Hiina meditsiini koostisosade sarnasuse mõõtmine külma-kuuma looduse tuvastamiseks

Rohkem informatsiooni:emily.li@wecistanche.com

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

1 TCM-i teooria võtmelabor, Hiina haridusministeerium, Shandongi traditsioonilise hiina meditsiini ülikool, Jinan, Hiina.

Esiletõstmised

Selles uuringus kinnitasime hüpoteesi, ethiina keelravimidsarnase koostisega ainetel peaks olema sarnane ravim. Kasutasime Hiina ravimite keemiliste koostisosade analüüsimiseks keemilisi sõrmejälgi. Mõõtsime koostisosade sarnasust kauguse mõõdiku abil ja koostasime otsinguskeemi, et tuvastada külm-kuuma olemus.hiina keelravimid.

Cistanche on väga hea Hiina meditsiin

Abstraktne

Eesmärk: Loodusteooriahiina keelravim(CM) on põhiteooriaTraditsioonilinehiina keelRavim(TCM), mille puhul on uuringute keskmes külm-kuum loodus. Uuringud on leidnud, et CM koostisosad on ravimite tootmise materiaalne alus. Seetõttu oletatakse, et sarnase ainete koostisega CM-del peaks olema sarnane ravim. Kaasaegne töö uurib CM-de külm-kuuma ravimit keemilise sõrmejälgede võtmise tehnoloogiaga, kuna CM-i keemilised sõrmejäljeandmed võivad kajastada CM-i koostisosade kogu koostist.

Meetodid: Ülaltoodud hüpoteesi kontrollimiseks uurime selles töös CM-i koostisosade sarnasuse kvantifitseerimist sõrmejälgede sarnasusega ning uurime seost CM-ide koostise ja külma-kuuma looduse vahel. Esiteks kasutame ultraviolettkiirguse (UV) spektritehnoloogiat, et analüüsida 61 CM-i, millel on selge külm-kuuma olemus (sh 30'külm'CM ja 31'kuum' CM). Teiseks koos CM-ide sõrmejälgede andmebaasiga. UV-sõrmejälgede sarnasuse mõõtmiseks uuritakse kaugmeetriaõppe algoritmi. Lõpuks pakutakse välja otsinguskeem, et luua ennustav identifitseerimismudel, et tuvastada CM-de külm-kuuma olemus.

Tulemused: arvukate katseanalüüside abil võivad petrooleetri lahusti ultraviolettspektri andmed paremini esindada CM-sid, et eristada külma ja kuuma olemust. Võrreldes olemasolevate klassikaliste mudelitega on kavandatud identifitseerimisskeemil parem ennustav jõudlus.

Järeldus: katsetulemused tõestavad meie järeldust, et sarnase ainete koostisega CM-del peaks olema sarnane meditsiiniline olemus. Kavandatud prognoosimudel on osutunud tõhusaks ja teostatavaks.

Märksõnad: Hiina traditsiooniline meditsiin,hiina keelRavimkoostisained, Ultraviolettspekter, Sarnasuse mõõtmine, Külm-kuum loodus

Taust

Traditsioonilise hiina meditsiini (TCM) ühe põhielemendina on TCM-i olemuse teooria pälvinud teadlaste ja uurimisasutuste tähelepanu juba aastaid. olemushiina keelravim(CM) sisaldavad nelja tüüpi, st. jahe, külm, kuum ja soe, mis külm ja kuum loodus on TCM loodusteooria oluline osa [1,2]." Kuuma sündroomi ravimine külma loodusmeditsiiniga ja külma sündroomi ravi kuuma loodusmeditsiiniga" näitab, et külm või kuum loodusravi. meditsiini kuum omadus loodusteooria on TCM-ravi oluline alus tasakaalu reguleerimiselYinjaYanginimkeha ja külma-kuuma meditsiini olemuse rakendamine viib tõhusa ravini TCM-i kliinilises meditsiinis [3].

