一种基于诊疗经验和智能学习的中药组方筛选方法及系统技术方案

本发明专利技术公开一种基于诊疗经验和智能学习的中药组方筛选方法及系统，包括：S1，计算针对特定疾病的药物成分数和药物靶点数，基于药物成分数和药物靶点数，计算针对特定疾病的中药药物得分；S2，计算药物配伍得分；S3，基于中药药物得分和药物配伍得分，计算针对特定疾病的方剂得分，基于方剂得分，生成最终方剂。本发明专利技术能够根据中医诊疗经验，通过智能优化算法，快速准确地筛选有效中药组方。速准确地筛选有效中药组方。速准确地筛选有效中药组方。

【技术实现步骤摘要】
一种基于诊疗经验和智能学习的中药组方筛选方法及系统


[0001]本专利技术涉及中医方剂人工智能优化
，特别涉及一种基于诊疗经验和智能学习的中药组方筛选方法及系统。

技术介绍

[0002]疾病的产生往往由多种原因引起，这些原因包括遗传、环境、基因表达等等。比如高血压、冠心病等疾病，往往并非由于单一疾病靶点作用产生。而在以往的治疗中，往往采用“单靶点—单疾病—单药物”的治疗思路，因此基于这种理念的治疗方案往往会遇到很多瓶颈和问题。另一方面，如何通过药物组合来增加药效，降低药物副作用，也越来越多的成为当今药物研发领域的重点。
[0003]中药的方剂，即不同的药物通过组合和计量的改变，来治疗疾病，已经积累了上千年的经验，比如“君臣佐使”的药物组合原则，“六经辩证”的治病体系等。这些以往的医案和方剂包含了大量的诊疗信息和治病方法，但是在这些传统的方法中，通过组方治疗相关疾病往往高度依赖医生的个人经验。这种基于个人经验的组方方法，往往面临着不确定性强，缺乏定量化方法的挑战。如何根据现代生物信息学、复杂网络等研究方法，结合组合基因组学、蛋白组学、转录组学等组学数据，抽取传统医学中的经验知识，对中药配伍机制和组方机制进行研究，是目前遇到的挑战之一。

