Использование биологически инспирированных информационных технологии в медико-биологических исследованиях Текст научной статьи по специальности «Компьютерные и информационные науки»

Статья

ganism revealed the visible changers of the microtopography and in the ratio of lymphoid cells populations in white pulp of the spleen. There were clearly recognized signatures of the compensatory reaction in lymphoid tissue of the spleen on the 10-th day of dehydration, which took place on background of abrupt changes in the bloodstream, leading to stagnation of the red pulp and to dysfunctional activity of the organ, as a result.

Key words: lymphocytopoiesis, blasttransformation

УДК 001.8-007

ИСПОЛЬЗОВАНИЕ БИОЛОГИЧЕСКИ ИНСПИРИРОВАННЫХ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИИ В МЕДИКО-БИОЛОГИЧЕСКИХ ИССЛЕДОВАНИЯХ

С.Я. ДАДАШЕВ*, В.В.РУАНЕТ**, А.К. ХЕТАГУРОВА*

Процедура принятия решения (ППР), в области медикобиологических исследований имеет свои особенности и может быть отнесена к трудноформализуемым проблемным ситуациям, т.к. большинство данных в этой области знаний имеют описательный характер и выражаются с помощью формализмов, оценка которых нередко субъективна. В биологии на организменном уровне случайность связана с сущностью самого биологического объекта. Она является его неотъемлемым внутренним признаком, заведомо характеризующим исследуемые процессы. Это является особенностью исследования эффектов воздействия комплекса факторов на биологические системы [1]. С точки зрения математического моделирования, системы делятся на простые и сложные. Если все возможные проявления системы сводятся к сумме проявлений ее компонент, то такая система является простой, несмотря на то, что число ее компонент может быть велико. Для описания простых систем применяются методы анализа, состоящие в последовательном расчленении системы на компоненты и построении моделей все более простых элементов. Таковым в своей основе является метод математического моделирования, в котором модели описываются в форме уравнений, а предсказание поведения системы основывается на их решении [2]. Системы, в которых при вычленении компонент могут быть потеряны принципиальные свойства, а при добавлении компонент возникают качественно новые свойства, называют сложными. Модель сложной системы, основанная на принципах анализа, будет неадекватной изучаемой системе, т.к. при разбиении системы на составляющие теряются ее качественные особенности. Каждая из компонент системы имеет свои свойства и характер поведения в зависимости от состояния и внешних условий. Возможным выходом из положения является построение модели на основе синтеза компонент. Синтетические модели являются практически единственной альтернативой в биологии, медицине, социологии, долгосрочных прогнозах погоды, в макроэкономике и.п. [3].

В основе информационного моделирования лежит принцип «черного ящика». В противоположность аналитическому подходу, при котором моделируется внутренняя структура системы, в синтетическом методе «черного ящика» моделируется внешнее функционирование системы. С точки зрения пользователя модели структура системы спрятана в «черном ящике», который имитирует поведенческие особенности системы.

Функционирование системы в рамках синтетической модели описывается чисто информационно, на основе данных экспериментов или наблюдений над реальной системой. Как правило, информационные модели проигрывают формальным математическим моделям и экспертным системам по степени «объяснимости» выдаваемых результатов, однако отсутствие ограничений на сложность моделируемых систем определяет их важнуюенрршлшвшуюеэнаяимратв 1[#]^и компьютерных информационных технологий (КИТ) является создание систем автоматизации принятия и выполнения решений в сложных многоуровневых и многокомпонентных ситуациях. Основные подходы в развитии перспективных информационных технологий базируются на использовании идей, возникших в ходе междисциплинарных исследований в науках о живом. Привычными становятся такие

**ИОГ им. Н.И.Вавилова Медицинский Колледж РАМН

термины, как нейронные сети, генетические алгоритмы, эволюционное программирование, автономные интеллектуальные агенты, клеточные автоматы, искусственная жизнь [5-7].

Несколько десятилетий назад было положено начало исследованиям методов обработки информации, называемых сегодня нейросетевыми. Именно структурные аналогии с устройством мозга и наличие процесса адаптации к предъявляемым ситуациям (обучение) дали нейроинформатике название, основные идеи и термины, заимствованные, в основном, из нейробиологии и нейрофизиологии. Сегодня исследования в области искусственных нейронных сетей обрели заметную динамику [3, 5].