Paljudel spetsialistidel on TCM-i külma-kuuma looduse suhtes erinevad seisukohad. Jin jt.[4] pakkus välja „kolmeelemendilise matemaatilise analüüsi mudeli, et uurida TCM-i bioloogilist olemust külma-kuuma meditsiini olemuse alusel. Zhao et al. [5] uuris külma / kuuma plaadi meetodit, et eristada Mahuangi ja Maxingshigani keetmiste külma-kuuma olemust. Wan jt.[6] uuris erinevate omadustega TCM-i toimet pärmseenest põhjustatud palavikuga rottide termoregulatsioonile ja temperatuuritundlikule transientsele retseptori potentseerimiskanali valgule. Liang jt.[7] analüüsis Hiina ravimtaimede külma ja kuuma omadusi molekulaarvõrgustiku ja keemiliste fragmentide meetoditega. Wang et al. [8] tuvastas iseorganiseeruva kaardi abil 59 tüüpiliste külma/kuuma omadustega CHM-i. Fu et al. [9,10] uuris esinemistvähivastanetegevustmida näitab Hiina traditsioonilise meremeditsiini külm-kuuma olemus koos fülogeneetilise puu analüüsiga ja mida uuriti Silico Mode-of-Action meetodil, et selgitada CM-de külma, kuuma ja neutraalset olemust.

Üldiselt koosneb CM-de külma-kuuma olemuse diskrimineerimine kahest osast: tunnuste esitus ja loomulik klassifikatsioon. Funktsioonide esitus kasutab CM-i omaduste eraldamiseks CM-i, sõrmejäljetehnoloogia või metaboolse meetodi originaalseid efekte. Looduslik klassifikatsioon peab kasutama klassikalisi masinõppe klassifikaatoreid või konstrueeritud klassifikaatoreid, et eristada CM-de külma-kuuma olemust. Hiina meditsiini algsed mõjud on tõhus iseloomulik väljend. Xue uurimisrühm [11-13] uuris CM-ide algseid tõhususe omadusi aastal "hiina keelTaimneRavim(CHM)" ja kasutas klassikalisi klassifikaatoreid (nt tehisnärvivõrke), et klassifitseerida CM-de tundmatu olemus. Metabooloomika meetodit kasutatakse ka CM-de esindamiseks. Nie jt [14] uurisid CM-de metaboomilisi tunnuseid ja koostasid juhuslik metsamudel CM-ide tundmatu olemuse eristamiseks. Keemiatehnoloogia on oluline meetod külma-kuuma olemuse analüüsimiseks. Long jt [15] analüüsisid 284 CM-i keemilisi komponente, millel on selge meditsiiniline olemus, ja uurisid kombineeritud süsteemi ennustamiseks CM-de omaduste uurimiseks kasutatakse muid meetodeid, näiteks prootonite tuumamagnetresonantsspektroskoopiat (1H-NMR). Loetelu al. [16] uuris CM-de omadusi 1H-NMR abil ja rakendas mustrituvastustehnikaid CM-ide tundmatu olemuse analüüsimiseks.

Välja arvatud klassikalised klassifikaatorid, on otsinguskeem üks populaarsemaid ja tõhusamaid klassifitseerimisskeeme, mida on laialdaselt kasutatud hea- ja pahaloomuliste mammograafia ja kopsusõlmede tuvastamisel [17-20]. Võrreldes traditsiooniliste klassifikaatoritega võib otsinguskeem pakkuda analüüsiks ja viitamiseks kõige sarnasemaid juhtumeid. Seetõttu mängib sarnasuse mõõdik klassifitseerimise otsinguskeemis olulist rolli. Meie rühm on teinud palju uurimistööd kopsusõlmede kujutiste sarnasuse mõõtmiseks [20,21]. Kvantifitseerime kopsusõlmede kujutiste sarnasuse kauguse mõõdikutega. Kuigi sarnasuse mõõtmist on meditsiinilistel piltidel laialdaselt uuritud, kasutatakse seda CM-de olemuse tuvastamisel harva.

