Soğuk-Sıcak Doğa Tanımlaması İçin Çin Tıbbı Bileşenlerinin Benzerlik Ölçümü

Daha fazla bilgi için:emily.li@wecistanche.com

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

1Key TCM Teorisi Laboratuvarı, Çin Eğitim Bakanlığı, Shandong Geleneksel Çin Tıbbı Üniversitesi, Jinan, Çin.

Öne Çıkanlar

Bu çalışmada, hipotezi doğruladıkÇinceilaçlarbenzer bir madde bileşimi ile benzer tıbbi yapıya sahip olmalıdır. Çin ilaçlarındaki kimyasal içerikleri analiz etmek için kimyasal parmak izleri kullandık. Bileşenlerin benzerliğini bir mesafe metriğiyle ölçtük ve soğuk-sıcak doğasını tanımlamak için bir geri alma şeması tasarladık.Çinceilaçlar.

Cistanche çok iyi bir Çin Tıbbıdır

Soyut

Amaç: Doğa teorisiÇinceilaç(CM) temel temel teoridir.GelenekselÇinceİlaç(TCM), soğuk-sıcak doğanın araştırmanın odak noktasıdır. Araştırmalar, CM bileşenlerinin ilaç doğasının üretimi için maddi temel olduğunu bulmuştur. Bu nedenle, benzer madde bileşimine sahip CM'lerin benzer tıbbi yapıya sahip olması gerektiği tahmin edilmektedir. Modern çalışma, kimyasal parmak izi teknolojisi ile CM'lerin soğuk-sıcak ilacını inceler çünkü CM'nin kimyasal parmak izi verileri, CM bileşenlerinin tüm bileşimini yansıtabilir.

Yöntemler: Yukarıdaki hipotezi doğrulamak için bu çalışmada, CM bileşenlerinin parmak izi benzerliğine olan benzerliğini ölçmeyi ve CM'lerin bileşimi ile soğuk-sıcak doğa arasındaki ilişkiyi araştırıyoruz. İlk olarak, açık soğuk-sıcak doğası olan (30'soğuk'CM'ler ve 31'sıcak' CM'ler dahil) 61 CM'yi analiz etmek için ultraviyole (UV) spektrum teknolojisini kullanıyoruz. İkincisi, CM'lerin oluşturulmuş parmak izi veri tabanı ile. UV parmak izlerinin benzerliğini ölçmek için bir uzaktan ölçüm öğrenme algoritması üzerinde çalışılmıştır. Son olarak, CM'lerin soğuk-sıcak doğasını tanımlamak için tahmine dayalı bir tanımlama modeli oluşturmak için bir erişim şeması önerilmiştir.

Sonuçlar: Çok sayıda deney analizi aracılığıyla, petrol eteri çözücüsünün ultraviyole spektrum verileri, soğuk ve sıcak doğaları ayırt etmek için CM'leri daha iyi temsil edebilir. Mevcut klasik modellerle karşılaştırıldığında, önerilen tanımlama şeması daha iyi tahmin performansına sahiptir.

Sonuç: Deneysel sonuçlar, benzer madde bileşimine sahip CM'lerin benzer tıbbi yapıya sahip olması gerektiği çıkarsamamızı kanıtlamaktadır. Önerilen tahmin modelinin etkili ve uygulanabilir olduğu kanıtlanmıştır.

Anahtar Kelimeler: Geleneksel Çin tıbbı,Çinceİlaçiçindekiler, Ultraviyole spektrumu, Benzerlik ölçümü, Soğuk-sıcak doğa

Arka fon

Geleneksel Çin Tıbbının (TCM) temel unsurlarından biri olan TCM'nin doğa teorisi, uzun yıllardır bilim adamlarının ve araştırma kurumlarının dikkatini çekmiştir. Nın doğasıÇinceilaç(CM) dört tür içerir, yani. soğuk ve sıcak doğanın TCM doğa teorisinin önemli bir parçası olduğu serin, soğuk, sıcak ve ılık [1,2]." tıbbın sıcak özelliği doğa teorisi, TCM tedavisinin arasındaki dengeyi düzenlemede önemli bir temeldir.YinveYanginsan vücudunun ve soğuk-sıcak tıp doğasının uygulanması TCM klinik tıpta etkili tedaviye yol açar [3].