Искусственные нейронные сети (ИНС) являются удобным базисом для представления информационных моделей. Нейросеть может быть достаточно формально определена, как совокупность простых процессорных элементов (нейронов), обладающих полностью локальным функционированием, объединенных связями (синапсами). Сеть принимает входной сигнал из внешнего мира, и пропускает его сквозь себя с преобразованиями в каждом процессорном элементе. В процессе прохождения сигнала по связям сети происходит его обработка, итогом которой является определенный выходной сигнал. В укрупненном виде ИНС выполняет функциональное соответствие между входом и выходом, и может служить информационной моделью изучаемой системы [3, 5].

В настоящее время разработан ряд типов искусственных нейронных сетей. Наиболее популярными из них являются многослойный персептрон и сеть Кохонена (сеть SOFM - SelfOrganizing Feature Map) [6]. Выбор типа сети зависит от характера поставленной задачи. При решении задач прогнозирования и классификации чаще всего используется многослойный персеп-трон; при решении задач категоризации данных - сеть Кохонена. Информационные модели также могут строиться на основе традиционных методов непараметрической статистики. Такой подход позволяет строить модели систем в случае большого набора экспериментальных данных (достаточного для доказательства статистических гипотез о характере распределения) и при относительно равномерном их распределении в пространстве параметров. Однако при высокой стоимости экспериментальных данных или невозможности получения достаточного их количества, высокой зашумленности, неполноте и противоречивости, нейронные модели оказываются более предпочтительными. Нейронная сеть оказывается избирательно чувствительной в областях скопления данных и дает гладкую интерполяцию в остальных областях [3]. Эта особенность нейросетевых моделей основывается на адаптивной кластеризации данных.

Рис. 1. Топологические карты с конфигурацией ячеек: а - «4 на 4»; б -«16 на 1»

Одной из первых сетей, обладающих свойствами адаптивной кластеризации была карта самоорганизации Т. Кохонена. Задачей нейросети Кохонена является автоматизированное построение отображения набора входных векторов высокой размерности в карту кластеров меньшей размерности, причем, таким образом, что близким кластерам на карте отвечают близкие друг к другу входные вектора в исходном пространстве. При уменьшении размерности пространства сохраняется топологический

С.Я. Дадашев, В.В.Руанет, А.К. Хетагурова и др.

порядок расположения данных. При замене всех векторов каждого кластера его центроидом достигается высокая степень сжатия информации при сохранении ее структуры в целом [7].

Внешний вид, топологических карт (карт кластеров), который представляет пользователю программный пакет Excel Neural Package представлен на рис. 1. Конфигурация сети (число ячеек) задается пользователем. При получении ответа от сети, на карте выделяются только заполненные ячейки, в которые «попал» тот или иной кластер данных. На рис. 1а при конфигурации сети «4 на 4» на карте отмечено 7 ячеек, хотя теоретически возможное число их равно 16. Карты Кохонена применяются в основном, для двух целей. Первая из них - наглядное упорядочивание многопараметрической информации. На практике обычно используются одномерные и двумерные карты. Кластеры, задаваемые узлами карты, содержат группы в некотором смысле похожих наблюдений, которым может быть приписан групповой семантический смысл. В применении к моделированию биологических систем, карты Кохонена могут использоваться для выявления различий в режимах поведения системы, при этом могут выявляться аномальные режимы. Важно, что при этом могут быть обнаружены неожиданные скопления близких данных, последующая интерпретация которых пользователем может привести к получению нового знания об исследуемой системе.

Цель работы - применение нейросетевых технологий -самоорганизующейся карты признаков (сеть Кохонена) и многослойного персептрона (МСП) для анализа повторяющихся последовательностей ДНК, связанных с событиями генетической рекомбинации

Материалы и методы. В работе использованы базы данных GENBANK (www.ncbi.nlm.nih.gov/) и Human Genome Resources database (www.ncbi.nlm.nih.gov/genome/guide/human/). Поиск гомологичных повторяющихся последовательностей (ПП) вели с помощью программы NCBI BLAST для генома человека (www.ncbi.nlm.nih. gov/BLAST). Статистический анализ данных и построение графиков выполняли с помощью пакета STATISTICA v.6 program (StatSoft, Inc, 2001) (STATISTICA data analysis software system, version 6: www.statsoft.com). В качестве эмуляторов ИНС использовали программные продукты: Excel Neural Package и NeuroPro 0.25