Praegune meditsiinilise olemuse uurimine keskendus CM looduse ja materjali koostise seoste paljastamisele CM-des. Näiteks kasutatakse CM-materjali koostise analüüsimiseks keemilisi sõrmejälgede võtmise tehnikaid ja CM-i olemust diskrimineerivaid mudeleid. CM-i keemilised sõrmejäljeandmed võivad kajastada CM-i koostisosade kogu koostist. Bioaktiivsuse määrab materjali koostis. ja CM-de bioaktiivsus on ravimi olemuse tuvastamise tuum [2]. Seega määrab materjali koostis kaudselt CM-ide olemuse. Uuringud on leidnud, et CM koostisosad on ravimite tootmise materiaalne alus [10]. Seetõttu oletatakse, et sarnase ainete koostisega CM-del peaks olema sarnane ravim.

Eespool välja pakutud hüpoteesi kontrollimiseks uurime selles töös seost CM-i koostisosade ja külma-kuuma meditsiinilise olemuse vahel. Esiteks koostame ultraviolettkiirguse (UV) spektritehnoloogia abil CM-i koostisosade andmebaasi, et esindada 61 CM-i, millel on selge külm-kuuma olemus (sealhulgas 30 „külma” CM-i ja 31 „kuuma” CM-i). Teiseks uurime CM-i koostisosade sarnasuse kvantifitseerimist kauguse mõõdikuga. Mahalanobise kaugust õpitakse mõõtma CM-de UV-sõrmejälgede sarnasust. Lõpuks pakutakse välja otsinguskeem, et luua ennustav identifitseerimismudel, et ennustada CM-de külma-kuuma olemust.

Materjalid ja meetodid

TCM-i andmestik

Selles uuringus analüüsitakse 61 tüüpilist CM-i, millest 30 CM on "külmaravimid" ja teised on "kuumad ravimid". Kõik 61 CM-i on tähistatud klassikalises "Chinese Materia Medica" ja "Shen Nong's Herbal Classic'is". Tabelis l on näidatud 61 tüüpilist CM-i ja nende olemust (omadused sulgudes).

61 CM testimiseks kasutatakse UV-sõrmejälgede tehnoloogiat. Peamine instrument on UV-3010 UV-spektrofotomeeter (Hitachi, Jaapan). Meie rühm registreeris nelja erineva lahustiga (kloroform, destilleeritud vesi, absoluutne etanool, petrooleeter) ultraviolettkiirguse lainepikkusel 190-400 nm kokku 61 CM-i neeldumise. Üksikasjalikku meetodit UV-sõrmejälje saamiseks võib käsitleda käsikirjas [25]. "Kuuma" ravimina on sinepiseemned märgitud klassikalises "Chinese Materia Medica" ja "Shen Nong's Herbal Classic's". Joonisel 1 on kujutatud Jiezhi (sinepiseemned) ja GeGeni (Puerariae Lobatae Radix) UV-neeldumiskõver petrooleetri lahustiga.

UV-sõrmejälgede sarnasus

Selles uuringus uurime seost külma ja kuuma olemuse ja CM-de materjali koostise vahel. Hüpoteesi kontrollimiseks peaks sarnase ainete koostisega CM-del olema sarnane meditsiiniline olemus, tahame kvantifitseerida CM-i koostisosade sarnasust ja uurida meetodit CM-i olemuse tuvastamiseks. UV-sõrmejälg peegeldab CM materjali koostist. Seetõttu tahame UV-sõrmejälgede põhjal paljastada külma-kuuma olemuse. Kui CM-de koostisosad on sarnased, võime arvata, et nende raviomadused on sarnased. Seetõttu peaks sarnaste UV-sõrmejälgedega CM-del olema sama ravim.

Sarnasuse mõõt on määratletud kui semantiline asjakohasus, mida on meie uuringus kasutatud kopsusõlme kujutiste sarnasuse mõõtmiseks [21]. Kui kaks CM-i on mõlemad külmetusravimid, on nad semantiliselt sarnased. Mahalanobise kaugust kasutatakse CM-de UV-sõrmejälgede sarnasuse mõõtmiseks. Mida väiksem on Mahalanobise kaugus, seda suurem on UV-sõrmejälgede sarnasus.

