Likhetsmåling av ingredienser i kinesisk medisin for identifikasjon av kald og varm natur

For mer informasjon:emily.li@wecistanche.com

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

1Key Laboratory of Theory of TCM, Ministry of Education of China, Shandong University of Traditional Chinese Medicine, Jinan, Kina.

Høydepunkter

I denne studien bekreftet vi hypotesen om atkinesiskmedisinermed en lignende sammensetning av stoffer bør ha lignende medisinsk natur. Vi brukte kjemiske fingeravtrykk for å analysere de kjemiske ingrediensene i kinesiske medisiner. Vi målte likheten mellom ingredienser med en avstandsmåling og utviklet et gjenfinningsskjema for å identifisere den kald-varme naturen tilkinesiskmedisiner.

Cistanche er en veldig god kinesisk medisin

Abstrakt

Mål: Naturteori avkinesiskmedisin(CM) er kjernen grunnleggende teori omTradisjonellkinesiskMedisin(TCM), der kald-varm natur er i fokus for forskning. Studier har funnet at CM-ingredienser er det materielle grunnlaget for produksjon av medisinnaturer. Derfor spekuleres det i at CM-er med lignende sammensetning av stoffer bør ha lignende medisinsk natur. Moderne arbeid studerer kald-varm medisin av CM med kjemisk fingeravtrykkteknologi fordi de kjemiske fingeravtrykkdataene til CM kan gjenspeile hele sammensetningen av CM-ingredienser.

Metoder: For å bekrefte hypotesen ovenfor, studerer vi i dette arbeidet kvantifisering av likheten mellom CM-ingredienser og fingeravtrykkslikhet og utforsker forholdet mellom sammensetningen av CM-er og kald-varm natur. For det første bruker vi ultrafiolett (UV) spektrumteknologi for å analysere 61 CM, som har klar kald-varm natur (inkludert 30'kalde'CM og 31'varme' CM). For det andre med den konstruerte fingeravtrykkdatabasen med CM-er. en metrisk læringsalgoritme for avstand er studert for å måle likheten mellom UV-fingeravtrykk. Til slutt foreslås et gjenfinningsskjema for å bygge en prediktiv identifiseringsmodell for å identifisere den kald-varme naturen til CM-er.

Resultater: Ved hjelp av tallrike eksperimentanalyser kan ultrafiolette spektrumdata for petroleumseter-løsningsmiddel bedre representere CM-er for å skille mellom kalde og varme naturer. Sammenlignet med eksisterende klassiske modeller har den foreslåtte identifikasjonsordningen bedre prediktiv ytelse.

Konklusjon: De eksperimentelle resultatene beviser vår slutning om at CM med lignende sammensetning av stoffer bør ha lignende medisinsk natur. Den foreslåtte prediksjonsmodellen har vist seg å være effektiv og gjennomførbar.

Nøkkelord: Tradisjonell kinesisk medisin,kinesiskMedisiningredienser, Ultrafiolett spektrum, Likhetsmåling, Kald-varm natur

Bakgrunn

Som et av kjerneelementene i tradisjonell kinesisk medisin (TCM), har naturteorien til TCM tiltrukket seg oppmerksomheten til forskere og forskningsinstitusjoner i mange år. Naturen avkinesiskmedisin(CM) inneholder fire typer dvs. kjølig, kald, varm og varm, hvilken kald og varm natur er en viktig del av TCM-naturteorien [1,2]." Behandling av varmt syndrom med kald naturmedisin og behandling av kaldt syndrom med medisin for varm natur" indikerer at kald eller hot egenskap av medisin naturteori er et viktig grunnlag for TCM-behandling for å regulere balansen mellomYinogYangav menneskekroppen, og bruk av kald-varm medisin natur fører til effektiv behandling i TCM klinisk medisin [3].

