A kínai orvoslás összetevőinek hasonlósági mérése a hideg-meleg természet azonosításához

További információért:emily.li@wecistanche.com

Guo-Hui Wei, Xian-Jun Fu, Zhen-Guo Wang

1Key Laboratory of Theory of TCM, Kína Oktatási Minisztériuma, Shandong University of Traditional Chinese Medicine, Jinan, Kína.

Kiemelések

Ebben a tanulmányban igazoltuk azt a hipotézist, hogykínaigyógyszerekhasonló összetételű anyagoknak hasonló gyógyászati ​​természetűeknek kell lenniük. Kémiai ujjlenyomatokat használtunk a kínai gyógyszerek kémiai összetevőinek elemzésére. Távolságmérővel mértük az összetevők hasonlóságát, és egy visszakereső sémát terveztünk a hideg-meleg természet azonosítására.kínaigyógyszerek.

A Cistanche egy nagyon jó kínai orvoslás

Absztrakt

Célkitűzés: Természetelméletkínaigyógyszer(CM) az alapvető alapelméletHagyományoskínaiGyógyszer(TCM), amelyben a hideg-meleg természet áll a kutatás középpontjában. Tanulmányok kimutatták, hogy a CM-összetevők jelentik a gyógyszertermészetek előállításának anyagi alapját. Ezért a feltételezések szerint a hasonló anyagösszetételű CM-eknek hasonló gyógyászati ​​természetűeknek kell lenniük. A modern munka a CM-ek hideg-meleg gyógyászatát vizsgálja kémiai ujjlenyomat technológiával, mivel a CM kémiai ujjlenyomat adatai tükrözhetik a CM összetevőinek teljes összetételét.

Módszerek: A fenti hipotézis igazolására ebben a munkában a CM összetevőinek és az ujjlenyomat-hasonlóságnak a számszerűsítését tanulmányozzuk, és feltárjuk a kapcsolatot a CM-ek összetétele és a hideg-meleg természet között. Először is, ultraibolya (UV) spektrum technológiát használunk 61 CM elemzésére, amelyek egyértelműen hideg-meleg természetűek (beleértve a 30 'hideg' és 31 "forró" CM-eket). Másodszor, a CM-ek felépített ujjlenyomat-adatbázisával. távmetrikus tanulási algoritmust tanulmányoznak az UV-ujjlenyomatok hasonlóságának mérésére. Végül egy visszakeresési sémát javasolnak egy prediktív azonosítási modell felépítésére a CM-ek hideg-meleg természetének azonosítására.

Eredmények: Számos kísérleti elemzés segítségével a petroléter oldószer ultraibolya spektrumadatai jobban reprezentálják a CM-eket, hogy megkülönböztessék a hideg és meleg természetet. A meglévő klasszikus modellekhez képest a javasolt azonosítási séma jobb prediktív teljesítményt nyújt.

Következtetés: A kísérleti eredmények igazolják azt a következtetésünket, hogy a hasonló anyagösszetételű CM-eknek hasonló gyógyászati ​​természetűeknek kell lenniük. A javasolt előrejelzési modell hatékonynak és megvalósíthatónak bizonyult.

Kulcsszavak: Hagyományos kínai orvoslás,kínaiGyógyszerösszetevőket, Ultraibolya spektrum, Hasonlóságmérés, Hideg-meleg természet

Háttér

A hagyományos kínai orvoslás (TCM) egyik alapvető elemeként a TCM természetelmélete már évek óta felkeltette a tudósok és kutatóintézetek figyelmét. A természetekínaigyógyszer(CM) négy típust tartalmaznak, pl. hűvös, hideg, meleg és meleg, amelyek a hideg és meleg természet fontos része a TCM természetelméletének [1,2]." A forró szindróma kezelése hideg természetgyógyászattal és a hideg szindróma kezelése meleg természetgyógyászattal" azt jelzi, hogy a hideg ill. forró tulajdonsága az orvostudomány természetelméletének fontos alapja a TCM kezelésének az egyensúly szabályozásábanYinésYangAz emberi szervezetben a hideg-meleg gyógymód alkalmazása hatékony kezelést eredményez a TCM klinikai gyógyászatában [3].