Результаты. В рамках исследований, связанных с моделью петельной организации хромосом в мейозе при формировании синаптонемного комплекса (СК), с помощью методов биоинформатики в геноме человека были найдены повторяющиеся последовательности (ПП) ДНК, предположительно отвечающие за присоединение петель хроматина мейотических хромосом к латеральным элементам синаптонемного комплекса. Были так же выявлены консенсусные последовательности для этого класса ПП. Показано, что, по крайней мере, часть из них принадлежит субсемейству Alu-последовательностей - AluJb. Исследовано распределение копий AluJb по главному комплексу гистосовместимости (КГС) человека и их пространственное отношение к сайтам мейотической рекомбинации (МР). По частоте повторов выделены две основные группы ПП (рис 2) [8]. При использовании статистических методов, в частности древовидной кластеризации, не удавалось достичь разделения 1 и 2 групп ПП (рис. 1) на кластеры с преобладанием одной из групп последовательностей. Этот факт свидетельствовал о высокой степени схожести состава и последовательности нуклеотидов в ПП и оставлял открытым вопрос о биологической функции каждой из групп в процессе присоединения петель хроматина мейотических хромосом к латеральным элементам СК. В качестве инструмента для решения задачи, попытки разделения 1 и 2 групп ПП (рис. 2) на кластеры с преобладанием одной из групп последовательностей, были использованы ИНС. Обработку результатов проводили с помощью программных продуктов: «Excel Neural Package» и «NeuroPro 0.25» [9]. В качестве критерия оценки сходства последовательностей были выбраны участки общей протяженностью 254 пар нуклеотидов (п.н.), поэтому каждый образец характеризовался 254 входными параметрами.

Работа с базой данных началась с построения дендрограммы, для чего был выбран бинарный тип ветвления (рис 3). В ходе предыдущих работ нами был разработаны оригинальные методики [10]. Анализируя состав полученных кластеров можно говорить о высокой степени схожести последовательностей нуклеотидов в обеих группах ПП (1 и 2), что подтверждает характер деления, например, наличие сдвоенных кластеров (рис 3) на топологиче-

ской карте. Для таких кластеров усредненные значения входных параметров, принадлежащих им примеров, настолько близки, что сеть не в силах пространственно разграничить для них области данных, как, например на II шаге ветвления для кластера Ап (Вх—Ахх) и Вп (Вх—— Вн) (рис. 4 - 1). Как показывает наш опыт, это свидетельствует о генетическом родстве образцов в выбранной системе оценки и дальнейшее деление подобных кластеров нецелесообразно [10]. Обобщая окончательные результаты деления базы данных можно сделать следующие выводы:

1 - Кластер А1 значительно более гетерогенен по своему составу, чем кластер В1. Для получения окончательного результата для кластера А1 понадобилось девять ветвлений, в то же время для кластера Вх хватило одного (рис.4).

2 - В кластере Ах, можно выделить группу образцов на 70%, состоящую из представителей 2-й группы ПП - кластер Вхх (для получения результата IV ветвления) и гетерогенную группы образцов - кластер Ахх (для получения результата IX ветвления).

3 - Для части представителей 2-ой группы ПП из кластера Ах (рис.4) удается в процессе ветвления получить более или менее однородные кластеры уже на III шаге ветвления - Аш а 84% - (Ах—Ахх—Аш - рис.4); Аш в 84% - (Ах—Бп—Аш - рис.4). Правда, необходимо отметить, что в эти две гомогенные группы входит 43,5% из общего числа всех представителей 2-й группы ПП в базе данных и 56% от всех представителей 2-й группы в Ах. Для 1-й группы ПП этого удается добиться лишь на V шаге ветвления, причем для кластера Ау 70% (Ах— Ахх— Бххх—Аху— Ау) 54% от всех представителей 1-й группы ПП в Ат .

Доля ПП на У-хромосоме

Рис 2 Доля ПП на У-хромосоме (1 - группа последовательностей имеет в своих названиях код 002; 2 - код 004)

пуШ

Рис 3. Результат первого ветвления - а, результат второго ветвления - б для кластера ßI (рис.4)

Бинарный тип ветвления можно считать наиболее субъективным, поскольку сети задаются строгие параметры кластеризации, и у нее нет «свободы выбора». Тем не менее, этот подход наиболее удобен при построении дендрограмм.