Çok sayıda uzman, TCM'nin soğuk-sıcak doğası hakkında farklı görüşlere sahiptir. Jin ve diğerleri[4] soğuk-sıcak tıp doğası temelinde TCM'nin biyolojik karakterini araştırmak için bir 'üç elemanlı matematiksel analiz modeli' önerdi. Zhao et al. [5] Mahuang ve Maxingshigan kaynatmalarının soğuk-sıcak doğasını ayırt etmek için bir soğuk/sıcak tabak yöntemini araştırdı. Wan ve diğerleri[6] farklı özelliklere sahip TCM'nin, maya kaynaklı ateşi olan sıçanların termoregülasyon ve sıcaklığa duyarlı geçici reseptör güçlendirme kanal proteini üzerindeki etkisini inceledi. Liang ve diğerleri[7] Çin şifalı bitkilerinin soğuk ve sıcak özelliklerini moleküler ağ ve kimyasal parça yöntemleriyle analiz etti. Wang et al. [8]kendi kendini organize eden harita ile tipik soğuk/sıcak özelliklere sahip 59 CHM belirledi. Fu et al. [9,10] varlığını araştırdı.antikanseraktivitegeleneksel Çin deniz tıbbının soğuk-sıcak doğası ile filogenetik ağaç analizi ile görüntülendi ve CM'lerin soğuk, sıcak ve nötr doğasını açıklamak için Silico Eylem Modu yönteminde araştırıldı.

Genel olarak, CM'lerin soğuk-sıcak doğasının ayrımı iki bölümden oluşur: özellik gösterimi ve doğal sınıflandırma. Özellik gösterimi, CM'nin özelliklerini çıkarmak için CM'nin orijinal efektlerini, parmak izi teknolojisini veya metabolomik yöntemini kullanır. Doğa sınıflandırmasının, CM'lerin soğuk-sıcak doğasını ayırt etmek için klasik makine öğrenimi sınıflandırıcılarını veya yapılandırılmış sınıflandırıcıları kullanması gerekir. Çin tıbbının özgün etkileri, etkili bir karakteristik ifadedir. Xue araştırma grubu [11-13], CM'lerin orijinal etkililik özelliklerini "ÇinceBitkiselİlaç(CHM)" ve CM'lerin bilinmeyen doğasını sınıflandırmak için klasik sınıflandırıcılar (yapay sinir ağları gibi) kullandı. Metabolomik yöntem ayrıca CM'leri temsil etmek için kullanılır. Nie ve diğerleri [14] CM'lerin Metabonomik özelliklerini inceledi ve bir CM'lerin bilinmeyen doğasını ayırt etmek için rastgele orman modeli Kimyasal teknoloji soğuk-sıcak doğasını analiz etmek için önemli bir yöntemdir.Long ve diğerleri [15] 284 CM'nin kimyasal bileşenlerini açık tıbbi yapıya sahip olarak analiz ettiler ve tahmin etmek için bir kombinasyon sistemi keşfettiler diğer CM'lerin soğuk-sıcak doğası, Protonun nükleer manyetik rezonans spektroskopisi gibi diğer yöntemler(1H-NMR), CM'lerin özelliklerini araştırmak için kullanılır.List arkadaşları [16] 1H-NMR ile CM'lerin özelliklerini inceledi ve CM'lerin bilinmeyen doğasını analiz etmek için uygulanan örüntü tanıma teknikleri.

Klasik sınıflandırıcılar dışında, geri alma şeması, iyi huylu ve kötü huylu Mamografi ve pulmoner nodüllerin [17-20] tanımlanmasında yaygın olarak uygulanan popüler ve etkili sınıflandırma şemalarından biridir. Geleneksel sınıflandırıcılarla karşılaştırıldığında, erişim şeması analiz ve referans için en benzer durumları sağlayabilir. Bu nedenle, benzerlik ölçüsü, sınıflandırma için erişim şemasında önemli bir rol oynar. Grubumuz pulmoner nodül görüntülerinin benzerlik ölçümü üzerine birçok araştırma yapmıştır [20,21]. Pulmoner nodül görüntülerinin mesafe ölçümlerine olan benzerliğini ölçüyoruz. Benzerlik ölçümü tıbbi görüntülerde geniş çapta çalışılmış olmasına rağmen, CM'lerin doğasını tanımlamada nadiren kullanılmaktadır.