Számos szakember eltérő nézeteket vall a TCM hideg-meleg természetéről. Jin et al.[4] egy „három elemes matematikai elemzési modellt javasolt a TCM biológiai karakterének kutatására a hideg-meleg gyógyászati ​​természet alapján. Zhao et al. [5] a Mahuang és Maxingshigan főzetek hideg-forró jellegének megkülönböztetésére hideg/forrólemezes módszert vizsgált. Wan et al.[6] vizsgálta a különböző tulajdonságokkal rendelkező TCM hatását élesztő által kiváltott lázban szenvedő patkányok hőszabályozására és hőmérséklet-érzékeny tranziens receptor-potenciáló csatorna fehérjére. Liang et al.[7] a kínai gyógynövények hideg és meleg tulajdonságait elemezte molekuláris hálózatos és kémiai fragmentum módszerekkel. Wang és mtsai. [8] 59 CHM-et azonosított, amelyek tipikus hideg/meleg tulajdonságokkal rendelkeznek önszervező térkép segítségével. Fu és mtsai. [9,10] jelenlétét vizsgáltarákellenestevékenységa hagyományos kínai tengeri gyógyászat hideg-meleg természete mutatja meg filogenetikai faelemzéssel, és a Silico-hatásmód módszerrel tárták fel, hogy megmagyarázzák a CM-ek hideg, meleg és semleges természetét.

A CM-ek hideg-meleg természetének megkülönböztetése általában két részből áll: a jellemző reprezentációból és a természetes osztályozásból. A jellemzők megjelenítése a CM, az ujjlenyomat-technológia vagy a metabolomikai módszer eredeti hatásait használja a CM jellemzőinek kinyerésére. A természet szerinti osztályozásnak klasszikus gépi tanulási osztályozókat vagy konstruált osztályozókat kell használnia a CM-ek hideg-meleg természetének megkülönböztetésére. A kínai orvoslás eredeti hatásai hatékony jellemző kifejezés. A Xue kutatócsoport [11-13] feltárta a CM-ek eredeti hatékonysági jellemzőit a következő helyen:kínaiGyógynövényGyógyszer(CHM)" és klasszikus osztályozókat (például mesterséges neurális hálózatokat) használtak a CM-ek ismeretlen természetének osztályozására. A metabolomikai módszert is használják a CM-ek ábrázolására. Nie és munkatársai [14] a CM-ek metabolikus jellemzőit tanulmányozták, és egy Véletlenszerű erdőmodell a CM-ek ismeretlen természetének megkülönböztetésére. A kémiai technológia fontos módszer a hideg-meleg természet elemzésére. Long és munkatársai [15] 284 CM kémiai összetevőit elemezték, amelyek egyértelműen orvosi természetűek, és egy kombinációs rendszert tártak fel az előrejelzésre más CM-ek hideg-meleg természete, Más módszereket, például a proton magmágneses rezonancia spektroszkópiáját (1H-NMR) alkalmazzák a CM-ek jellemzőinek vizsgálatára. A CM-ek jellemzőit a [16] lista tanulmányozta 1H-NMR-rel és mintafelismerő technikákat alkalmazott a CM-ek ismeretlen természetének elemzésére.

A klasszikus osztályozók kivételével a visszakeresési séma az egyik legnépszerűbb és hatékony osztályozási séma, amelyet széles körben alkalmaztak jóindulatú és rosszindulatú mammográfiás és tüdőcsomók azonosítására [17-20]. A hagyományos osztályozókhoz képest a visszakeresési séma a legtöbb hasonló esetet nyújthatja elemzésre és hivatkozásra. Ezért a hasonlósági mérték fontos szerepet játszik az osztályozás visszakeresési sémájában. Munkacsoportunk sok kutatómunkát végzett a pulmonalis csomók felvételeinek hasonlóságmérésével kapcsolatban [20,21]. Számszerűsítjük a tüdőcsomók képeinek és a távolságmérők hasonlóságát. Bár a hasonlóság mérését széles körben tanulmányozták orvosi képeken, ritkán használják a CM-ek természetének azonosítására.

Az orvostudomány jelenlegi kutatása a CM természetének és az anyagösszetételnek a CM-eken belüli kapcsolatának feltárására irányult. Például kémiai ujjlenyomat-vételi technikákat és CM-természet-diszkrimináns modelleket alkalmaznak a CM anyagösszetételének elemzésére. A CM kémiai ujjlenyomat-adatai tükrözhetik a CM összetevőinek teljes összetételét. A bioaktivitást az anyag összetétele határozza meg. és a CM-ek bioaktivitása képezi a gyógyszertermészet azonosításának magját [2]. Így az anyagösszetétel közvetve meghatározza a CM-ek természetét. Tanulmányok kimutatták, hogy a CM-összetevők jelentik a gyógyszertermészetek előállításának anyagi alapját [10]. Ezért a feltételezések szerint a hasonló anyagösszetételű CM-eknek hasonló gyógyászati ​​természetűeknek kell lenniük.