В качестве альтернативного подхода для проверки генетической близости объектов нами разработан метод определения состава наиболее устойчивых кластеров. Он основан на том, что образцы, входящие в базу данных, кластеризуются сетью Кохо-нена с использованием карт с различной конфигурацией [l0]. Был проведен скрининг по десяти различным по конфигурации картам. Расположение кластеров на топологической карте и их состав подтверждает вывод, сделанный на основе анализа дендрограммы о том, что обе группы (l и 2) родственно близки в выбранной системе оценок. В качестве примера приведена топологическая карта - 10x1 (рис 4).

На карте только один крупный гомогенный кластер (D) и ряд в той или иной мере гетерогенных кластеров: А - на 80% из 2-й группы ПП; В - на 7З% из 1-й группы ПП; D - 100% из 2-й группы ПП; I - на 80% из 1-й группы ПП; G - на б7% из 1-й группы ПП; H - на 100% из 1-й группы ПП. В состав этих кластеров входит ЗЗ образца, что составляет 71,7% от общего числа образцов. В среднем, с помощью сети Кохонена, удается добиться 80% однородности кластеров. Четко просматриваются две группы образцов: 1 - кластеры А - Е и 2 - G - J, их составы на

С.Я. Дадашев, В.В.Руанет, А.К. Хетагурова и др.

100% идентичны кластерам Ах и Вх (бинарное ветвление) соответственно. Для кластеров С, Е и J (кластеры в которых не удалось при первой кластеризации добиться преобладания какой-либо группы образцов) была проведена кластеризация внутри каждого кластера для выяснения близости вошедших в них образцов. Полученные результаты позволяют говорить о том, что образцы разных групп (1-й и 2-й), входящие в кластер отличаются друг от друга. В перечисленные кластеры входило 13 образцов из них только три: 9aluSq-004, 002-477-1]Ь, 1а1иЦЬ-004 (кластер С - рис. 6) не удалось разделить между собой, т.е. сеть Кохонена с точностью 77% делит образца на группы внутри проблемных кластеров. Попытка разделить образцы 9a1uSq-004, 002-477-ЦЬ, 1а1иЦЬ-004 не увенчалась успехом, т.к. 9a1uSq-004, 002-477-ЦЪ попадали в один кластер. Учитывая свойства сети [7], можно говорить о том, что эти образцы чрезвычайно близки друг к другу в выбранной системе оценки. Подобные исследования были проведены и с другими гетерогенными кластерами, полученные результаты позволяют утверждать, что при проведении повторной кластеризации внутри кластера удается добиться разделения 80% входящих в них образцов на гомогенные группы.

| 10х1 |

A ► □

^ B

C ► ■

* D

E ► ■

G ► ■

■4 H

► ■

< J

D 7aluSq-004

D 23aluS2-004

D 13aluSp-004

D 10aluS2-004

E 002-466-2Y

E 22aluJb-004

E 002-431-2jo

E 2aluJo-004

A 3aluY-004

A 19aluY-004

A 002-321-2Y

A 11aluY-004

A 17aluS2x-004

A 18aluSx-004

B 002-279-2sx

B 12aluSq-004

B 002-375sq

B 002-477-2sq

B 002-431-1sx

B 002-249-1sq

B 002-431-1jb

B 002-325-1s2

B 21aluSx-004

B 002-84sp

B 16aluJb-004

G 002-477-2j/flAm

G 002-375j/flAm

G 002-279-2-2s2x

G 15FAm-004

G 002-419jo/frAm

G 6J0FRAm-004

002-92sp/q

002-419alu

14aluSp/q-004

002-279-1Y43

002-109-1j0

002-279-1jb

J 002279-2-1s2x

J 002445j/flAm

J 20J0/FLAm-004

J 8aluSp/q-004

C 24aluS2-004

C 9aluSq-004

C 002-477-1jb

C 1aluJb-004

C 002-51jb

представители 002 представители 004

Рис. 4. Топологическая карта 10х1

24aluS2-004""|

002-51jb ~|

9aluSq-004 D 002-477-1jb

1aluJb-004

Рис. 5. Результаты кластеризации внутри кластера С

Обобщая результаты, полученные при анализе базы данных с помощью сети Кохонена можно сделать вывод о том, что, не смотря на, высокую степень схожести нуклеотидных последовательностей сеть Кохонена, в отличие от статистических методов, способна различать две группы образцов. Средний показатель правильных ответов лежит в интервале от 70 до 80%, что соответствует общепринятым нормам правильных ответов на тестовой выборке при решении неформализованных задач в разных проблемных областях. По данным [11], норма равна 70-90%.