Tallrike spesialister har forskjellige syn på TCM kald-varme natur. Jin et al.[4] foreslått en matematisk analysemodell med tre elementer for å undersøke den biologiske karakteren til TCM på grunnlag av kald-varm medisinnatur. Zhao et al. [5] utforsket en kald/varm plate-metode for å skille mellom den kald-varme naturen til Mahuang og Maxingshigan avkok. Wan et al.[6] studerte effekten av TCM med forskjellige egenskaper på termoregulering og temperaturfølsomt transient reseptorpotensieringskanalprotein hos rotter med gjærindusert feber. Liang et al.[7] analysert de kalde og varme egenskapene til kinesiske medisinske urter med molekylære nettverk og kjemiske fragmentmetoder. Wang et al. [8]identifiserte 59 CHMer med typiske kalde/varme egenskaper ved selvorganiserende kart. Fu et al. [9,10] undersøkte tilstedeværelsen avantikreftaktivitetvist av den kald-varme naturen til tradisjonell kinesisk marin medisin med fylogenetisk treanalyse og utforsket i Silico Mode-of-Action-metoden for å forklare den kalde, varme og nøytrale naturen til CM-er.

Generelt inneholder diskrimineringen av den kald-varme naturen til CM-er to deler: funksjonsrepresentasjon og naturlig klassifisering. Funksjonsrepresentasjon bruker originale effekter av CM, fingeravtrykkteknologi eller metabolomikkmetode for å trekke ut egenskapene til CM. Naturklassifisering må bruke klassiske maskinlæringsklassifiserere eller konstruerte klassifikatorer for å diskriminere den kalde-varme naturen til CM-er. De originale effektene av kinesisk medisin er et effektivt karakteristisk uttrykk. Xue-forskningsgruppen [11-13] utforsket originale effektivitetstrekk ved CM-er i "kinesiskUrteMedisin(CHM)" og brukte klassiske klassifiserere (som de kunstige nevrale nettverkene) for å klassifisere den ukjente naturen til CM-er. Metabolomikk-metoden brukes også til å representere CM-ene. Nie et al. [14] studerte Metabonomiske trekk ved CM-er og konstruerte en tilfeldig skogmodell for å diskriminere den ukjente naturen til CM-er. Kjemisk teknologi er en viktig metode for å analysere den kald-varme naturen. Long et al. [15] analyserte de kjemiske komponentene til 284 CM-er med klar medisinsk natur og utforsket et kombinasjonssystem for å forutsi den kald-varme naturen til andre CM-er, Andre metoder, slik som kjernemagnetisk resonansspektroskopi av proton(1H-NMR), brukes til å undersøke egenskapene til CM-er. Liste al. [16] studerte egenskapene til CM-er med 1H-NMR og anvendte mønstergjenkjenningsteknikker for å analysere den ukjente naturen til CM-er.

Bortsett fra klassiske klassifikatorer, er gjenfinningsskjemaet et av de populære og effektive klassifiseringsskjemaene, som har blitt brukt mye for å identifisere godartet og ondartet mammografi og lungeknuter [17-20]. Sammenlignet med tradisjonelle klassifikatorer kan gjenfinningsordningen gi de mest like tilfeller for analyse og referanse. Derfor spiller likhetsmål en viktig rolle i gjenfinningsordningen for klassifisering. Vår gruppe har gjort mye forskningsarbeid på likhetsmåling av pulmonale knuterbilder [20,21]. Vi kvantifiserer likheten mellom lungeknuterbilder og avstandsmålinger. Selv om likhetsmåling har blitt mye studert i medisinske bilder, brukes den sjelden i naturidentifikasjon av CM-er.

Den nåværende forskningen av medisinnatur fokuserte på å avsløre sammenhengen mellom CM-natur og materialsammensetning i CM-er. For eksempel brukes kjemiske fingeravtrykksteknikker og CM-naturdiskriminerende modeller for å analysere CM-materialsammensetning. De kjemiske fingeravtrykkdataene til CM kan gjenspeile hele sammensetningen av CM-ingredienser. Bioaktivitet bestemmes av materialsammensetning. og bioaktivitetene til CM er kjernen i å identifisere medisinnatur [2]. Dermed bestemmer materialsammensetning indirekte naturen til CM-er. Studier har funnet at CM-ingredienser er det materielle grunnlaget for produksjon av medisinnaturer [10]. Derfor spekuleres det i at CM-er med lignende sammensetning av stoffer bør ha lignende medisinsk natur.