A fent javasolt hipotézis igazolására ebben a munkában a CM összetevői és a hideg-meleg gyógyászati ​​természet közötti kapcsolatot tárjuk fel. Először is, ultraibolya (UV) spektrum technológiával egy CM összetevő adatbázist készítünk, amely 61 CM-et reprezentál, amelyek egyértelműen hideg-meleg természettel rendelkeznek (ebből 30 „hideg” és 31 „forró” CM). Másodszor, a CM-összetevők távolságmérőkkel való hasonlóságának számszerűsítését tanulmányozzuk. A Mahalanobis távolságot megtanulták a CM-ek UV-ujjlenyomatainak hasonlóságának mérésére. Végül egy visszakeresési sémát javasolnak egy prediktív azonosítási modell felépítésére a CM-ek hideg-meleg természetének előrejelzésére.

Anyagok és metódusok

TCM adatkészlet

Ebben a tanulmányban 61 reprezentatív CM-et elemeznek, amelyekből 30 CM „megfázás elleni gyógyszer”, míg mások „meleg gyógyszerek”. Mind a 61 CM-et a klasszikus "Kínai Materia Medica" és a "Shen Nong's Herbal Classic" jelöléssel látták el. Az 1. táblázat a 61 reprezentatív CM-et és azok természetét mutatja be (a jellemzők zárójelben).

UV ujjlenyomat-technológiát használnak a 61 CM tesztelésére. A fő műszer az UV-3010 UV-spektrofotométer (Hitachi, Japán). Csoportunk négy különböző oldószerrel (kloroform, desztillált víz, abszolút etanol, petroléter) összesen 61 CM abszorbanciáját rögzítette 190-400nm ultraibolya hullámhosszon. Az UV-ujjlenyomat vételének részletes módja a kéziratban található [25]. Mint „forró” gyógyszer, a mustármagot a klasszikus „kínai Materia Medica” és „Shen Nong's Herbal Classic” megjelölték. Az 1. ábra a Jiezhi (mustármag) és a GeGen (Puerariae Lobatae Radix) UV-elnyelési görbéjét mutatja petroléter oldószerrel.

UV ujjlenyomat hasonlóság

Ebben a tanulmányban a hideg-meleg természet és a CM-ek anyagösszetétele közötti kapcsolatot vizsgáljuk. A hipotézis igazolására a hasonló anyagösszetételű CM-eknek hasonló gyógyászati ​​természetűeknek kell lenniük, számszerűsíteni kívánjuk a CM-összetevők hasonlóságát és feltárni a CM természetének azonosításának módszerét. Az UV-ujjlenyomat tükrözi a CM anyagösszetételét. Ezért szeretnénk feltárni a hideg-meleg természetet UV-ujjlenyomatok alapján. Ha a CM-ek összetevői hasonlóak, akkor azt gondolhatjuk, hogy gyógyászati ​​tulajdonságaik hasonlóak. Ezért a hasonló UV-ujjlenyomattal rendelkező CM-eknek ugyanolyan gyógyászati ​​természetűeknek kell lenniük.

A hasonlóság mértékét szemantikai relevanciaként határoztuk meg, amelyet tanulmányunkban a tüdőcsomók képeinek hasonlóságának mérésére használtunk [21]. Ha két CM mindkettő megfázás elleni gyógyszer, szemantikailag hasonlóak. A Mahalanobis-távolságot a CM-ek UV-ujjlenyomatainak hasonlóságának mérésére használják. Minél kisebb a Mahalanobis távolság, annál nagyobb az UV-ujjlenyomatok hasonlósága.