技术实现思路

[0004]为解决上述现有技术中所存在的问题，本专利技术提供一种基于诊疗经验和智能学习的中药组方筛选方法及系统，定量化衡量针对特定疾病的组方合理性以及如何根据特定的疾病、表征，自动衍生对应疾病的方剂。筛选得到的中药组方具有扰动疾病的作用，干预的平均靶点数量更高，具有较好的疗效。
[0005]一方面，为了实现上述技术目的，本专利技术提供了一种基于诊疗经验和智能学习的中药组方筛选方法，包括：
[0006]S1，计算针对特定疾病的药物成分数和药物靶点数，基于所述药物成分数和所述药物靶点数，计算针对所述特定疾病的中药药物得分；
[0007]S2，计算药物配伍得分；
[0008]S3，基于所述中药药物得分和所述药物配伍得分，计算针对所述特定疾病的方剂得分，基于所述方剂得分，生成最终方剂。
[0009]可选地，还包括采用验证指标验证所述最终方剂的有效性；
[0010]所述验证指标包括：采用针对所述特定疾病的常见方剂与等药物数量随机方式和等靶点数量随机方式比较、cMap得分和最小覆盖法得分。
[0011]可选地，所述药物得分的获取过程为：
[0012]构建蛋白与蛋白相互作用网络和中药
‑
成分
‑
疾病靶点网络；
[0013]在所述蛋白与蛋白相互作用网络中，采用中心性指标衡量节点重要性，得到节点
重要性分数；
[0014]基于所述节点重要性分数，在所述中药
‑
成分
‑
疾病靶点网络中进行无偏随机游走，得到所述药物得分。
[0015]可选地，所述中心性指标包括但不限于degreepagerank、eigenvector、closeness和betweenness。
[0016]可选地，采用S
ab
、jaccard_col、jaccard_tar、gini_col和gini_tar指标评价所述药物配伍得分。
[0017]可选地，所述最终方剂的获取过程为：
[0018]基于所述中药药物得分和所述药物配伍得分，采用FmapScore计算针对所述特定疾病的所述方剂得分；并根据遗传算法，将所述FmapScore作为评价函数，初期随机生成方剂，进行交叉变异迭代，生成所述最终方剂。
[0019]可选地，所述FmapScore的计算公式为：
[0020][0021]式中，hscore
i
和hscore
j
分别表示中药i和中药j在针对特定疾病的分数；pscore
ij
表示中药i和中药j之间的配伍得分；n表示方剂中中药的数量。
[0022]可选地，所述遗传算法包括：
[0023]a.初始化方剂formula
i
：将每组方剂中的中药列表视为一条“染色体”，表示为herb1,herb2,...,herb
n
，herb1到herb
n
为随机抽取n味中药做为初始方剂，m个方剂组成方剂列表；
[0024]b.适应值评价：采用FmapScore计算方剂formula
i
得分；
[0025]c.采用轮盘赌算法：根据适应值大小，更新K条染色体，提高所述适应值更大的方剂组合进入待选集合的可能性；
[0026]d.对所述待选集合中的所述“染色体”进行交叉变异，生成新的子染色体，将所述适应值更小的组合保留，重新评估适应值；
[0027]e.重复步骤b，直至找到最优解或达到终止条件时结束。
[0028]另一方面，为了实现上述技术目的，一种基于诊疗经验和智能学习的中药组方筛选系统，其特征在于，包括：中药药物得分计算模块、药物配伍得分计算模块和最终方剂生成模块；
[0029]所述中药药物得分计算模块用于计算针对特定疾病的药物成分数和药物靶点数，基于所述药物成分数和所述药物靶点数，计算针对所述特定疾病的中药药物得分；
[0030]所述药物配伍得分计算模块用于计算药物配伍得分；
[0031]所述最终方剂生成模块用于基于所述中药药物得分和所述药物配伍得分，计算针对所述特定疾病的方剂得分，基于所述方剂得分，生成最终方剂。
[0032]本专利技术具有如下技术效果：
[0033]本专利技术能够根据中医诊疗经验，通过智能优化算法，快速准确地筛选有效中药组方。
附图说明
[0034]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0035]图1为本专利技术实施例一示意图；
[0036]图2为本专利技术基于经验和学习的中药组方筛选方法流程框图。
具体实施方式
[0037]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0038]实施例一
[0039]如图1、2所示，本专利技术公开一种基于经验和学习的中药组方筛选方法，包括：
[0040]S1，计算针对特定疾病的药物成分数和药物靶点数，基于药物成分数和药物靶点数，计算针对特定疾病的中药药物得分；
[0041]药物得分的获取过程：构建蛋白与蛋白相互作用的PPI网络和中药
‑
成分
‑
疾病靶本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于诊疗经验和智能学习的中药组方筛选方法，其特征在于，包括以下步骤：S1，计算针对特定疾病的药物成分数和药物靶点数，基于所述药物成分数和所述药物靶点数，计算针对所述特定疾病的中药药物得分；S2，计算药物配伍得分；S3，基于所述中药药物得分和所述药物配伍得分，计算针对所述特定疾病的方剂得分，基于所述方剂得分，生成最终方剂。2.根据权利要求1所述的基于诊疗经验和智能学习的中药组方筛选方法，其特征在于，还包括采用验证指标验证所述最终方剂的有效性；所述验证指标包括：采用针对所述特定疾病的常见方剂与等药物数量随机方式和等靶点数量随机方式比较、cMap得分和最小覆盖法得分。3.根据权利要求1所述的基于诊疗经验和智能学习的中药组方筛选方法，其特征在于，所述药物得分的获取过程为：构建蛋白与蛋白相互作用网络和中药
‑
成分
‑
疾病靶点网络；在所述蛋白与蛋白相互作用网络中，采用中心性指标衡量节点重要性，得到节点重要性分数；基于所述节点重要性分数，在所述中药
‑
成分
‑
疾病靶点网络中进行无偏随机游走，得到所述药物得分。4.根据权利要求3所述的基于诊疗经验和智能学习的中药组方筛选方法，其特征在于，所述中心性指标包括但不限于degree、pagerank、eigenvector、closeness和betweenness。5.根据权利要求1所述的基于诊疗经验和智能学习的中药组方筛选方法，其特征在于，采用S
ab
、jaccard_col、jaccard_tar、gini_col和gini_tar指标评价所述药物配伍得分。6.根据权利要求1所述的基于诊疗经验和智能学习的中药组方筛选方法，其特征在于，所述最终方剂的获取过程为：基于所述中药药物得分和所述药物配伍得分，采用FmapScore计算针对所述特定疾病的所述方剂得分；并根据遗传算法...

【专利技术属性】
技术研发人员：牛琪锴，李兵，张华敏，
申请(专利权)人：中国中医科学院中药研究所，
类型：发明
国别省市：