Tulemuslikkuse hindamine

Selles alapeatükis, et kontrollida pakutud otsimisskeemi teostatavust külma-kuuma looduse tuvastamiseks, tehakse otsinguskeemi toimivuse hindamiseks ulatuslikud katsed. Võrdleme oma skeemi jõudlust tipptasemel klassifitseerimismudelite, sealhulgas äärmusliku leamingmasina (ELM)[24], tehisnärvivõrgu (ANN) ja tugivektori masina (SVM) toimivusega. Kõik katsete hinnangud põhinevad olemasoleval TCM-i andmestikul. Rakendus aitab testida CM-i tundmatut olemust, hankides selge külma-kuuma iseloomuga CM-de sarnased UV-spektrid. Selles uuringus võrdlesime esmalt UV-spektrite olemuse tuvastamise jõudlust erinevate lahustitega ja valisime optimaalsele identifitseerimisvõimele vastava lahusti. Teiseks kavandasime kavandatud skeemi jõudluse hindamiseks katseid, mida nimetatakse stabiilsuse hindamiseks. Kolmandaks illustreerisime näidetega otsinguskeemi. Lõpuks kasutatakse pakutud algoritmi töökindluse testimiseks sõltumatut andmekogumit.

Meie katsetes kasutatakse pakutud ennustusmudeli toimivuse analüüsimiseks stabiilsuse hindamist. Stabiilsuse hindamine arvutatakse jätke-üks-CM-välja meetodil [20] kogu andmekogumis. Iga kord valiti päringu CM-ks üks CM ja võrdlusandmebaasiks ülejäänud 60 CM-i. Kuna iga TCM valiti päringu CM-ks, viidi see protsess läbi 6 korda. Selles otsinguskeemis leidsime K'kõige sarnasemad ja seejärel saime külma olemuse tõenäosuse. Lõpuks arvutati 61 tõenäosust. Külma olemuse tõenäosuse läve muutmisel genereeritakse vastuvõtja töökarakteristiku (ROC) kõver. Meie skeemi toimivuse hindamiseks kasutatakse ROC-kõvera (AUC) all olevat pindala ja ennustustäpsust (ACC). Mida suurem on ala, seda stabiilsem on mudel, ACC väärtus on CM-de külm-kuuma olemuse õige klassifitseerimise tõenäosus. ACC valem on järgmine:

Stabiilsuse hindamiseks kasutati AUC ja ACC väärtusi.

Tulemused

Toimivuse hindamine erinevate lahustitega.

CM-de keemilised sõrmejäljed peegeldavad CM-de materjali koostist. UV-spektrid on üks CM-ide sõrmejälgi, mida saab kasutada CM-de külma-kuuma olemuse eristamiseks. Selles uuringus koostame katsed, et kvantitatiivselt analüüsida seost materjali koostise ja CM-de olemuse vahel ultraviolettspektroskoopia abil.

Selles töös analüüsiti UV-spektrite klassifitseerimist erinevate lahustitega (destilleeritud vesi. kloroform. petrooleeter, absoluutne etanool), et valida lahusti all olevad UV-andmed optimaalse tuvastamise tulemuslikkuse tagamiseks. Meie skeemi parameetrite hindamiseks kasutatakse meetodit jäta-üks-CM-välja. Joonisel 2 on kujutatud erinevate lahustite UV-spektrite ravimite olemuse klassifikatsiooni ACC väärtuskõverad. ACC väärtus arvutatakse funktsioonina viidatud CM-de (K) arvust, mis on saadud, et saada mudeli toimivuse prognoosimiseks põhjalikum kõver. Joonisel 2 on petrooleetri lahusti ACC väärtuse kõver parem kui teiste lahustite korral, mis tähendab, et petrooleetri lahusti UV-spektritel on parim külma-kuuma olemuse eristusvõime. Kui K on seatud väärtuseks 7, on petrooleetri lahusti all oleva ACC väärtuse kõveral piik. Identifitseerimisjõudlus saavutab maksimaalse väärtuse 0.803. Absoluutse etanooli all oleva ACC väärtuse kõvera põhjal on UV-sõrmejälje absoluutse etanooliga madalaim ennustatav jõudlus. CM-i olemuse tuvastamine destilleeritud vee ja kloroformiga on halvem kui petrooleetriga, kuid ületab absoluutse etanooli lahusti oma. Joonise järgi on destilleeritud vee ja kloroformi maksimaalsed ACC väärtused mõlemad 0,656. Seetõttu on need kaks lahustit halvad ravimi olemuse ennustamiseks.