Mevcut tıp doğası araştırması, CM doğası ve CM'ler içindeki malzeme bileşimi arasındaki bağlantıyı ortaya çıkarmaya odaklandı. Örneğin, CM malzeme bileşimini analiz etmek için kimyasal parmak izi teknikleri ve CM doğa ayırt edici modelleri uygulanır. CM'nin kimyasal parmak izi verileri, CM bileşenlerinin tüm bileşimini yansıtabilir. Biyoaktivite, malzeme bileşimi ile belirlenir. ve CM'lerin biyoaktiviteleri, tıbbın doğasını tanımlamanın özüdür [2]. Bu nedenle, malzeme bileşimi dolaylı olarak CM'lerin doğasını belirler. Çalışmalar, CM bileşenlerinin ilaç doğasının üretimi için maddi temel olduğunu bulmuştur [10]. Bu nedenle, benzer madde bileşimine sahip CM'lerin benzer tıbbi yapıya sahip olması gerektiği tahmin edilmektedir.

Yukarıda önerilen hipotezi doğrulamak için bu çalışmada, CM bileşenleri ile soğuk-sıcak tıbbi doğası arasındaki ilişkiyi araştırıyoruz. İlk olarak, açık soğuk-sıcak doğası olan (30 'soğuk' CM ve 31 'sıcak' CM dahil) 61 CM'yi temsil etmek için ultraviyole (UV) spektrum teknolojisini kullanarak bir CM içerik veritabanı oluşturuyoruz. İkinci olarak, CM bileşenlerinin bir mesafe metriğine olan benzerliğini ölçmek için çalışıyoruz. Mahalanobis mesafesi, CM'lerin UV parmak izlerinin benzerliğini ölçmek için öğrenilir. Son olarak, CM'lerin soğuk-sıcak doğasını tahmin etmek için bir tahmine dayalı tanımlama modeli oluşturmak için bir geri alma şeması önerilmiştir.

Malzemeler ve yöntemler

TCM Veri Kümesi

30 CM'nin 'soğuk ilaç' ve diğerlerinin 'sıcak ilaç' olduğu bu çalışmada 61 temsili CM analiz edilmiştir. 61 CM'nin tamamı klasik 'Chinese Materia Medica' ve 'Shen Nong's Herbal Classic'te işaretlenmiştir. Tablo 1, 61 temsili CM'yi ve bunların doğasını (parantez içindeki özellikler) göstermektedir.

61 CM'leri test etmek için UV parmak izi teknolojisi kullanılır. Ana cihaz UV-3010 UV Spektrofotometresidir (Hitachi, Japonya). Grubumuz 190-400nm ultraviyole dalga boyunda dört farklı solvent (kloroform, distile su, mutlak etanol, petrol eteri) ile toplam 61 CM absorbansını kaydetmiştir. UV parmak izi elde etmek için ayrıntılı bir yöntem, el yazmasında [25] atıfta bulunulabilir. 'Sıcak' bir ilaç olarak, Hardal Tohumları klasik 'Çin Materia Medica' ve 'Shen Nong's Herbal Classic'te işaretlenmiştir. Şekil 1, petrol eter çözücüsü ile Jiezhi (Hardal Tohumları) ve GeGen'in (Puerariae Lobatae Radix) UV absorpsiyon eğrisini göstermektedir.

UV Parmak İzi Benzerliği

Bu çalışmada, CM'lerin soğuk-sıcak doğası ile malzeme bileşimi arasındaki ilişkiyi araştırıyoruz. Hipotezi doğrulamak için, benzer madde bileşimine sahip CM'ler benzer tıbbi yapıya sahip olmalıdır, CM bileşenlerinin benzerliğini ölçmek ve CM yapısını tanımlama yöntemini araştırmak istiyoruz. Bir UV parmak izi, bir CM'nin malzeme bileşimini yansıtır. Bu nedenle UV parmak izlerinden yola çıkarak soğuk-sıcak doğasını ortaya çıkarmak istiyoruz. CM'lerin içerikleri benzerse, tıbbi özelliklerinin de benzer olduğunu düşünebiliriz. Bu nedenle, benzer UV parmak izlerine sahip CM'ler aynı tıbbi yapıya sahip olmalıdır.

Benzerlik ölçüsü, çalışmamızda akciğer nodülü görüntülerinin benzerliğini ölçmek için kullanılan anlamsal uygunluk olarak tanımlanmıştır [21]. İki CM'nin ikisi de soğuk algınlığı ilacıysa, anlamsal olarak benzerdirler. Mahalanobis mesafesi, CM'lerin UV parmak izlerinin benzerliğini ölçmek için kullanılır. Mahalanobis mesafesi ne kadar küçükse, UV parmak izlerinin benzerliği o kadar yüksek olur.