For å bekrefte hypotesen foreslått ovenfor, i dette arbeidet utforsker vi forholdet mellom CM-ingrediensene og kald-varm medisinsk natur. For det første konstruerer vi en CM-ingrediensdatabase ved å bruke ultrafiolett (UV) spektrumteknologi for å representere 61 CM-er, som har tydelig kald-varm natur (inkludert 30 'kalde' CM-er og 31 'varme' CM-er). For det andre studerer vi kvantifisering av likheten mellom CM-ingredienser og en avstandsberegning. Mahalanobis-avstand er lært for å måle likheten mellom UV-fingeravtrykk av CM-er. Til slutt foreslås et gjenfinningsskjema for å bygge en prediktiv identifiseringsmodell for å forutsi den kalde-varme naturen til CM-er.

Materialer og metoder

TCM-datasett

61 representative CM er analysert i denne studien, der 30 CM er "kalde medisiner" og andre er "varme medisiner". Alle de 61 CM-ene har blitt merket i den klassiske 'Chinese Materia Medica' og 'Shen Nong's Herbal Classic'. Tabell l viser de 61 representative CM-ene og deres natur (karakteristikker i parentes).

UV-fingeravtrykksteknologi brukes til å teste 61 CM-ene. Hovedinstrumentet er UV-3010 UV-spektrofotometer (Hitachi, Japan). Vår gruppe registrerte absorbansen til totalt 61 CM i den ultrafiolette bølgelengden på 190-400nm med fire forskjellige løsningsmidler (kloroform, destillert vann, absolutt etanol, petroleumseter). En detaljert metode for å få et UV-fingeravtrykk kan referere til i manuskriptet [25]. Som en "varm" medisin har sennepsfrø blitt merket i den klassiske "Chinese Materia Medica" og "Shen Nong's Herbal Classic". Figur 1 viser UV-absorpsjonskurven for Jiezhi (sennepsfrø) og GeGen (Puerariae Lobatae Radix) med petroleumseterløsningsmiddel.

UV-fingeravtrykkslikhet

I denne studien undersøker vi forholdet mellom den kald-varme naturen og materialsammensetningen til CM. For å bekrefte hypotesen bør CM-er med lignende sammensetning av stoffer ha lignende medisinsk natur, vi ønsker å kvantifisere likheten mellom CM-ingredienser og utforske metoden for å identifisere CM-natur. Et UV-fingeravtrykk gjenspeiler materialsammensetningen til en CM. Derfor ønsker vi å avsløre kald-varm natur basert på UV-fingeravtrykk. Hvis ingrediensene i CM er like, kan vi tro at deres medisinske egenskaper er like. Derfor bør CM-er med lignende UV-fingeravtrykk ha samme medisinske natur.

Likhetsmålet er definert som semantisk relevans, som har blitt brukt til å måle likheten mellom lungeknutebilder i vår studie [21]. Hvis to CM er begge forkjølelsesmedisiner, er de semantisk like. Mahalanobis-avstanden brukes til å måle likheten mellom UV-fingeravtrykk av CM-er. Jo mindre Mahalanobis-avstanden er, desto større er likheten mellom UV-fingeravtrykk.

Ytelsesvurdering

I denne underseksjonen, for å verifisere gjennomførbarheten av den foreslåtte gjenfinningsordningen for identifikasjon av kald-varm natur, er det konstruert omfattende eksperimenter for å vurdere ytelsen til gjenfinningsordningen. Vi sammenligner ytelsen til opplegget vårt med ytelsen til de nyeste klassifiseringsmodellene, inkludert ekstreme leming machine (ELM)[24], kunstig nevrale nettverk (ANN) og støttevektormaskin (SVM). Alle eksperimenters evalueringer er basert på det eksisterende TCM-datasettet. Applikasjonen hjelper til med å teste den ukjente naturen til en CM ved å hente lignende UV-spektre av CM-er med klar kald-varm natur. I denne studien sammenlignet vi først naturidentifikasjonsytelsen til UV-spektre med forskjellige løsningsmidler og valgte løsningsmidlet som tilsvarer den optimale identifikasjonsytelsen. For det andre designet vi eksperimenter for å evaluere den foreslåtte ordningens ytelse, kalt stabilitetsevaluering. For det tredje illustrerte vi gjenfinningsordningen med eksempler. Til slutt brukes et uavhengig datasett for å teste robustheten til den foreslåtte algoritmen.