Selles uuringus on parameetri p mõju Eg. (4) uuritakse petrooleetri lahustit, et hinnata külma-kuuma looduse prognoositavat jõudlust. Er p väärtus määratakse vahemikus

parameeter【10-3,10*²,10',1,5,10,102,103】1.Joonis 3A näitab ACC väärtuse kõverat erinevate p-dega. Võib järeldada, et jõudluskõveral on väikesed kõikumised ja ACC väärtus saavutab maksimumi, kui parameeter p on seatud väärtuseks 5.

Omavektorite arvu k pakutud otsingualgoritmis analüüsitakse vahemikus [50 100 150 200 210]. Jooniselt fig 3B saab suurema ACC väärtuse saavutada kasvava arvu k korral. Maksimaalne klassifitseerimise jõudlus (ACC väärtus) vastab maksimaalsele omavektorite arvule k=210.

Mudeli toimivuse hindamine

Et näidata meie pakutud otsinguskeemi teostatavust ja stabiilsust CM-de külma ja kuuma olemuse tuvastamiseks, võrdleb see uuring meie skeemi (otsinguskeem, mida tähistatakse kui "RS") klassifitseerimise toimivust mõne klassikalise klassifikaatori (st ANN, SVM, ELM) või CM looduse tuvastamisel kasutatavad klassifikaatorid. Kõik võrdlusalgoritmid kasutavad andmestiku optimaalseid parameetreid. Eelmise jaotise tulemuste kohaselt kasutatakse petrooleetri lahusti all saadud UV-spektri andmeid külma hoidmise looduse prognoosi uurimiseks. Tabelis 2 on näidatud stabiilsuse hindamise tulemuslikkuse võrdlus RS ja teiste algoritmide vahel. Pearsoni korrelatsioonikoefitsienti (PCC) kasutatakse UV-spektrite sarnasuse mõõtmiseks võrdleva võrdlusalusena. Külma-kuuma looduse ennustustulemuste järgi võime järeldada järgmist. Esiteks toimib meie skeem RS kõige paremini külma-kuuma looduse tuvastamisel. Eelkõige on RS-l ja PCC-l parem tuvastamise täpsus kui teistel klassikalistel võrdlusalgoritmidel. See näitab, et sarnase ultraviolettspektriga Hiina ravimitel on sarnane ravim. Teiseks on UV-spektriandmetega ANN ja ELM meditsiiniloomuse tuvastamisel halvad.

Kolmandaks on SVM-i tuvastamise täpsus parem kui ANN-il ja ELM-il. Siiski on see kehv kui meie skeem. Lõpuks on meie skeemi stabiilsushinnang parim.

Näited ennustamisest

Ennustusnäidete saamiseks kasutatakse meetodit jäta üks välja. Tabelis 3 on loetletud kaks RS-i tagastatud otsingu-CM-juhtumit. Tabelis on näidatud päring Hiina meditsiin (esimene rida) ja selle ülemised k=7 otsitud viite-CM-d. Otsitud võrdlus-CM-id arvutab RS ja järjestab need monotoonselt suureneva Mahalanobise kaugusega. Külma-kuuma ravimi identifitseerimise põhimõtte illustreerimiseks on näidetena külmravi (DiFuZhi(Kochiae Fructus)) ja kuumaravim (BiBa(Piperis Longi Fructus)). Esimeses veerus on päringu ravim Piperis Longi Fructus. Selle välja otsitud võrdlusravimid on kõik kuumad. Arvutatud külma olemuse tõenäosus on 0, mis näitab, et päring meditsiin võib olla kuum loodus. Teises veerus on päring ravim Kochiae Fructus. Välja otsitud tulemustes on kuus külma loodusravimit ja üks kuuma loodusravim. Selle külma olemuse tõenäosus on 0,9464, mis näitab, et päring meditsiin on tõenäolisemalt külm. Prognoosinäited näitavad, et sarnased UV-sõrmejäljed võivad iseloomustada sama meditsiinilist olemust.

Üldine ennustusjõudlus.