Для повышения экспертных возможностей предложенного подхода, была проведена работа по созданию интеллектуальной системы, на базе нейросетевых технологий, для определения соответствующих групп образцов (1 и 2). Эффективным средством решения подобных вопросов является сочетание различных

нейросетевых архитектур [12]. В связи с этим нами был использован еще один класс ИНС - многослойный персептрон. Для обучения многослойного персептрона используется алгоритм «обучение с учителем» [9]. Обучающая база данных формировалась на основании наиболее устойчивых кластеров, выделенных при использовании различных по конфигурации карт. Нами была разработана схема создания интеллектуальной системы: массив трудноформализуемой информации^- обработка данных с помощью сети Кохонена для выявления числа категорий в массиве и установления наиболее устойчивых групп образцово создание на основе полученной информации обучающей базы данных для МСП^ обучение МСП и создание интеллектуальной системы для обслуживания лиц, принимающих решения. Все процедуры (по перечисленным этапам) подробно рассмотрены в [10]. Обученный трехслойный персептрон определял группы ПП с точностью 100% для любой из групп (1 и 2).

В процессе формирования обучающей базы данных и обучения многослойного персептрона, на наш взгляд, подтвердилось предположение, о том, что 2-я группа по нуклеотидному составу более разнородна, чем 1-я. Минимальное число образцов, необходимое для создания обучающей базы данных для группы 1, составляло 6, при этом определялось до 90% образцов в тестирующей базе, а для 2-й группы - 14, при этом определялось <50%. При небольшой обучающей выборке в 6-9 образцов, МСП большинство тестируемых образцов из 2-й группы, до 90%, относил к группе 1. Полученные данные позволяют предположить, что нуклеотидные последовательности 1-й группы являются базовыми, а 2-я группа последовательностей возникла на основе первой в процессе эволюции. Для решения вопроса о характере сходств и различий в нуклеотидном составе соответствующих групп ПП (1-й и 2-й) был проведен ряд исследований с химерными (консенсусными) образцами. Механизм создания таких образцов и использование сети Кохонена для решения подобных задач описан в [10]. Первые результаты подтверждают предположение о том, что ПП нуклеотидов в группе 1 являются базовыми, а группа 2 (рис. 2) возникла на ее основе в процессе эволюции. Работа в этом направлении продолжается.

Заключение. При произвольном распределении точек в многомерном пространстве задача таксономии (т.е. разделения всех точек на ряд компактных групп, называемых кластерами) является достаточно сложной, несмотря на то, что имеется целый ряд методов ее решения. Ситуация усложняется в случае, когда число кластеров заранее не известно [3, 6, 9]. Полученные данные позволяют говорить о том, что нам удалось с помощью нейросе-тевых технологий, несмотря на высокую степень схожести последовательностей нуклеотидов в обеих группах ПП ДНК, кластеризовать их с преобладанием одной из групп в кластере, и создать интеллектуальную систему, которая поможет классифицировать вновь выявляемые последовательности. Статистические подходы, например, метод невзвешенного попарного арифметического среднего - UPGMA (unweighted pair-group method using using arithmetic averages) и нейросетевые, сеть Кохонена, по-разному «подходят» к формированию кластера. UPGMA при кластеризации снижает порог, относящийся к решению об объединении 2-х или более объектов в один кластер, а сеть Кохонена использует диаметрально противоположный подход, т.е. в ходе формирования кластеров растет «строгость» подхода к сходству объектов по выбранному(ым) признаку(ам). Использование обоих подходов в процессе кластеризации способствует объективизации таксономической картины изучаемого множества.

В отличие от статистических методов нейросетевые технологии предлагают относительно простую схему решения неформализованных задач прогнозирования и классификации путем формирования алгоритмов решения путем обучения. Алгоритмы рождаются автоматически в процессе обучения на примерах. Это упрощает процесс формализации информации. Такие характеристики, как возможность нелинейного моделирования и сравнительная простота реализации, часто делают их незаменимыми при решении сложных многомерных задач. Они эффективны в разведочном анализе данных, когда надо выяснить, имеются ли зависимости между переменными. Все это позволяет говорить о том, что широкое внедрение нейросетевых технологий в научно-практическую деятельность должно представлять интерес для многих естественнонаучных дисциплин, базирующихся на активном эксперименте и требующих использования современных

Е

C

C

Краткое сообщение

теоретических и технологических подходов к обработке и интерпретации полученной информации.

