基于深度学习的中药寒热属性预测研究

目的：探究中药成分寒热药性预测模型的构建及应用。方法：基于中药信息数据库获取646味中药,涵盖10 053个化合物成分。构建中药化合物分子指纹与分子图表征编码,分别构建图卷积神经网络(GCN)、K-近邻(KNN)、决策树(DT)、随机森林(RF)、支持向量机(SVM)算法,训练模型并调整模型超参数。将数据集划分为训练集与测试集,使用准确率、精确率、召回率与F值评价模型预测性能。将预测的高概率化合物分析中药寒热属性的生物学机制潜在差异。通过细胞增殖-毒性测试实验检测梯度加权得分的寒性中药成分对大鼠肾上腺髓质嗜铬瘤(PC-12)细胞氧糖剥夺再灌注(OGD/R)模型的保护作用。结果：GCN模型在中药寒热属性预测任务中综合表现良好。通过GCN模型从代表性寒热药物中筛选出的高概率寒热分类化合物共形成413靶点,与17通路具有潜在关联。细胞实验结果,随寒性加权分数降低逐渐显现为对OGD/R的细胞保护作用。结论：在寒热属性预测任务中,基于分子图表征的GCN模型相对于分子指纹表征的传统机器学习模型具有更优的性能,可为进一步探究中药“性-构”关系提供算法支持。