Selles uuringus viime läbi pakutud RS-meetodi tervikliku hindamise. Tabelis 4 on näidatud 61 CM-i ennustuste segaduse maatriks. Kogu ennustuse täpsus on 80,3 protsenti (49/61). Külma loodusmeditsiini tuvastustäpsus on 86,7 protsenti (26/30), kuuma loodusmeditsiini ennustustäpsus on 74,2 (23/31). On näha, et sellel skeemil on hea ennustusmäär külma iseloomuga ravimite puhul. 61 CM tuvastamise tagasikutsumine, täpsus ja F-skoor on loetletud tabelis 5. Üldiselt on meie skeemil hea tuvastamise määr.

Kavandatud tugevus

meetod Pakutud algoritmi töökindluse testimiseks kasutatakse sõltumatut andmekogumit. Selles andmekogumis arvutatakse molekulaarsed deskriptorid, mis esindavad CM-e, sealhulgas molweight, H. Acceptors, H. Doonors, Polar. Surface. Area, Rotatable.Bonds, Sp3.Atoms, Symmetric. aatomid ja amiinid. Üksikasjalikku protsessi on kirjeldatud käsikirjas [10]. Andmekogus on 534 kuumaravimit ja 724 külmetuse ravimit. Tabel 6 näitab 1258 CM-i (534 pluss 724 ravimit) tuvastamise segaduse maatriksit. Kogu tuvastamise täpsus on 81,1 protsenti (1020/1258). Külma loodusravimite ennustustäpsus on 83,0 protsenti (443/534), kuumade loodusravimite identifitseerimistäpsus 79,7 protsenti (577/724). Katsetulemused näitavad, et pakutud meetodil on parem vastupidavus. Üldiselt on meie skeemil hea ennustusmäär.

Arutelu

Selles uuringus oleme uurinud CM-i looduse klassifitseerimise teostatavust otsinguskeemi abil UV-spektriandmete sarnasuse alusel. Katsetulemused on näidanud, et see on tõhus meetod tundmatu CM-i olemuse tuvastamiseks UV-spektri sarnasuse arvutamise teel. Samal ajal kinnitavad katsetulemused välja pakutud hüpoteesi, et sarnase ainete koostisega CM-del peaks olema sarnane ravim.

Kokkuvõttes. meie uurimistöö eelised on järgmised. Esiteks, CM-i olemuse tuvastamiseks kogutakse 61 võrdlus-CM UV-spektriga andmestik, milles igal CM-il on selgelt külm või kuum olemus. Seega on see CM-i olemuse määramisel tõhus ja teostatav.

Teiseks mängib külm-kuum loodus TCM-i loodusteoorias kriitilist rolli. Selles uuringus uurime CM-i materjali koostise ja külma-kuuma looduse vahelisi seoseid. Materjali koostist esindavad UV-spektrid. Eksperimentide hinnangud on näidanud, et materjali koostise ja külma-kuuma ravimi olemuse vahel on seos, mida saab kasutada külma-kuuma olemuse klassifitseerimisel. Lisaks näitame, et materjali koostis määrab CM külma-kuuma olemuse.

Kolmandaks, CM-i UV-spektriomaduste valguses uurime CM-i olemuse tuvastamiseks otsimisskeemi. UV-spektrite sarnasuse mõõtmiseks uuritakse kauguse mõõdikut. Katse tulemused näitavad, et meie skeem toimib kõige paremini. Võimalik selgitus on see, et meie skeem uurib piisavalt materjali koostise ja CM külma-kuuma looduse vahelist seost.

Neljandaks on veel üks selles uuringus põhjalikult tõestatud jõudlus kavandatud otsinguskeemi tugevus tulevaste kliiniliste rakenduste jaoks. Aruka diskrimineeriva mudeli puhul on meie eesmärk aidata teadlasi ultraviolettspektrite lugemisel ja külma-kuuma looduse tuvastamisel. Mudel ei ole teostatav, kui robustsus on sõltumatu TCM-i andmestiku jaoks liiga madal. Oleme näidanud, et meie mudelil on katsetes kõrge vastupidavus. Meie mudeli tugevuse kinnitamiseks tulevikus ekstraheeritakse rohkem CM-i sõrmejälgede andmeid.