Teljesítmény értékelés

Ebben az alfejezetben a hideg-meleg természet azonosítására javasolt visszakeresési séma megvalósíthatóságának ellenőrzésére kiterjedt kísérleteket készítünk a visszakeresési séma teljesítményének értékelésére. Sémánk teljesítményét összehasonlítjuk a legmodernebb osztályozási modellekkel, beleértve az extrém leaming gépet (ELM)[24], a mesterséges neurális hálózatot (ANN) és a támogató vektorgépet (SVM). Minden kísérlet kiértékelése a meglévő TCM adatkészleten alapul. Az alkalmazás segít a CM ismeretlen természetének tesztelésében azáltal, hogy lekéri a CM-ek hasonló UV-spektrumait tiszta hideg-meleg természettel. Ebben a vizsgálatban először összehasonlítottuk az UV-spektrumok természetazonosítási teljesítményét különböző oldószerekkel, és kiválasztottuk az optimális azonosítási teljesítménynek megfelelő oldószert. Másodszor, kísérleteket terveztünk a javasolt rendszerteljesítmény értékelésére, ezt nevezzük stabilitásértékelésnek. Harmadszor példákkal illusztráltuk a visszakeresési sémát. Végül egy független adatkészletet használnak a javasolt algoritmus robusztusságának tesztelésére.

Kísérleteinkben stabilitásértékelést használunk a javasolt előrejelzési modell teljesítményének elemzésére. A stabilitás értékelését az egy-egy CM-kihagyás módszerrel [20] számítjuk ki a teljes adatállományban. Minden alkalommal egy CM lett kiválasztva lekérdezési CM-ként, és a fennmaradó 60 CM referencia-adatbázisként. Mivel minden TCM volt kiválasztva lekérdezés CM-ként, ezt a folyamatot 6-szor hajtották végre. Ebben a visszakeresési sémában a K'leghasonlóbbakat kerestük, majd megkaptuk a hideg természet valószínűségét. Végül 61 valószínűséget számoltak ki. A „hideg természeti valószínűség” küszöbértékének változtatásával a vevő működési jellemzői (ROC) görbe jön létre. A ROC-görbe alatti területet (AUC) és az előrejelzési pontosságot (ACC) használjuk a rendszerünk teljesítményének értékelésére. Minél nagyobb a terület, annál stabilabb a modell, az ACC érték a CM-ek hideg-meleg természetének helyes osztályozásának valószínűsége. Az ACC képlete a következő:

A stabilitás értékeléséhez az AUC és ACC értéket alkalmaztuk.

Eredmények

Teljesítményértékelés különböző oldószerekkel.

A CM-ek kémiai ujjlenyomata tükrözi a CM-ek anyagösszetételét. Az UV-spektrumok a CM-ek egyik ujjlenyomata, amely felhasználható a CM-ek hideg-meleg természetének megkülönböztetésére. Ebben a tanulmányban kísérleteket készítünk az anyagösszetétel és a CM-ek természete közötti kapcsolat kvantitatív elemzésére ultraibolya spektroszkópia segítségével.

Ebben a munkában az UV-spektrumok osztályozási teljesítményét különböző oldószerekkel (desztillált víz, kloroform, petroléter, abszolút etanol) elemeztük, hogy az optimális felismerési teljesítmény érdekében az oldószer alatti UV-adatokat kiválasszuk. A sémánk paramétereinek kiértékelésére az egy-egy CM-kihagyás módszert használjuk. A 2. ábra az UV-spektrumok gyógyszertermészet szerinti osztályozásának ACC-értékgörbéit mutatja különböző oldószerekkel. Az ACC-értéket a visszakeresett hivatkozott CM-ek számának (K) függvényében számítják ki, hogy átfogóbb görbét kapjunk a modell teljesítményének előrejelzéséhez. A 2. ábrán az ACC-érték görbéje petroléter oldószer esetén jobb, mint más oldószereknél, ami azt jelenti, hogy a petroléter oldószer UV-spektruma a legjobb hideg-meleg természet diszkriminációs teljesítményt nyújt. Ha K értéke 7, akkor az ACC-érték görbéje petroléter oldószer esetén csúcsot mutat. Az azonosítási teljesítmény eléri a 0.803 maximális értéket. Az abszolút etanol alatti ACC-érték görbéje alapján az UV-ujjlenyomat abszolút etanollal rendelkezik a legalacsonyabb előrejelzési teljesítménnyel. A CM természetazonosítása desztillált vízzel és kloroformmal gyengébb, mint a petroléterrel, de jobban teljesít, mint az abszolút etanol oldószerrel. Az ábra szerint a desztillált víz és a kloroform maximális ACC értéke egyaránt 0,656. Ezért ez a két oldószer nem alkalmas az orvostudomány természetének előrejelzésére.

