutical-life-sciences-trends/
https://www.prnewswire.com/news-releases/the-global-preclinical-cro-market-is-anticipated-toreach-
usd-66-billion-by-2025-300597008.html
https://www.grandviewresearch.com/industry-analysis/preclinical-cro-market
Ссылки на наиболее близкие к заявленной Исследовательской деятельности
российские и (или) зарубежные патенты, обладателем которых являются третьи лица.
https://patents.google.com/patent/US5718235A/en
https://patents.google.com/patent/US20080157980A1/en
https://patents.google.com/patent/US7594889B2/en
https://patents.google.com/patent/US20080004539A1/en
https://patents.google.com/patent/US20080004539A1/en
https://patents.google.com/patent/US6272377B1/en
ТЕХНОЛОГИЯ
Описание базовой технологии
Метод работает следующим образом:
устройство обработки данных системы принимает информацию о частоте сердечных сокращений от исследуемого животного. Информация о частоте сердечного ритма может включать в себя данные: среднее значение длительности RR-интервала в изучаемой записи ЭКГ (AVG), значение вариационного размаха RR-интервала (VAR), значение среднеквадратического отклонения интервалов RR (SDE) и значение коэффициента вариации изучаемого ряда кардиоинтервалов (CVE), а также результаты вариационной пульсометрии моду (Mo) и амплитуду моды (AMo) вариационной кривой.
По данным вариационной пульсометрии вычисляется индекс напряжения регуляторных систем (Si).
Анализируется коэффициент адаптации организма до введения препарата и через некоторое
время после введения.
Анализ данных производится с помощью модели на основе распределения Дирихле и β-
распределения (как частного случая более общего распределения Дирихле).
β-распрелеление представляет собой достаточно гибкую модель, описывающую динамику
взаимодействия двух процессов.
В рамках задачи анализа и классификации сердечного ритма указанные два процесса
интерпретируются как регулирование сердечного ритма при помощи автономного и центрального контура или двух функциональных подсистем.
В более сложных задачах, для которых гипотеза о том, что количество взаимодействующих
процессов ограничено двумя, выглядит не правдоподобно, количество взаимодействующих
процессов может быть увеличено до любого конечного числа n. В этом случае имеет место общий случай распределения Дирихле.
Для решения задачи анализа и классификации вариабельности сердечного ритма n можно
увеличить до 2, добавив в модель процесс регулирования сердечного ритма с помощью
дыхательной системы.
Развитие информационно-статистического метода анализа ВСР на основе распределения
Дирихле включает следующее:
Изменение алгоритма с целью использования в качестве исходных данных ряда мгновенных
значений пульса, записанных через равные промежутки времени (1-5 секунд). Необходимое
требование для использования алгоритма с другими более простыми и популярными датчиками, представленными на рынке.
Исследование двумерной случайной величины пульс - частота дыхания средствами
информационно-статистического метода на основе двумерного распределения Дирихле.
Исследование трёхмерной случайной величины пульс - частота дыхания - объём дыхания
средствами информационно-статистического метода на основе трёхмерного распределения
Дирихле. Изучение возможности использования других одномерных случайных величин
(температура тела, ускорения вдоль осей) для построения случайных величины более высоких
размерностей и их дальнейшего исследования.
Продолжение изучения возможности использования других параметров/групп параметров
на ряду с коэффициентом адаптации для построения классификаторов (нейронных сетей,
деревьев решений, пр.) для решения задачи классификации на два класса здоров/болен в
случае различных заболеваний (предынсультное состояние, сахарный диабет, пр.). Получение
удовлетворительных ошибок классификации (не более 25%) для различных заболеваний,
демонстрирующих практическую применимость метода в задаче первичной диагностики/
предупреждения.
Изучение существующих методов анализа ЭКГ в покое. Изучение возможности разработки
оригинального метода анализа ЭКГ в покое средствами распределения Дирихле (возможно,
методами фрактального анализа). Изучение возможности/целесообразности интеграции
существующих/оригинального методов анализа ЭКГ в покое с разработанными методами анализа ВСР.
Предусмотрена возможность автоматической классификации ритмограмм методами
искусственного интеллекта (нейронные сети, деревья решений) на основе большого
количества данных, полученных из международной БД Physionet, кардиологического отделения
нижегородской областной больницы им. Семашко, медицинской академии Нижнего Новгорода.
Имеющие непосредственное отношение к проекту российские и (или) зарубежные научные публикации, патенты и (или) заявки на выдачу патента, а также разработанные алгоритмы, протоколы, программы для ЭВМ и (или) базы данных, исключительные права которые реализованы в рамках открытого кода GPL, публичные ссылки на них
1
Номер 2008613120
Название Программа реализации алгоритма расчета анализов и
прогнозов состояния систем и процессов, протекающих в них на
заданных интервалах времени
Ссылка https://cloud.mail.ru/public/GB3q/hQyY5Dkhm
2
Номер 2008614798
Название Программа реализации алгоритма оценки состояния сложных
систем, процессов, протекающих в них, взаимного влияния
процессов друг на друга на базе многомерного распределения
Дирихле
Ссылка https://cloud.mail.ru/public/8Qga/PYTahPsww
3
Номер 2008614788
Название Программа оценки состояния и взаимодействия сложных
систем на базе многомерных моделей распределения Дирихле
Ссылка https://cloud.mail.ru/public/FFC1/VBMpHZ1kL
4
Номер US 2015/0141859A1
Название System and Methods for cardiac rhithm variability analysis
Ссылка https://cloud.mail.ru/public/CrKC/YQL1u1Zwk__