Литература

1. Фролов Ю.В. Интеллектуальные системы и управленческие решения.- М. 2000.

2. Марчук Г.И. Методы вычислительной математики.- 3-е изд. .- М.:Наука,1989.

3. Терехов С.А. Нейросетевые информационные модели сложных инженерных систем / В кн. Нейроинформатика - Новосибирск: Наука, СО РАН, 1998.

4. Винер Н. Кибернетика, или Управление и связь в животном и машине.- М, 1968.

5. Уоссермэн Ф. Нейрокомпьютерная техника.- М.: Мир,

1992.

6. Hecht-Nielsen R.. // Applied Optics.- 1987.- Vol. 23, № 26.-Р. 4979-4984.

7. Kohonen T. // Biological Cybernetics.- 1982.- Vol. 43.-Р.59-69.

8. Гришаева Т.М. и др. // Генетика.- 2005.- №12.- С. 1339.

9. Круглов В.В., Борисов В.В. Искусственные нейронные сети.- М., Горячая линия - Телеком, 2001.

10. Руанет В.В. и др. Нейросетевые технологии в хромосомном и геномном анализе - искусственные нейронные сети.-М.: Изд. МГУ, 2003.

11. Россиев Д.А. Медицинская нейроинформатика (в книге Нейроинформатика) - Новосибирск «Наука» сибирское предприятие РАН 1998.

12. Галушкин А.А. Нейроинформатика.- Сб. науч. тр.- М., 2001.- Т. 1.- C.11-24.

THE USE OF BIOLOGICAL INSPIRATED INFORMATION TECHNOLOGIES IN MEDICO-BIOLOGICAL RESEARCHS

S.YA. DADASHEV, V.V. RUANET, A.K. KHETAGUROVA Summary

The use of neuronet technologies of self-organized map of sings and multi-sheet perseptor for analysis of data receiving in bioinformation researches of repeted sequences DNA connected with events of genetic recombinations is studied

Key words: neuronet technologies, genetic recombinations

УДК 579.22/ .056. 27

АНКЕТНО-СТАТИСТИЧЕСКОЕ ИЗУЧЕНИЕ СОСТОЯНИЯ ЗДОРОВЬЯ НАСЕЛЕНИЯ РЕГИОНА КУРСКОЙ МАГНИТНОЙ АНОМАЛИИ.

Н.Н. ЗАБРОДА *

Наиболее чувствительными к неблагоприятным экологическим воздействиям являются дети, беременные и кормящие матери. Частота анемий у беременных женщин увеличилась в 12 раз, болезни почек - в 3,6 раза, болезни системы кровообращений - в 3,1 раза, поздних токсикозов - в 2,1 раза. В последние годы показатели заболеваемости повысились. При воздействии атмосферных загрязнений химической природы отмечаются, как правило, однотипные физиологические реакции организма человека, в том числе ребенка. Vногие вещества, загрязняющие атмосферный воздух (оксид серы и азота), вызывают раздражение слизистой оболочек дыхательных путей и конъюнктивы глаз, что связано с высокой абсорбционной способностью и чувствительностью последних. В результате отмечается повышенная распространенность заболеваний органов дыхания, ЛОР органов и глаз.

Химические соединения, обладающие иммунотоксически-ми свойствами, уже в подпороговых концентрациях могут вызывать нарушения и задерживать развитие иммунной системы ребенка [1]. Наконец, многие химические соединения, загрязняющие окружающую среду, способны оказывать на организм специфическое действие, проявляющееся не в период воздействия и не сразу после его окончания, а в отдаленные периоды жизни, часто отдаленные от периода химической экспозиции многими годами и даже десятилетиями. Еще серьезнее для общества проявление неблагоприятных химически обусловленных эффектов в последующих поколениях [2]. Одним из условий получения достоверных результатов является использование стандартизирован-

* ГОУ ВПО КГМУ, г. Курск 305041, Курск, ул.К.Маркса 3, медуниверситет,

ной медицинской документации. При обследовании населения незаменимым является метод скрининга.