Performans değerlendirme

Bu alt bölümde, soğuk-sıcak doğasının tanımlanması için önerilen erişim şemasının uygulanabilirliğini doğrulamak için, erişim şemasının performansını değerlendirmek için kapsamlı deneyler yapılmıştır. Şemamızın performansını, aşırı öğrenme makinesi (ELM)[24], yapay sinir ağı (YSA) ve destek vektör makinesi (SVM) dahil olmak üzere son teknoloji sınıflandırma modelleriyle karşılaştırıyoruz. Tüm deney değerlendirmeleri, mevcut TCM veri kümesine dayalıdır. Uygulama, berrak soğuk-sıcak yapıya sahip CM'lerin benzer UV spektrumlarını alarak bir CM'nin bilinmeyen yapısını test etmeye yardımcı olur. Bu çalışmada, öncelikle UV spektrumlarının doğa tanımlama performansını farklı çözücülerle karşılaştırdık ve optimum tanımlama performansına karşılık gelen çözücüyü seçtik. İkinci olarak, kararlılık değerlendirmesi adı verilen önerilen şema performansını değerlendirmek için deneyler tasarladık. Üçüncü olarak, alma şemasını örneklerle gösterdik. Son olarak, önerilen algoritmanın sağlamlığını test etmek için bağımsız bir veri seti kullanılır.

Deneylerimizde, önerilen tahmin modelinin performansını analiz etmek için kararlılık değerlendirmesi kullanılır. Kararlılık değerlendirmesi, tüm veri setinde bir bırak-CM-out yöntemi [20] ile hesaplanır. Her seferinde, sorgu CM'si olarak bir CM ve referans veritabanı olarak kalan 60 CM seçildi. Sorgu CM'si olarak her TCM seçildiği için bu işlem 6 kez gerçekleştirildi. Bu geri alma şemasında, K'en benzerlerini aldık ve sonra bir soğuk doğa olasılığı elde ettik. Sonunda 61 olasılık hesaplandı. 'Soğuk doğa olasılığının eşiği değiştirilerek, bir Alıcı Çalışma Karakteristiği (ROC) eğrisi oluşturulur. ROC eğrisi (AUC) ve tahmin doğruluğu (ACC) altındaki alan, şemamızın performansını değerlendirmek için kullanılır. Alan ne kadar büyükse, model o kadar kararlıdır, ACC değeri, CM'lerin soğuk-sıcak doğasının doğru sınıflandırılma olasılığıdır. ACC formülü aşağıdaki gibidir:

Stabilite değerlendirmesi için AUC ve ACC değeri uygulandı.

Sonuçlar

Farklı Solventlerle Performans Değerlendirmesi.

CM'lerin kimyasal parmak izleri, CM'lerin malzeme bileşimini yansıtır. UV spektrumları, CM'lerin soğuk-sıcak doğasını ayırt etmek için uygulanabilen CM'lerin bir parmak izidir. Bu çalışmada, ultraviyole spektroskopisi aracılığıyla malzeme bileşimi ve CM'lerin doğası arasındaki ilişkiyi nicel olarak analiz etmek için deneyler yapıyoruz.

Bu çalışmada, optimum tanıma performansı için solvent altında UV verilerini seçmek için UV spektrumlarının farklı çözücülerle (damıtılmış su, kloroform, petrol eteri, mutlak etanol) sınıflandırma performansı analiz edildi. Şemamızın parametrelerini değerlendirmek için bir CM dışarıda bırak yöntemi kullanılır. Şekil 2, UV spektrumlarının farklı çözücülerle ilaç doğası sınıflandırması için ACC değer eğrilerini gösterir. ACC değeri, modelin performansını tahmin etmek için daha kapsamlı bir eğri elde etmek için alınan referans alınan CM'lerin (K) bir fonksiyonu olarak hesaplanır. Şekil 2'de, petrol eteri solventi altındaki ACC değerinin eğrisi diğer solventler altındakinden daha iyidir, bu da petrol eteri solventinin UV spektrumunun soğuk-sıcak doğada en iyi ayırt edici performansa sahip olduğu anlamına gelir. K 7 olarak ayarlandığında, petrol eteri solventi altındaki ACC değerinin eğrisi bir tepe noktasına sahiptir. Tanımlama performansı maksimum 0.803 değerine ulaşır. Mutlak etanol altında ACC değeri eğrisinden, mutlak etanol ile UV parmak izi en düşük tahmin performansına sahiptir. Damıtılmış su ve kloroform ile CM doğası tanımlaması, petrol eteri ile olandan daha düşüktür, ancak mutlak etanol çözücü ile olandan daha iyi performans gösterir. Şekle göre, damıtılmış su ve kloroformun maksimum ACC değerleri 0.656'dır. Bu nedenle, bu iki çözücü, tıbbın doğasını tahmin etmek için zayıftır.