I våre eksperimenter brukes stabilitetsevaluering for å analysere ytelsen til den foreslåtte prediksjonsmodellen. Stabilitetsevaluering beregnes med leave-one-CM-out metoden [20] i hele datasettet. Hver gang ble én CM valgt som spørrings-CM og de resterende 60 CM-ene som referansedatabase. Fordi hver TCM ble valgt som spørrings-CM, ble denne prosessen utført 6 ganger. I dette gjenfinningsskjemaet hentet vi K'most like's og fikk deretter en kald natursannsynlighet. Til slutt ble det beregnet 61 sannsynligheter. Ved å variere terskelen for 'kald natursannsynlighet', genereres en mottakeroperasjonskarakteristikk (ROC)-kurve. Arealet under ROC-kurven (AUC) og prediksjonsnøyaktigheten (ACC) brukes til å evaluere ytelsen til opplegget vårt. Jo større areal, jo mer stabil er modellen, ACC-verdien er sannsynligheten for korrekt klassifisering av den kald-varme naturen til CM. Formelen til ACC er som følger:

AUC- og ACC-verdien ble brukt for stabilitetsevalueringen.

Resultater

Ytelsesevaluering med forskjellige løsemidler.

De kjemiske fingeravtrykkene til CM-er reflekterer materialsammensetningen til CM-er. UV-spektre er ett fingeravtrykk av CM-er, som kan brukes for å diskriminere den kalde-varme naturen til CM-er. I denne studien konstruerer vi eksperimenter for å kvantitativt analysere forholdet mellom materialsammensetning og naturen til CM ved hjelp av ultrafiolett spektroskopi.

I dette arbeidet ble klassifiseringsytelsen til UV-spektrene med forskjellige løsningsmidler (destillert vann. kloroform. petroleumseter, absolutt etanol) analysert for å velge UV-data under løsningsmiddel for optimal gjenkjennelsesytelse. Leave-one-CM-out metoden brukes til å evaluere parametrene til ordningen vår. Figur 2 viser ACC-verdikurvene for medisinnaturklassifiseringen av UV-spektrene med forskjellige løsemidler. ACC-verdien beregnes som en funksjon av antall refererte CM-er (K) hentet for å oppnå en mer omfattende kurve for å forutsi ytelsen til modellen. I figur 2 er kurven for ACC-verdien under petroleumseter-løsningsmiddel bedre enn den under andre løsningsmidler, noe som betyr at UV-spektrene til petroleumseter-løsningsmiddel har den beste diskriminerende ytelsen av kald-varm natur. Når K er satt til 7, har kurven for ACC-verdien under petroleumseter-løsningsmiddel en topp. Identifikasjonsytelsen når maksimalverdien på 0.803. Fra kurven for ACC-verdi under absolutt etanol har UV-fingeravtrykk med absolutt etanol den laveste prediksjonsytelsen. CM-naturidentifikasjonen med destillert vann og kloroform er dårligere enn den med petroleumseter, men overgår den med absolutt etanolløsningsmiddel. I følge figuren er de maksimale ACC-verdiene for destillert vann og kloroform begge 0,656. Derfor er disse to løsningsmidlene dårlige til å forutsi medisinens natur.

I denne studien er effekten av parameter p i f.eks. (4) under petroleumseter er løsningsmiddel undersøkt for å evaluere den forutsigende ytelsen til kald-varm natur. Verdien av er p settes innenfor området

parameter【10-3,10*²,10',1,5,10,102,103】1.Figur 3A viser ACC-verdikurven med forskjellig p. Det kan konkluderes med at ytelseskurven har små svingninger og at ACC-verdien når maksimum når parameter p er satt til 5.