Meie uuringul on siiski mõned piirangud. Esiteks kasutas see uuring CM-de esindamiseks ainult UV-spektreid. Teisi sõrmejäljetehnikaid selles uuringus ei analüüsita, CM-d on keerukad ühendite segud. CM-ühendite kogu koostist on võimatu kajastada ainult ühe sõrmejäljetehnikaga. Tulevikus tahame CM-i külma-kuuma olemuse analüüsimiseks kasutada mitut sõrmejälge. Teiseks uurime UV-spektrite sarnasust kauguse mõõdikuga. Sõrmejälgede andmetel on suure mõõtme ja väikese valimi omadused. Sellistest tunnustest lähtuvalt on prognoosimudeli kujundamine tuleviku keskmes. Kolmandaks keskendub meie uuring külma-kuuma looduse liigitamise otsimisskeemide uurimisele. UV-spektri omadusi ei ole põhjalikult analüüsitud. Seejärel integreerime tõhusamad sõrmejäljeandmed, et parandada ravimite olemuse klassifitseerimist.

Meie uuring ei anna mitte ainult looduse tuvastamise meetodit, vaid ka uut loodusmarkeri skeemihiina keelravimid. Loodusmarker on uudne kontseptsioon, mis näitab selle koostisosihiina keelravimidtihedalt seotud meditsiini olemusega. Soovime oma looduse tuvastamise skeemi abil otsida sarnaste koostisainetega Hiina ravimeid samadel looduspiirangutingimustel. Nii mitmelgi Hiina ravimil on samad koostisained, mida võib pidada nende mitme loodusmarkeritekshiina keelravimid.

Järeldus

Selles uuringus pakutakse välja otsimisskeem külma-kuuma meditsiini olemuse ennustamiseks. CM omaduste põhjal on sellel skeemil parem klassifitseerimise jõudlus kui klassikalistel klassifikaatoritel. Tõhusad katsed näitavad, et külm-kuuma ravimite olemus ja UV-spektri sõrmejälgede andmed on olulised.

Viited

1 Gao J, Chen C. Arutelu Hiina materia medica nelja olemuse teadusliku tähenduse üle. Acta Univ. Tradit. Med. Sin Pharmacol Shanghai 2007, 21:16-18.

2. Ouyang B, Wang ZG, Wang P. Hiina materia medica nelja omaduse teooria uurimuslik mõtlemine ja moodsa uuringu meetod. J Beijing Univ Tradit Chin Med 2006, 29: 592-594.

3. Wu LJ, Wang YY, Li YD jt. ZHENG mõistmine traditsioonilises hiina meditsiinis neuro-endokriin-immuunsüsteemi kontekstis. IET Syst Biol 2007,1: 51-60.

4. Jin R, Zhang B, Liu XQ jt. Hiina materia medica bioloogilise jõudluse uurimine kas külma või kuuma omadusega kolmeelemendilise matemaatilise analüüsi mudeli põhjal. J Chin Integr Med 2011, 9:715-724.

5. Zhao Y, Jia L, Wang J jt. Mahaangi ja maxingshigani keetmise omaduste erinevuse analüüs külma/kuuma padjaga. Pharm Biol 2016, 54(7):1298-302.

6. Wan HY, Kong XY, Li XM jt. Erinevate omadustega traditsiooniliste hiina ravimite mõju pärmseenest põhjustatud palavikuga rottide termoregulatsioonile ja temperatuuritundlikule ajutise retseptori potentsiaalikanali valgule. Hiina J Chin Meter Med 2014, 39:3813-3818.

7. Liang F, Li L, Wang M jt. Hiina meditsiinist pärit külma ja kuuma omadustega ravimtaimede molekulaarvõrgustik ja keemiliste fragmentide põhised omadused. J Ethnopharmacol 2013, 148(3):770-779.

8. Wang M, Li L, Yu C jt. Hiina taimsete ravimite segude klassifikatsioon iseorganiseeruva kaardi (SOM) alusel. Mol Inform 2016, 35(3-4):109-115.

9. Fu X, Song X, Li X jt. Traditsioonilise hiina meremeditsiini külma-kuuma olemuse filogeneetiline puuanalüüs võimaliku vähivastase toime jaoks. Evid Based Complement Alternat Med 2017, 2017:1-10.