Bu çalışmada, p parametresinin Örn. (4) soğuk-sıcak doğanın tahmin performansını değerlendirmek için petrol eter çözücüsü altında araştırılır. er p değeri aralık içinde ayarlanır

parametre 【10-3,10*²,10',1,5,10,102,103】1.Şekil 3A, farklı p ile ACC değer eğrisini gösterir. Performans eğrisinin küçük dalgalanmalara sahip olduğu ve p parametresi 5 olarak ayarlandığında ACC değerinin maksimuma ulaştığı sonucuna varılabilir.

Önerilen alma algoritmasındaki k özvektörlerinin sayısı [50 100 150 200 210] aralığında analiz edilir. Şekil 3B'den, artan k sayısı ile daha yüksek bir ACC değeri elde edilebilir. Maksimum sınıflandırma performansı (ACC değeri), maksimum özvektör sayısı k=210'ye karşılık gelir.

Model Performans Değerlendirmesi

CM'lerin soğuk-sıcak doğasını tanımlamak için önerilen alma şemamızın uygulanabilirliğini ve kararlılığını göstermek için, bu çalışma şemamızın sınıflandırma performansını ("RS" olarak gösterilen alma şeması) bazı klasik sınıflandırıcılarınkiyle (örn. ANN, SVM, ELM) veya CM doğa tanımlamasında kullanılan sınıflandırıcılar. Tüm karşılaştırmalı algoritmalar, veri kümesindeki en uygun parametreleri kullanır. Önceki bölümün sonuçlarına göre, petrol eter çözücüsü altındaki UV spektrum verileri, soğuk tutma doğası tahminini incelemek için kullanılır. Tablo 2, RS ve diğer algoritmalar arasındaki stabilite değerlendirmesinin performans karşılaştırmasını gösterir. Pearson korelasyon katsayısı (PCC), UV spektrumlarının benzerliğini ölçmek için karşılaştırmalı bir referans olarak kullanılır. Soğuk-sıcak doğasının tahmin sonuçlarına göre şu sonuca varabiliriz. İlk olarak, şemamız RS, soğuk-sıcak doğasının tanımlanmasında en iyi performansı gösterir. Özellikle RS ve PCC, diğer karşılaştırmalı klasik algoritmalardan daha iyi tanımlama doğruluğuna sahiptir. Bu, benzer ultraviyole spektrumlu Çin ilaçlarının benzer ilaç doğasına sahip olduğunu göstermektedir. İkinci olarak, UV spektral verileri olan YSA ve ELM, tıbbın doğasını tanımlamada yetersizdir.

Üçüncüsü, SVM'nin tanımlama doğruluğu YSA ve ELM'den daha iyidir. Ancak, bizim planımızdan daha zayıf. Son olarak, planımızın kararlılık değerlendirmesi en iyisidir.

Tahmin Örnekleri

Tahmin örnekleri elde etmek için bir dışarıda bırakma yöntemi kullanılır. RS tarafından döndürülen iki alma CM vakası Tablo 3'te listelenmiştir. Çin tıbbı sorgusu (ilk satır) ve en üstteki k=7 alınan referans CM'leri tabloda gösterilmektedir. Alınan referans CM'ler RS ​​tarafından hesaplanır ve monoton artan Mahalanobis mesafesi ile sıralanır. Soğuk ilaç (DiFuZhi(Kochiae Fructus)) ve sıcak ilaç(BiBa(Piperis Longi Fructus)) soğuk-sıcak ilaç tanımlama ilkesini göstermek için örnekler olarak sunulmaktadır. İlk sütunda sorgu ilacı Piperis Longi Fructus'tur. Geri alınan referans ilaçları, hepsi sıcak doğadadır. Hesaplanan soğuk doğa olasılığı 0'dir, bu da sorgu ilacının sıcak doğa olabileceğini gösterir. İkinci sütunda sorgu ilacı Kochiae Fructus'tur. Alınan sonuçlarda altı soğuk doğa ilacı ve bir sıcak doğa ilacı var. Soğuk doğa olasılığı 0.9464'tür, bu da sorgu tıbbının doğası gereği soğuk olma olasılığının daha yüksek olduğunu gösterir. Tahmin örnekleri, benzer UV parmak izlerinin aynı tıbbi yapıyı karakterize edebildiğini göstermektedir.

Genel Tahmin Performansı.

