Discrete and Continuous Models and Applied Computational ScienceDiscrete and Continuous Models and Applied Computational ScienceDiscrete and Continuous Models and Applied Computational Science2658-46702658-7149Peoples' Friendship University of Russia named after Patrice Lumumba (RUDN University)8368ArticlesСтатьиResearch ArticleComparative Study of Cluster and Neural Network Methods in the Problem of Protein Structure AnalysisСравнительное исследование кластерного и нейросетевого подходов в задаче анализа белковых структурBaranovD AБарановДмитрий АлександровичLaboratory of Information TechnologiesЛаборатория информационных технологийDmitriyBaranof@gmail.comOsoskovG AОсосковГеннадий АлексеевичLaboratory of Information TechnologiesЛаборатория информационных технологийososkov@jinr.ruBaranovA AБарановАндрей Александровичandbar91@yandex.ruJoint Institute for Nuclear ResearchОбъединённый институт ядерных исследованийMoscow State Institute of Radio Engineering, Electronics and AutomationМосковский государственный технический университет радиотехники, электроники и автоматики (технический университет)150220142NO2 (2014)№2 (2014)23423808092016Copyright ©; 2014, Баранов Д.А., Ососков Г.А., Баранов А.А.2014Баранов Д.А., Ососков Г.А., Баранов А.А.http://creativecommons.org/licenses/by/4.0https://journals.rudn.ru/miph/article/view/8368This work continues the previous study where the important problem of automatization of differentiation methods of the genetic protein structures according to their electrophoretic spectrums (EPS) was considered. The multicriterion problem of the agriculture cultivar identification by their spectra caused the idea of its solution by an artificial neural network (ANN) trained on an expert data base. In the given paper peculiarities of the neural net use as well as the purposefulness of cluster analysis applications for the EPS classifying are studied. A special model of multidimensional vectors adequately imitating the most essential characteristics of real data obtained after EPS digitalization, denoising and normalization is developed. A numerical experiment is fulfilled on such simulated data stream to study the influence of contamination and distortion factors on the ANN efficiency in order to suppress those factors and improve ANN functioning. Various methods of cluster analysis are also applied to simulated multidimensional data as either an ANN alternative or more soundly as a prior stage of a coarse data classification in some set of detached cultivar groups to be classified next by ANN.В данной статье описывается работа, которая является продолжением предыдущего исследования, направленного на поиски решения проблем, возникающих в задаче автоматизации процедуры распознавания генетических белковых структур по их электрофоретическим спектрам (ЭФ-спектрам). Спектральная идентификация сортовой принадлежности зёрен пшеницы является одной из важных сельскохозяйственных задач, для решения которой было предложено использовать Искусственную Нейронную Сеть (ИНС), обученную на выборке из специально подготовленных экспертами сортов. Рассматриваются особенности применения методов нейросетевой классификации и кластерного анализа на примере определения сортовой принадлежности ЭФ-спектров. Правомерность использования предложенных алгоритмов подтверждается положительными результатами, полученными на основе специально подготовленных модельных данных в виде многомерных векторов, имитирующих особенности реальных ЭФспектров, прошедших предварительную обработку, которая включает оцифровку, устранение шумовых и фоновых составляющих, нормализацию. По естественной причине генетического сходства, наблюдаемого у некоторых родственных сортов, ЭФ-спектры имеют трудно различимый характер, что оказывает неблагоприятное влияние на эффективность распознавания схожих экземпляров средствами ИНС. Это накладывает ограничение на количество одновременно распознаваемых сортов. Для преодоления данной особенности был предложен алгоритм кластерного разбиения всего множества сортов на отдельные сортовые группы с последующим применением нейросетевой обработки для каждой группы.artificial neural networksclassificationclusterizationgenetic analysiselectrophoretic spectraискусственные нейронные сетиклассификациякластеризациягенетический анализопределение сортовой принадлежностиэлектрофоретический спектр1.Haykin S. Nueral Networks. A Comprehensive Foundation. - New Jersey: Prentice Hall, 2006.2.Ososkov G. A., Baranov D. A. Feature Extraction for Data Input to Neuro-Classifiers // Mathematical Modeling and Computational Physics (MMCP 2009): Book of Abstract of the International Conference (Dubna, July 7-11). - 2009. - Pp. 110-111.3.Ososkov G. A., Baranov D. A. Extraction of Data Features for Neuro-Classifier Input // Bulletin of PFUR. Series “Mathematics. Information Sciences. Physics”. - 2010. - No 3. - Pp. 142-148.4.Ruanet V. V., Kudryavtsev A. M., Dadashev S. Y. The Use of Artificial Neural Networks for Automatic Analysis and Genetic Identification of Gliadin Electrophoretic Spectra in Durum Wheat // Russian Journal of Genetics. - 2001. - Vol. 37, No 10. - Pp. 1207-1209.5.Duran B. S., Odell P. L. Cluster Analysis. - New York: Springer Verlag, 1947.