Ebben a vizsgálatban a p paraméter hatása pl. (4) petroléter alatt oldószert vizsgálnak, hogy értékeljék a hideg-meleg természet előrejelző teljesítményét. Az er p értéke a tartományon belül van beállítva

paraméter【10-3,10*²,10',1,5,10,102,103】1. A 3A ábra az ACC-értékgörbét mutatja különböző p-vel. Megállapítható, hogy a teljesítménygörbe kis ingadozásokkal rendelkezik, és az ACC érték akkor éri el a maximumot, ha p paramétert 5-re állítjuk.

A javasolt visszakeresési algoritmusban a k sajátvektorok számát a [50 100 150 200 210] tartományon belül elemzi. A 3B. ábráról a növekvő k számmal magasabb ACC-érték érhető el. A maximális osztályozási teljesítmény (ACC érték) a k=210 sajátvektorok maximális számának felel meg.

Modell teljesítményértékelés

A CM-ek hideg-meleg természetének azonosítására javasolt visszakeresési sémánk megvalósíthatóságának és stabilitásának demonstrálására ez a tanulmány összehasonlítja sémánk osztályozási teljesítményét (az "RS"-ként jelölő visszakeresési séma) néhány klasszikus osztályozóéval (pl. ANN, SVM, ELM) vagy a CM természetazonosításban használt osztályozók. Minden összehasonlító algoritmus az adatkészlet optimális paramétereit használja. Az előző fejezet eredményei szerint a petroléter oldószeres UV-spektrum adatait a hidegtartási természet előrejelzésének tanulmányozására használjuk. A 2. táblázat az RS és más algoritmusok stabilitásértékelésének teljesítmény-összehasonlítását mutatja be. A Pearson-korrelációs együttható (PCC) összehasonlító referenciaként szolgál az UV-spektrumok hasonlóságának mérésére. A hideg-meleg természet előrejelzési eredményei alapján a következő következtetést vonhatjuk le. Először is, az RS rendszerünk teljesít a legjobban a hideg-meleg természet azonosításában. Különösen az RS és a PCC jobb azonosítási pontossággal rendelkezik, mint más klasszikus összehasonlító algoritmusok. Ez azt szemlélteti, hogy a hasonló ultraibolya spektrummal rendelkező kínai gyógyszerek hasonló gyógyászati ​​jellegűek. Másodszor, az UV spektrumadatokkal rendelkező ANN és ​​ELM gyenge a gyógyszertermészet azonosításában.

Harmadszor, az SVM azonosítási pontossága jobb, mint az ANN-é és az ELM-é. Ez azonban szegényes, mint a mi rendszerünk. Végül a rendszerünk stabilitási értékelése a legjobb.

Előrejelzési példák

A kihagyás módszert az előrejelzési példák előállítására használják. Az RS által visszaadott két visszakeresési CM-eset a 3. táblázatban található. A Kínai gyógyászat lekérdezés (első sor) és annak legfelső k=7 lekérdezett referencia-CM-je látható a táblázatban. A visszakeresett referencia CM-eket az RS kiszámítja, és monoton növekményes Mahalanobis távolsággal rangsorolja. A hideg-meleg gyógyszerazonosítás elvét szemléltetve a hideg-meleg gyógyszerek (DiFuZhi(Kochiae Fructus)) és a meleggyógyszerek (BiBa(Piperis Longi Fructus)) szolgálnak példaként. Az első oszlopban a gyógyszer lekérdezése a Piperis Longi Fructus. A kikeresett referenciagyógyszerek mind forró természetűek. A kiszámított hideg természet valószínűsége 0, ami azt jelzi, hogy a gyógyszer lekérdezés lehet forró természet. A második oszlopban a gyógyszer lekérdezés a Kochiae Fructus. A letöltött eredmények hat hideg természetgyógyászatot és egy meleg természetgyógyászatot tartalmaznak. Hideg természetének valószínűsége 0,9464, ami azt jelzi, hogy a gyógyszer lekérdezés nagyobb valószínűséggel hideg természetű. Az előrejelzési példák azt mutatják, hogy a hasonló UV-ujjlenyomatok ugyanazt az orvosi természetet jellemezhetik.

Általános előrejelzési teljesítmény.

