基于机器学习的抗纤维化中药化合物筛选研究

目的构建新型抗纤维化中药化合物虚拟筛选预测模型,并对模型的预测性能进行验证。方法通过对比使用随机森林与梯度提升决策树算法,实现化合物分子指纹的降维与特征优化。构建"特征优化—机器学习"的混合模型,将优化的特征作为输入分别送入逻辑回归、人工神经网络机器学习算法进行训练。使用准确率、召回率、F1值对不同组合的模型进行性能评价。根据模型性能结果确定抗纤维化中药化合物虚拟筛选预测模型。随后,对比此模型和分子对接模型对中药化合物的抗纤维化活性预测结果,进一步验证该模型的预测性能。结果随机森林模型准确率0.76,召回率0.75,F1值0.74,曲线下面积(AUC)值0.818;梯度提升决策树模型准确率0.76,召回率0.74,F1值0.72,AUC值0.829;人工神经网络模型准确率0.75,召回率0.75,F1值0.75,AUC值0.802;随机森林+逻辑回归模型准确率0.77,召回率0.76,F1值0.75,AUC值0.840;随机森林+人工神经网络模型准确率0.74,召回率0.84,F1值0.79,AUC值0.850;梯度提升决策树+逻辑回归模型准确率0.80,召回率0.80,F1值0.79,AUC值0.872;梯度提升决策树+人工神经网络模型准确率0.73,召回率0.91,F1值0.81,AUC值0.837。中药化合物姜黄素、甘草酸、羟基红花黄色素A、大黄素、绞股蓝皀苷分子对接活性结果与本模型预测结果一致。结论梯度提升决策树+逻辑回归模型表现较其他模型准确。通过对比该模型与分子对接模型,进一步确认了该模型在中药化合物预测方面的稳定性;且本模型具有高通量筛选的特性,可以弥补分子对接在筛选化合物效率方面的不足,可作为抗纤维化中药化合物虚拟筛选预测的新方法。     

基于数据挖掘的牛建昭教授治疗更年期 综合征用药规律研究

目的：利用数据挖掘技术探究牛建昭教授治疗更年期综合征的用药规律,为更年期综合征的临床治疗提供参考。方法：收集并筛选牛建昭教授门诊中的更年期综合征病例,构建处方数据库,基于中医传承辅助平台使用关联规则和熵聚类算法对处方进行数据挖掘,分析用药频次、性味归经、组方规律、药物组合关联性、提取核心药物组合与创新处方。结果：数据挖掘得出高频单味药22个,高频药物组合28对,关联规则置信度高于0.95药物20组,高关联药对52个,三味药核心组合32个,新方7个。结论：牛建昭教授治疗更年期综合征的常用药物以补肾、柔肝、健脾相结合,兼以活血通络、安神定志;所用药四气以温寒平为主;所用药五味以甘苦辛为主;所用药物主要归肝、肾、肺经。基于挖掘结果可较好的分析牛建昭教授治疗更年期综合征的用药规律。     

中医药计算研究设计与评价范式初探

智能技术在生命科学领域广泛应用,尽管目前中医药计算研究快速发展,但研究质量、信效度及适用性等问题仍面临挑战,亟待提出设计与评价范式。本研究首先讨论了中医药计算研究的定义和基本特点,归纳其一般构成要素、研究分类和常见研究类型,讨论了该领域面临的问题挑战及可能的解决方式。随后,通过回顾计算研究的相关指南与实践经验以期总结计算研究的共性规律,并根据中医学科特点探讨中医药计算研究的设计与评价范式要点,以期推动未来专家共识的形成,促进新学科体系的构建。