Bu çalışmada, önerilen RS yönteminin bütünsel bir değerlendirmesini yapıyoruz. Tablo 4, 61 CM'nin tahmin karışıklık matrisini göstermektedir. Toplam tahmin doğruluğu yüzde 80,3'tür (49/61). Soğuk doğa tıbbının tanımlama doğruluğu yüzde 86,7 (26/30), sıcak doğa tıbbının tahmin doğruluğu ise 74,2'dir (23/31). Bu şemanın soğuk tabiatlı ilaçlar için iyi bir tahmin oranına sahip olduğu görülebilir. 61 CM tanımlamasının geri çağırma, kesinlik ve F-skoru Tablo 5'te listelenmiştir. Genel olarak, şemamız iyi bir tanımlama oranına sahiptir.

Önerilen sağlamlık

Yöntem Önerilen algoritmanın sağlamlığını test etmek için bağımsız bir veri kümesi kullanılır. Bu veri kümesinde, Molağırlık, H. Alıcılar, H. Donors, Polar.Surface.Area, Rotatable.Bonds, Sp3.Atoms, Smetric dahil olmak üzere CM'leri temsil etmek için moleküler tanımlayıcılar hesaplanır. atomlar ve aminler. Ayrıntılı süreç el yazmasında [10] açıklanmıştır. Veri setinde 534 sıcak ilaç ve 724 soğuk ilaç bulunmaktadır. Tablo 6, 1258 CM'nin (534 artı 724 ilaç) tanımlama karışıklığı matrisini göstermektedir. Toplam tanımlama doğruluğu yüzde 81,1'dir (1020/1258). Soğuk doğa ilaçlarının tahmin doğruluğu yüzde 83,0 (443/534), sıcak doğa ilaçlarının tanımlama doğruluğu ise yüzde 79,7 (577/724). Deneysel sonuçlar, önerilen yöntemin daha iyi sağlamlığa sahip olduğunu göstermektedir. Genel olarak, şemamız iyi bir tahmin oranına sahiptir.

Tartışma

Bu çalışmada, UV spektral verilerinin benzerliği temelinde bir geri alma şemasıyla CM doğasını sınıflandırmanın uygulanabilirliğini araştırdık. Deney sonuçları, UV spektrumunun benzerliğini hesaplayarak bilinmeyen CM doğasını belirlemede etkili bir yöntem olduğunu göstermiştir. Bu arada, deneysel sonuçlar, benzer madde bileşimine sahip CM'lerin benzer tıbbi yapıya sahip olması gerektiğine dair önerilen hipotezi doğrulamaktadır.

Özetle. araştırmamızın avantajları aşağıdaki gibidir. İlk olarak, CM doğa tanımlamasını gerçekleştirmek için, her CM'nin açıkça soğuk veya sıcak doğaya sahip olduğu 61 referans CM UV spektrumlu bir veri seti birleştirilir. Bu nedenle, CM doğasının belirlenmesi için etkili ve uygulanabilirdir.

İkincisi, soğuk-sıcak doğası, TCM doğa teorisinde kritik bir rol oynar. Bu çalışmada, CM içindeki malzeme bileşimi ile soğuk-sıcak doğa arasındaki ilişkiyi araştırıyoruz. Malzeme bileşimi UV spektrumları ile temsil edilir. Deney değerlendirmeleri, malzeme bileşimi ile soğuk-sıcak ilaç doğası arasında, soğuk-sıcak doğa sınıflandırması için uygulanabilecek bir korelasyon olduğunu göstermiştir. Ayrıca, malzeme bileşiminin CM soğuk-sıcak yapısını belirlediğini gösterdik.

Üçüncüsü, CM'nin UV spektral özellikleri ışığında, CM doğasını tanımlamak için bir geri alma şemasını araştırıyoruz. UV spektrumlarının benzerliğini ölçmek için mesafe metriği incelenir. Deney sonuçları, şemamızın en iyi performansı gösterdiğini gösteriyor. Olası açıklama, şemamızın malzeme bileşimi ile CM soğuk-sıcak doğası arasındaki ilişkiyi yeterince araştırmasıdır.

Dördüncüsü, bu çalışmada kapsamlı bir şekilde gösterilen başka bir performans, gelecekteki klinik uygulamalar için önerilen erişim şemasının sağlamlığıdır. Akıllı bir diskriminant modeli için amacımız, araştırmacılara ultraviyole spektrumlarını okumada ve soğuk-sıcak doğayı tanımlamada yardımcı olmaktır. Bağımsız bir TCM veri seti için sağlamlık çok düşükse model uygulanabilir değildir. Modelimizin yüksek sağlamlığa sahip olduğunu deneylerde gösterdik. Gelecekte modelimizin sağlamlığını doğrulamak için daha fazla CM parmak izi verisi çıkarılacaktır.