Ebben a tanulmányban a javasolt RS módszer holisztikus értékelését végezzük. A 4. táblázat mutatja a 61 CM előrejelzési zavaros mátrixát. A teljes előrejelzési pontosság 80,3 százalék (49/61). A hideg természetgyógyászat azonosítási pontossága 86,7 százalék (26/30), míg a meleg természetgyógyászat előrejelzési pontossága 74,2 (23/31). Látható, hogy ez a séma jó előrejelzési arányt mutat a hideg természetű gyógyszerekre. A 61 CM-es azonosítás visszahívását, pontosságát és F-pontszámát az 5. táblázat sorolja fel. Általában jó azonosítási arányú a rendszerünk.

A javasolt robusztussága

módszer Egy független adatkészletet használunk a javasolt algoritmus robusztusságának tesztelésére. Ebben az adatkészletben a molekuláris leírók kiszámítása a CM-eket reprezentálja, beleértve a Molweight, H. Acceptors, H. Donors, Polar.Surface.Area, Rotatable.Bonds, Sp3.Atoms, Symmetric. atomok és aminok. A részletes folyamat leírása a [10] kéziratban található. Az adatállományban 534 meleg és 724 megfázás elleni gyógyszer található. A 6. táblázat 1258 CM (534 plusz 724 gyógyszer) azonosítási zavaros mátrixát mutatja. A teljes azonosítási pontosság 81,1 százalék (1020/1258). A hideg természetgyógyászati ​​készítmények előrejelzési pontossága 83,0 százalék (443/534), míg a meleg természetgyógyászok azonosítási pontossága 79,7 százalék (577/724). A kísérleti eredmények azt mutatják, hogy a javasolt módszer jobb robusztussággal rendelkezik. Általában a rendszerünk jó előrejelzési rátával rendelkezik.

Vita

Ebben a tanulmányban megvizsgáltuk a CM-természet osztályozásának megvalósíthatóságát egy visszakereső sémával az UV spektrális adatok hasonlósága alapján. A kísérleti eredmények bebizonyították, hogy hatékony módszer az ismeretlen CM természet azonosítására az UV-spektrum hasonlóságának kiszámításával. Mindeközben a kísérleti eredmények igazolják azt a felvetett hipotézist, hogy a hasonló anyagösszetételű CM-eknek hasonló gyógyászati ​​természetűeknek kell lenniük.

Összefoglalva. kutatásunk előnyei a következők. Először is, a CM természetazonosítás megvalósításához egy 61 referencia CM UV spektrumú adatkészletet állítunk össze, amelyben minden CM egyértelműen hideg vagy meleg természetű. Így hatékony és megvalósítható a CM természet meghatározására.

Másodszor, a hideg-meleg természet kritikus szerepet játszik a TCM természetelméletében. Ebben a tanulmányban a CM-en belüli anyagösszetétel és a hideg-meleg természet közötti összefüggéseket vizsgáljuk. Az anyag összetételét UV-spektrumok ábrázolják. A kísérleti értékelések azt mutatták, hogy összefüggés van az anyagösszetétel és a hideg-meleg gyógyszertermészet között, ami alkalmazható a hideg-meleg természet osztályozására. Továbbá bemutatjuk, hogy az anyagösszetétel meghatározza a CM hideg-meleg jellegét.

Harmadszor, a CM UV spektrális jellemzőinek fényében egy visszakeresési sémát vizsgálunk a CM természetének azonosítására. A távolságmérőt az UV-spektrumok hasonlóságának mérésére tanulmányozzák. A kísérleti eredmények azt mutatják, hogy rendszerünk teljesít a legjobban. A lehetséges magyarázat az, hogy sémánk kellően feltárja az anyagösszetétel és a CM hideg-meleg természet közötti kapcsolatot.

Negyedszer, egy másik teljesítmény, amelyet ebben a tanulmányban alaposan bemutattak, a javasolt visszakeresési séma robusztussága a jövőbeni klinikai alkalmazásokhoz. Egy intelligens diszkriminatív modell esetében célunk, hogy segítsük a kutatókat az ultraibolya spektrumok leolvasásában és a hideg-meleg természet azonosításában. A modell nem megvalósítható, ha a robusztusság túl alacsony egy független TCM-adatkészlethez. Bebizonyítottuk, hogy modellünk nagy robusztussággal rendelkezik a kísérletekben. További CM-ujjlenyomat-adatokat nyerünk ki, hogy megerősítsük modellünk robusztusságát a jövőben.