Antallet egenvektorer k i den foreslåtte gjenfinningsalgoritmen analyseres innenfor området [50 100 150 200 210]. Fra figur 3B kan en høyere ACC-verdi oppnås med et økende antall k. Maksimal klassifiseringsytelse (ACC-verdi) tilsvarer maksimalt antall egenvektorer k=210.

Modellytelsesvurdering

For å demonstrere gjennomførbarheten og stabiliteten til vårt foreslåtte gjenfinningsskjema for å identifisere den kald-varme naturen til CM-er, sammenligner denne studien klassifiseringsytelsen til opplegget vårt (innhentingsskjemaet, betegnet som "RS") med det til noen klassiske klassifiserere (dvs. ANN, SVM, ELM) eller klassifiserere brukt i CM-naturidentifikasjon. Alle komparative algoritmer bruker de optimale parameterne fra datasettet. I henhold til resultatene fra forrige seksjon, brukes UV-spektradata under petroleumseter-løsningsmiddel til å studere forutsigelsen av kaldholdsnatur. Tabell 2 viser ytelsessammenligningen av stabilitetsvurdering mellom RS og andre algoritmer. Pearson korrelasjonskoeffisient (PCC) brukes som en komparativ referanse for å måle likheten mellom UV-spektra. I henhold til prediksjonsresultatene fra kald-varm natur, kan vi konkludere som følger. For det første presterer vår ordning RS best i identifisering av kald-varm natur. Spesielt RS og PCC har bedre identifikasjonsnøyaktighet enn andre klassiske sammenligningsalgoritmer. Dette illustrerer at kinesiske medisiner med lignende ultrafiolett spektrum har lignende medisinsk natur. For det andre er ANN og ELM med UV-spektraldata dårlige til å identifisere medisinnatur.

For det tredje er identifikasjonsnøyaktigheten til SVM bedre enn for ANN og ELM. Det er imidlertid dårlig enn vår ordning. Til slutt er stabilitetsvurderingen av ordningen vår den beste.

Forutsigelseseksempler

Leave-one-out metoden brukes for å få prediksjonseksempler. To innhentede CM-tilfeller returnert av RS er oppført i tabell 3. Spørringen kinesisk medisin (første rad) og dens topp k=7 hentede referanse-CM-er er vist i tabellen. De hentede referanse-CM-ene beregnes av RS og rangeres med monotont inkrementell Mahalanobis-avstand. Kald medisin (DiFuZhi(Kochiae Fructus)) og varm medisin(BiBa(Piperis Longi Fructus)) er tjent som eksempler for å illustrere prinsippet om identifikasjon av kald-varmt medisin. I den første kolonnen er søkemedisinen Piperis Longi Fructus. Dens innhentede referansemedisiner er alle varme natur. Den beregnede sannsynligheten for kald natur er 0, noe som indikerer at søkemedisinen kan være varm natur. I den andre kolonnen er søkemedisinen Kochiae Fructus. De hentede resultatene har seks kalde naturmedisiner og en varm naturmedisin. Sannsynligheten for kalde natur er 0.9464, noe som indikerer at søkemedisinen er mer sannsynlig å være kald. Prediksjonseksemplene viser at lignende UV-fingeravtrykk kan karakterisere den samme medisinske naturen.

Generell prediksjonsytelse.

I denne studien utfører vi en helhetlig vurdering av den foreslåtte RS-metoden. Tabell 4 viser prediksjonsforvirringsmatrisen på 61 CM. Den totale prediksjonsnøyaktigheten er 80,3 prosent (49/61). Identifikasjonsnøyaktigheten for kald naturmedisin er 86,7 prosent (26/30), mens prediksjonsnøyaktigheten for varm naturmedisin er 74,2 (23/31). Det kan sees at denne ordningen har en god prediksjonsrate for medisiner med kald natur. Tilbakekallingen, presisjonen og F-skåren for 61 CM-identifikasjon er oppført i tabell 5. Generelt har ordningen vår en god identifiseringsgrad.