Bununla birlikte, araştırmamızın hala bazı sınırlamaları vardır. İlk olarak, bu çalışmada CM'leri temsil etmek için yalnızca UV spektrumları kullanılmıştır. Diğer parmak izi teknikleri bu çalışmada analiz edilmemiştir, CM'ler bileşiklerin karmaşık karışımlarıdır. CM bileşiklerinin tüm bileşimini tek bir parmak izi tekniğiyle yansıtmak imkansızdır. Gelecekte, CM'nin soğuk-sıcak yapısını analiz etmek için birden fazla parmak izi kullanmak istiyoruz. İkinci olarak, UV spektrumlarının uzaklık metriği ile benzerliğini araştırıyoruz. Parmak izi verileri, yüksek boyut ve küçük numune özelliklerine sahiptir. Bu özelliklere dayalı olarak, tahmin modelinin tasarımı geleceğin odak noktasıdır. Üçüncüsü, çalışmamız soğuk-sıcak doğa sınıflandırması için erişim şemalarını keşfetmeye odaklanmaktadır. UV spektrum özellikleri tam olarak analiz edilmemiştir. Ardından, ilaç doğası sınıflandırma performansını iyileştirmek için daha etkili parmak izi verilerini entegre edeceğiz.

Çalışmamız sadece doğa tanımlama için bir yöntem değil, aynı zamanda doğa belirteci için yeni bir şema da sunmaktadır.Çinceilaçlar. Doğa belirteci, içeriğindeki maddeleri gösteren yeni bir kavramdır.Çinceilaçlartıbbın doğasıyla yakından ilgilidir. Doğa tanımlama şemamızla, aynı doğa kısıtlaması koşulları altında benzer içeriklere sahip Çin ilaçlarını aramak istiyoruz. Bu tür birkaç Çin ilacı, bu birkaçının doğa belirteçleri olarak kabul edilebilecek aynı bileşenlere sahiptir.Çinceilaçlar.

Çözüm

Bu çalışmada, soğuk-sıcak tıbbın doğasını tahmin etmek için bir erişim şeması önerilmiştir. CM'nin özelliklerine dayanan bu şema, klasik sınıflandırıcılardan daha iyi sınıflandırma performansına sahiptir. Etkili deneyler, soğuk-sıcak ilaç doğasının ve UV spektral parmak izi verilerinin alakalı olduğunu göstermektedir.

Referanslar

1 Gao J, Chen C. Çin materia medica'nın dört doğasının bilimsel çağrışımları üzerine tartışma. Açta Üniv. gelenek. Med. Sin Pharmacol Shanghai 2007, 21:16-18.

2. Ouyang B, Wang ZG, Wang P. Çin materia medica'nın dört özellik teorisi üzerine araştırma düşüncesi ve modern çalışma yöntemi. J Beijing Univ Tradit Chin Med 2006, 29: 592-594.

3. Wu LJ, Wang YY, Li YD, et al. Geleneksel Çin Tıbbında ZHENG'yi Nöro-Endokrin-Bağışıklık ağı bağlamında anlamak. IET Syst Biol 2007,1: 51-60.

4. Jin R, Zhang B, Liu XQ, et al. Çin materia medica'nın biyolojik performansının, üç elemanlı matematiksel analiz modeline dayalı olarak soğuk veya sıcak bir özelliğe sahip çalışması. J Chin Integr Med 2011, 9:715-724.

5. Zhao Y, Jia L, Wang J, et al. Mahuang ve maxingshigan kaynatmalarının özellik farklılıklarının soğuk/sıcak tampon ayırt edici analizi. Eczacı Biol 2016, 54(7):1298-302.

6. Wan HY, Kong XY, Li XM, et al. Farklı özelliklere sahip geleneksel Çin ilaçlarının, maya kaynaklı ateşi olan sıçanların termoregülasyon ve sıcaklığa duyarlı geçici reseptör potansiyel kanal proteini üzerindeki etkisi. Çin J Chin Meter Med 2014, 39:3813-3818.

7. Liang F, Li L, Wang M, et al. Çin tıbbından soğuk ve sıcak özelliklere sahip şifalı bitkilerin moleküler ağ ve kimyasal parça tabanlı özellikleri. J Ethnopharmacol 2013, 148(3):770-779.

8. Wang M, Li L, Yu C, et al. Çin bitkisel ilaç karışımlarının kendi kendini organize eden bir haritaya (SOM) dayalı olarak sınıflandırılması. Mol Inform 2016, 35(3-4):109-115.