Kutatásunknak azonban még vannak korlátai. Először is, ez a tanulmány csak UV-spektrumokat használt a CM-ek ábrázolására. Más ujjlenyomat-technikákat ebben a tanulmányban nem elemeznek. A CM-ek összetett keverékek. A CM-vegyületek teljes összetételét nem lehet egyetlen ujjlenyomat-technikával tükrözni. A jövőben több ujjlenyomatot szeretnénk használni a CM hideg-meleg természetének elemzésére. Másodszor, az UV-spektrumok hasonlóságát vizsgáljuk távolságmérővel. Az ujjlenyomat adatok nagy dimenzióval és kis mintával rendelkeznek. Ilyen jellemzők alapján a jövő fókuszában az előrejelzési modell kialakítása áll. Harmadszor, tanulmányunk a hideg-meleg természeti osztályozás visszakeresési sémáinak feltárására összpontosít. Az UV-spektrum jellemzőit nem elemezték alaposan. Ezt követően hatékonyabb ujjlenyomat-adatokat fogunk integrálni, hogy javítsuk az orvostudomány természeti osztályozási teljesítményét.

Tanulmányunk nemcsak a természetazonosítás módszerét ad, hanem egy új sémát a természetjelölő számárakínaigyógyszerek. A Nature marker egy újszerű fogalom, amely az összetevőket jelzikínaigyógyszerekszorosan kapcsolódik az orvostudományhoz. Természetazonosítási rendszerünkkel hasonló összetevőket tartalmazó kínai gyógyszereket szeretnénk keresni azonos természetkorlátozási feltételek mellett. Ilyen több kínai gyógyszernek is ugyanazok az összetevői, amelyek ezeknek a termékeknek a természetjelzőinek tekinthetőkkínaigyógyszerek.

Következtetés

Ebben a tanulmányban egy visszakeresési sémát javasoltak a hideg-meleg gyógyszerek természetének előrejelzésére. A CM jellemzői alapján.ez a séma jobb osztályozási teljesítménnyel rendelkezik, mint a klasszikus osztályozóké. Hatékony kísérletek bizonyítják, hogy a hideg-meleg gyógyszertermészet és az UV spektrális ujjlenyomat adatok relevánsak.

Hivatkozások

1 Gao J, Chen C. Vita a kínai materia medica négy természetének tudományos konnotációjáról. Acta Univ. Tradit. Med. Sin Pharmacol Shanghai 2007, 21:16-18.

2. Ouyang B, Wang ZG, Wang P. Kutatási gondolkodás és a modern tanulmány módszere a kínai materia medica négy tulajdonságelméletén. J Beijing Univ Tradit Chin Med 2006, 29: 592-594.

3. Wu LJ, Wang YY, Li YD és mások. A ZHENG megértése a hagyományos kínai orvoslásban a neuro-endokrin-immun hálózat összefüggésében. IET Syst Biol 2007,1: 51-60.

4. Jin R, Zhang B, Liu XQ és mtsai. A hideg vagy meleg tulajdonságú kínai materia medica biológiai teljesítményének vizsgálata a három elemes matematikai elemzési modell alapján. J Chin Integr Med 2011, 9:715-724.

5. Zhao Y, Jia L, Wang J és mtsai. Hideg/meleg párna megkülönböztető vizsgálata a mahuang és maxingshigan főzetek tulajdonságainak különbségeiről. Pharm Biol 2016, 54(7):1298-302.

6. Wan HY, Kong XY, Li XM stb. Különböző tulajdonságokkal rendelkező hagyományos kínai gyógyszerek hatása élesztő által kiváltott lázban szenvedő patkányok hőszabályozására és hőmérséklet-érzékeny tranziens receptor potenciál csatorna fehérjére. China J Chin Meter Med 2014, 39:3813-3818.

7. Liang F, Li L, Wang M és mtsai. Hideg és meleg tulajdonságokkal rendelkező gyógynövények molekuláris hálózata és kémiai fragmentum alapú jellemzői a kínai orvoslásból. J Ethnopharmacol 2013, 148(3):770-779.

8. Wang M, Li L, Yu C és mtsai. Kínai gyógynövénykészítmények keverékeinek osztályozása önszerveződő térkép (SOM) alapján. Mol Inform 2016, 35(3-4):109-115.