Robustheten til det foreslåtte

metode Et uavhengig datasett brukes til å teste robustheten til den foreslåtte algoritmen. I dette datasettet beregnes molekylære deskriptorer for å representere CM-ene, inkludert Molweight, H.Acceptors, H.Donors, Polar.Surface.Area, Rotatable.Bonds, Sp3.Atoms, Symmetric. atomer og aminer. Den detaljerte prosessen er beskrevet i manuskriptet [10]. I datasettet er det 534 varmemedisiner og 724 forkjølelsesmedisiner. Tabell 6 viser identifikasjonsforvirringsmatrisen på 1258 CM (534 pluss 724 medisiner). Den totale identifikasjonsnøyaktigheten er 81,1 prosent (1020/1258). Prediksjonsnøyaktigheten for legemidler for kalde natur er 83,0 prosent (443/534), mens identifikasjonsnøyaktigheten for legemidler i varme natur er 79,7 prosent (577/724). De eksperimentelle resultatene viser at den foreslåtte metoden har bedre robusthet. Generelt har ordningen vår en god prediksjonsrate.

Diskusjon

I denne studien har vi utforsket muligheten for å klassifisere CM-natur med et gjenfinningsskjema på grunnlag av likheten mellom UV-spektraldata. Eksperimentresultater har vist at det er en effektiv metode for å identifisere den ukjente CM-naturen ved å beregne likheten til UV-spekteret. I mellomtiden bekrefter de eksperimentelle resultatene den foreslåtte hypotesen om at CM-er med en lignende sammensetning av stoffer bør ha lignende medisinsk natur.

Oppsummert. fordelene med vår forskning er som følger. Først, for å realisere CM-naturidentifikasjon, settes et datasett med 61 referanse CM UV-spektrum sammen der hver CM har tydelig kald eller varm natur. Dermed er det effektivt og gjennomførbart for CM-naturbestemmelse.

For det andre spiller kald-varm natur en kritisk rolle i TCM-naturteori. I denne studien undersøker vi sammenhengen mellom materialsammensetning innenfor CM og kald-varm natur. Materialsammensetningen er representert ved UV-spektra. Eksperimentevalueringer har illustrert at det er en sammenheng mellom materialsammensetning og kald-varm medisinnatur, som kan brukes for kald-varm naturklassifisering. Videre demonstrerer vi at materialsammensetning bestemmer CM kald-varm natur.

For det tredje, i lys av UV-spektrale egenskaper til CM, undersøker vi et gjenfinningsskjema for å identifisere CM-natur. Avstandsmetrikken studeres for å måle likheten mellom UV-spektre. Eksperimentresultater viser at opplegget vårt gir best resultater. Den potensielle forklaringen er at opplegget vårt i tilstrekkelig grad utforsker forholdet mellom materialsammensetning og CM kald-varm natur.

For det fjerde, en annen ytelse som har blitt grundig demonstrert i denne studien er robustheten til den foreslåtte gjenfinningsordningen for fremtidige kliniske anvendelser. For en intelligent diskriminantmodell er målet vårt å hjelpe forskere med å lese ultrafiolette spektre og identifisere kald-varm natur. Modellen er ikke gjennomførbar hvis robustheten er for lav for et uavhengig TCM-datasett. Vi har vist at modellen vår har høy robusthet i forsøkene. Flere CM-fingeravtrykkdata vil bli trukket ut for å bekrefte robustheten til modellen vår i fremtiden.

Vår forskning har imidlertid fortsatt noen begrensninger. For det første brukte denne studien bare UV-spektre for å representere CM-ene. Andre fingeravtrykksteknikker blir ikke analysert i denne studien. CM-ene er komplekse blandinger av forbindelser. Det er umulig å gjenspeile hele sammensetningen av CM-forbindelser med bare én fingeravtrykksteknikk. I fremtiden ønsker vi å bruke flere fingeravtrykk for å analysere CMs kald-varme natur. For det andre undersøker vi likheten mellom UV-spektre med en avstandsmetrikk. Fingeravtrykkdataene har egenskapene til høy dimensjon og liten prøve. Basert på slike egenskaper er utformingen av prognosemodellen fremtidens fokus. For det tredje fokuserer vår studie på å utforske gjenfinningsordninger for klassifisering av kald-varm natur. UV-spekteret har ikke blitt grundig analysert. Deretter vil vi integrere mer effektive fingeravtrykkdata for å forbedre ytelsen til klassifisering av medisinnatur.