Результаты. Крупнейшими источниками загрязнения воздушной среды в Железногорском районе является объект Михайловского ГОКа: карьер по добыче руды и кварцитов (выбрасывает в атмосферу кремнесодержащую пыль); дробильносортировочная фабрика по переработке богатых руд (выбрасывает пыль, содержащую СО, КО2), фабрика обогащения и окомкования по переработке железистых кварцитов (СО, 802 ); отвалы пород, хвостохранилище (пыление); объекты ремонтного назначения (80, N0, СО), автотранспорт ГОКа (СО2, N02, углеводороды); котельные (8О2, N02). Основное пылевое загрязнение происходит при взрывных и карьерных работах (бурение, дробление и выброс пород взрывом, погрузочно-разгрузочные работы, транспортировка и отвалообразование). В 2003 году в атмосферу выброшено 20176 т загрязняющих веществ, что на 740,4 т больше, чем в 2002 году, на 1 жителя города приходится в среднем 206 кг загрязняющих веществ. По городу Курску загрязнение воздуха оценивается как высокий. Индекс загрязнения атмосферы составила. Стандартный индекс (наибольшая измеренная за короткий период времени концентрация примеси, деленная на ПДК) равен

4, (2001 г. - 5), наибольшая повторяемость превышений ПДК -21% (2001 г. - 10%). Больше всего воздух загрязнен формальдегидом 2,96, бенз(а)пиреном 4,0, диоксидом азота 1,46. Население г.Железногорска предъявляло жалобы на загрязнение воздуха 50,4 % и г. Курска 30 %. Из 50 человек, подвергнутых анкетностатистическому изучению состояния здоровья, выяснено, что у опрошенных матерей наблюдались ранние выкидыши и мертво-рождения в количестве 12% (6) изучаемой группы матерей г.Железногорска, родившиеся дети выписаны из роддома здоровыми 70% (35) детей и дети были переведены в стационар из роддома 14% (7). На момент исследования родители отмечали у детей приступы затрудненного дыхания или навязчивого кашля с трудноотделяемой мокротой, данные симптомы отмечались при нормальной температуре тела и составили 22% (11).

Слабость и утомляемость, плохая переносимость нагрузок физических с жалобами на одышку и сердцебиение, головокружение и обмороки 21 положительный ответ. Головные боли, не связанные с простудными заболеваниями 26% (13). Боли в животе 52% (26). В течение последнего года болели ОРЗ или ОРВИ 80% (50). Сколько раз в году ставился диагноз бронхит или ребенок кашлял по 2 недели и больше 42% (21). Дети болели пневмонией, из числа опрошенных - 10 детей. При ответе на вопрос: «Здоров ли Ваш ребенок, чем болел?» - родители отмечали частые ОРЗ, затем - заболевания ЖКТ, бронхиальная астма. Из 57 человек г.Курска, подвергнутых анкетно-статистическому изучению состояния здоровья, выяснено из анамнеза, что у опрошенных матерей наблюдались ранние выкидыши и мертворождения в количестве 6, что составило (10%); выписаны из роддома здоровыми 51 (89%). На вопрос о встречаемости профессиональных вредностей у родителей за 2 года до рождения ребенка, ответили положительно родители г.Железногорска 28% (14) из числа опрошенных и в г.Курске ответили положительно 14% (8). По г.Курску при анкетно-статистическом методе изучения уровня здоровья, отмечают частые ОРЗ, на втором месте близорукость. При субъективном методе оценки здоровья жителей г. Железногорска, у жителей выше заболеваемость ОРЗ и ОРВИ, выше процент заболеваемости пневмонией, отмечается значительная разница в проценте жалоб со стороны сердечно-сосудистой системы.

Выводы. Из проведенного анкетно-статистического метода оценки здоровья популяции мы видим, что имеется вклад негативного воздействия компонентов внешней среды на состояние здоровья детской популяции изучаемого региона. Население Железногорска при анкетном опросе достоверно чаще предъявляло жалобы на загрязнение воздуха выбросами 50,4% и 30%, ухудшение самочувствия, слабость и утомляемость 42% и 40%, по всем позициям процент положительных ответов выше в Железногорске, чем в контрольном городе. Сравниваемые города однородны по социально-бытовым условиям.

Литература

1. Ваганов Н. // Рос. вестн. перинат. и пед.-1993.- №1.-С. 5-9.

2. Студеникина М.Я., Ефимова А А. Экология и здоровье детей.- М., 1998.- С. 157.