9. Fu X, Song X, Li X et al. A hagyományos kínai tengeri gyógyászat hideg-meleg természetének filogenetikai faelemzése a lehetséges rákellenes hatás érdekében. Evid Based Complement Alternat Med 2017, 2017:1-10.

10. Fu X, Mervin LH, Li X és mtsai. A kínai gyógyszerek hideg, meleg és semleges természetének megértése felé az in silico hatásmód-elemzés segítségével. J Chem Inf Model 2017, 57(3):468-483.

11. Li Y, Li X, Xue FZ és mások. A hagyományos kínai orvoslás tulajdonságainak megkülönböztetése mesterséges neurális hálózat alapján. J Shandong Univ (Egészségtudományok), 2011, 49:57-61.

12. Liu WH, Li Y, Ji YJ és társai. Részleges legkisebb négyzetek a hagyományos kínai gyógynövény-tulajdonságok megkülönböztetésében. J. Shandong Univ (Egészségtudományok), 2012, 50:151-154.

13. Zhang XX, Li Y, Ji YJ és társai. A hagyományos kínai orvoslás tulajdonságainak megkülönböztetése főkomponens elemzéssel-lineáris diszkriminancia analízissel. J Shandong Univ (Egészségtudományok), 2012, 50:143-146.

14. Nie B, Hao ZL, Gui B és társai. Metabolomikai diszkriminációs módszer kutatása a hagyományos kínai orvoslás hideg és meleg tulajdonságaira, véletlenszerű erdőn alapuló módszerrel. J Jiangxi Univ Traditi Chin Med 2015, 27:82-86.

15. Long W, Liu P, Xiang J és mtsai. Kombinált rendszer a kínai Materia Medica tulajdonságainak előrejelzésére. Comput. Módszerek Programok Biomed. 2011, 101(3):253-264.

16. Li H, Xu Q, Zhang J és mtsai. A hideg-meleg természet megkülönbözteti a hagyományos kínai gyógynövényeket az 1H-NMR spektrális adatok diszkrimináns elemzésével. 2017 International Conference on Medical Science and Human Health (MSHH 2017), 2017, 174-179.

17. Jiang M, Zhang S, Li H és mtsai. Mammográfiás tömegek számítógépes diagnosztikája skálázható képlekéréssel. IEEE Trans Biomed Eng 2015, 62(2):783-92.

18. Tsochatzidis L, Zagoris K, Arikidis N és munkatársai. A mammográfiás tömegek számítógépes diagnosztikája felügyelt tartalom alapú képkeresési megközelítés alapján. Pattern Recog 2017, 71:106-117.

19. Wei G, Ma H, Qian W és mtsai. Tüdőtömegek hasonlósági mérése orvosi képkereséshez kernel alapú, félig felügyelt távolságmérővel. Med Phys 2016, 43(12):6259-6269.

20. Wei G, Ma H, Qian W és mtsai. Tartalom alapú képlekérési séma a tüdőcsomók osztályozására. Curr Med Imaging Rev 2017, 13(2):210-216.

21. Liu Y, Rong J, Lily M és mtsai. Fellendítő keretrendszer a vizualitást megőrző metrikus távoktatáshoz és annak alkalmazásához az orvosi képkereséshez. IEEE Trans Pattern Anal Mach Intell 2010, 32(1):30-44.

22. Weinberger KQ, Blitzer J, Saul LK. Távoktatási metrikus tanulás a nagy mozgásterű legközelebbi szomszéd osztályozáshoz. J Mach Learn Res 2009, 10(1):207-244.

23. Tao D, Li X, Wu X és mtsai. Általános tenzor diszkriminancia analízis és Gabor funkciók a járásfelismeréshez. IEEE Trans. Pattern Anal Mach Intell 2007, 29(10):1700–1715.

24. Malar E, Kandaswamy A, Chakravarthy D, et al. Újszerű megközelítés a mammográfiás mikromeszesedések kimutatására és osztályozására wavelet-analízis és extrém tanulógép segítségével. Comput Biol Med 2012, 42:898–905.

25. H. Li. A hagyományos kínai orvoslás (TCM) alapvető bázisának ultraibolya spektrumú ujjlenyomataira épülő digitális reprezentációs rendszer felépítése hideg-meleg természettel. Jinan: Shandong Hagyományos Kínai Orvostudományi Egyetem, 2011.