10. Fu X, Mervin LH, Li X jt. Hiina ravimite külma, kuuma ja neutraalse olemuse mõistmiseks, kasutades in silico toimeviisi analüüsi. J Chem Inf Model 2017, 57(3):468-483.

11. Li Y, Li X, Xue FZ jt. Hiina traditsiooniliste ravimite omaduste diskrimineerimine tehisnärvivõrgu põhjal. J Shandong Univ (Terviseteadused) 2011, 49:57-61.

12. Liu WH, Li Y, Ji YJ jt. Traditsioonilise Hiina taimsete ravimite omandi diskrimineerimise osalised vähimruudud. J. Shandongi ülikool (terviseteadused) 2012, 50:151-154.

13. Zhang XX, Li Y, Ji YJ jt. Hiina traditsioonilise meditsiini omaduste eristamine põhikomponentide analüüsiga - lineaarne diskriminantanalüüs. J Shandong Univ (Terviseteadused) 2012, 50:143-146.

14. Nie B, Hao ZL, Gui B jt. Juhuslikul metsal põhineva traditsioonilise hiina meditsiini külma ja kuuma omaduse metaboloomika diskrimineeriva meetodi uurimine. J Jiangxi Univ Traditi Chin Med 2015, 27:82-86.

15. Long W, Liu P, Xiang J jt. Kombineeritud süsteem Hiina Materia Medica omaduste ennustamiseks. Arvuta. Meetodid Programmid Biomed. 2011, 101(3):253-264.

16. Li H, Xu Q, Zhang J jt. Külm-kuum olemus eristab traditsioonilisi Hiina ravimtaimi 1H-NMR spektriandmete diskrimineeriva analüüsi abil. 2017. aasta rahvusvaheline meditsiiniteaduse ja inimtervise konverents (MSHH 2017), 2017, 174-179.

17. Jiang M, Zhang S, Li H jt. Mammograafiliste masside arvutipõhine diagnoosimine skaleeritava pildiotsingu abil. IEEE Trans Biomed Eng 2015, 62(2):783-92.

18. Tsochatzidis L, Zagoris K, Arikidis N jt. Mammograafiliste masside arvutipõhine diagnostika, mis põhineb juhendatud sisupõhisel pildiotsingu lähenemisviisil. Pattern Recog 2017, 71:106-117.

19. Wei G, Ma H, Qian W jt. Kopsu masside sarnasuse mõõtmine meditsiinilise kujutise saamiseks, kasutades tuumapõhist pooljärelevalvega kauguse mõõdikut. Med Phys 2016, 43(12):6259-6269.

20. Wei G, Ma H, Qian W jt. Sisupõhine pildiotsingu skeem kopsusõlmede klassifitseerimiseks. Curr Med Imaging Rev 2017, 13(2):210-216.

21. Liu Y, Rong J, Lily M jt. Visuaalsust säilitav kaugõppe raamistik ja selle rakendamine meditsiinilise kujutise otsimiseks. IEEE Trans Pattern Anal Mach Intell 2010, 32(1):30-44.

22. Weinberger KQ, Blitzer J, Saul LK. Kaugõpe lähima naabri suure varu jaoks. J Mach Learn Res 2009, 10(1):207-244.

23. Tao D, Li X, Wu X jt. Üldine tensori diskrimineerimise analüüs ja Gabori funktsioonid kõnnaku tuvastamiseks. IEEE Trans. Muster Anal Mach Intell 2007, 29(10):1700–1715.

24. Malar E, Kandaswamy A, Chakravarthy D jt. Uudne lähenemisviis mammograafiliste mikrokaltsifikatsioonide tuvastamiseks ja klassifitseerimiseks, kasutades laineanalüüsi ja äärmuslikku õppemasinat. Comput Biol Med 2012, 42:898–905.

25. H. Li. Digitaalse esitussüsteemi ehitamine traditsioonilise hiina meditsiini (TCM) põhialuse ultraviolettspektri sõrmejälgede põhjal külma-kuuma olemusega. Jinan: Shandongi traditsioonilise hiina meditsiini ülikool 2011.