9. Fu X, Song X, Li X, et al. Olası antikanser aktivitesi için geleneksel Çin deniz tıbbının soğuk-sıcak doğasının filogenetik ağaç analizi. Kanıta Dayalı Tamamlayıcı Alternat Med 2017, 2017:1-10.

10. Fu X, Mervin LH, Li X, et al. Çin ilaçlarının soğuk, sıcak ve nötr doğasını in silico eylem modu analizi kullanarak anlamaya doğru. J Chem Inf Model 2017, 57(3):468-483.

11. Li Y, Li X, Xue FZ, et al. Yapay sinir ağına dayalı geleneksel Çin ilaçlarının özelliklerinin ayırt edilmesi. J Shandong Üniversitesi (Sağlık Bilimleri) 2011, 49:57-61.

12. Liu WH, Li Y, Ji YJ, et al. Geleneksel Çin bitkisel ilaç özelliğinin ayrımcılığında kısmi en küçük kareler. J. Shandong Üniversitesi (Sağlık Bilimleri) 2012, 50:151-154.

13. Zhang XX, Li Y, Ji YJ, et al. Çin geleneksel tıbbının özelliklerinin temel bileşen analizi-doğrusal diskriminant analizi ile ayırt edilmesi. J Shandong Üniversitesi (Sağlık Bilimleri) 2012, 50:143-146.

14. Nie B, Hao ZL, Gui B, et al. Rastgele ormana dayalı geleneksel Çin tıbbının soğuk ve sıcak özelliği için metabolomik diskriminant yöntemi araştırması. J Jiangxi Univ Traditi Chin Med 2015, 27:82-86.

15. Long W, Liu P, Xiang J, et al. Çin Materia Medica özelliklerinin tahmini için bir kombinasyon sistemi. Bilgisayar. Yöntemler Programlar Biomed. 2011, 101(3):253-264.

16. Li H, Xu Q, Zhang J, et al. Soğuk-sıcak doğası, 1H-NMR spektral verilerinin ayırt edici analizi ile geleneksel Çin şifalı bitkilerini ayırt eder. 2017 Uluslararası Tıp Bilimi ve İnsan Sağlığı Konferansı (MSHH 2017), 2017, 174-179.

17. Jiang M, Zhang S, Li H, et al. Ölçeklenebilir görüntü alımını kullanarak mamografik kitlelerin bilgisayar destekli teşhisi. IEEE Trans Biomed Eng 2015, 62(2):783-92.

18. Tsochatzidis L, Zagoris K, Arikidis N, et al. Denetimli içerik tabanlı görüntü alma yaklaşımına dayalı olarak mamografik kitlelerin bilgisayar destekli teşhisi. Model Tanıma 2017, 71:106-117.

19. Wei G, Ma H, Qian W, et al. Çekirdek tabanlı yarı denetimli bir mesafe metriği kullanılarak tıbbi görüntü alımı için akciğer kütlelerinin benzerlik ölçümü. Med Phys 2016, 43(12):6259-6269.

20. Wei G, Ma H, Qian W, et al. Akciğer nodülü sınıflandırması için içerik tabanlı bir görüntü alma şeması. Curr Med Imaging Rev 2017, 13(2):210-216.

21. Liu Y, Rong J, Lily M, et al. Görselliği koruyan uzaktan ölçüm öğrenimi ve bunun tıbbi görüntü alımına uygulanması için destekleyici bir çerçeve. IEEE Trans Model Anal Mach Intell 2010, 32(1):30-44.

22. Weinberger KQ, Blitzer J, Saul LK. Büyük marjlı en yakın komşu sınıflandırması için uzaklık metrik öğrenme. J Mach Learn Res 2009, 10(1):207-244.

23. Tao D, Li X, Wu X, et al. Yürüyüş tanıma için genel tensör diskriminant analizi ve Gabor özellikleri. IEEE Trans. Model Anal Mach Intell 2007, 29(10)::1700–1715.

24. Malar E, Kandaswamy A, Chakravarthy D, et al. Dalgacık analizi ve aşırı öğrenme makinesi kullanılarak mamografik mikrokalsifikasyonların tespiti ve sınıflandırılması için yeni bir yaklaşım. Bilgisayar Biol Med 2012, 42:898–905.

25. H. Li. Soğuk-ısı doğasına sahip geleneksel Çin tıbbının (TCM) önemli temelinin ultraviyole spektrum parmak izlerine dayanan dijital temsil sisteminin inşası. Jinan: Shandong Geleneksel Çin Tıbbı Üniversitesi 2011.