Vår studie gir ikke bare en metode for naturidentifikasjon men et nytt opplegg for naturmarkering avkinesiskmedisiner. Naturmarkør er et nytt konsept, som indikerer ingrediensene tilkinesiskmedisinernært knyttet til medisinnaturer. Med vår naturidentifikasjonsordning ønsker vi å se etter kinesiske medisiner med lignende ingredienser under de samme naturbegrensningsforholdene. Slike flere kinesiske medisiner har de samme ingrediensene, som kan betraktes som naturmarkørene til disse flerekinesiskmedisiner.

Konklusjon

I denne studien foreslås en gjenfinningsordning for å forutsi kald-varm medisinnatur. Basert på egenskapene til CM. har denne ordningen bedre klassifiseringsytelse enn klassiske klassifikatorer. Effektive eksperimenter viser at kald-varm medisin natur og UV-spektrale fingeravtrykkdata er relevante.

Referanser

1 Gao J, Chen C. Diskusjon om den vitenskapelige konnotasjonen av fire naturer av kinesisk materia medica. Acta Univ. Tradisjon. Med. Sin Pharmacol Shanghai 2007, 21:16-18.

2. Ouyang B, Wang ZG, Wang P. Forskningstenkning og metode for moderne studier på teori om fire egenskaper for kinesisk materia medica. J Beijing Univ Tradit Chin Med 2006, 29: 592-594.

3. Wu LJ, Wang YY, Li YD, et al. Forstå ZHENG i tradisjonell kinesisk medisin i sammenheng med nevro-endokrine-immune nettverk. IET Syst Biol 2007,1: 51-60.

4. Jin R, Zhang B, Liu XQ, et al. Studie av biologisk ytelse av kinesisk materia medica med enten en kald eller varm egenskap basert på treelements matematisk analysemodell. J Chin Integr Med 2011, 9:715-724.

5. Zhao Y, Jia L, Wang J, et al. Kald/varm pute-differensierende analyse av egenskapsforskjeller til mahuang- og maxingshigan-avkok. Pharm Biol 2016, 54(7):1298-302.

6. Wan HY, Kong XY, Li XM, et al. Effekt av tradisjonelle kinesiske medisiner med forskjellige egenskaper på termoregulering og temperaturfølsomt transient reseptorpotensialkanalprotein hos rotter med gjærindusert feber. China J Chin Meter Med 2014, 39:3813-3818.

7. Liang F, Li L, Wang M, et al. Molekylært nettverk og kjemiske fragmentbaserte egenskaper til medisinske urter med kalde og varme egenskaper fra kinesisk medisin. J Ethnopharmacol 2013, 148(3):770-779.

8. Wang M, Li L, Yu C, et al. Klassifisering av blandinger av kinesiske urtemedisiner basert på et selvorganiserende kart (SOM). Mol Inform 2016, 35(3-4):109-115.

9. Fu X, Song X, Li X, et al. Fylogenetisk treanalyse av den kald-varme naturen til tradisjonell kinesisk marin medisin for mulig antikreftaktivitet. Evid-basert komplement Alternat Med 2017, 2017:1-10.

10. Fu X, Mervin LH, Li X, et al. Mot å forstå den kalde, varme og nøytrale naturen til kinesiske medisiner ved å bruke i silico-virkemåteanalyse. J Chem Inf Model 2017, 57(3):468-483.

11. Li Y, Li X, Xue FZ, et al. Diskriminering av egenskapene til tradisjonell kinesisk medisin basert på et kunstig nevralt nettverk. J Shandong Univ (Helsevitenskap) 2011, 49:57-61.

12. Liu WH, Li Y, Ji YJ, et al. Delvis minste kvadrater i diskrimineringen av tradisjonell kinesisk urtemedisin eiendom. J. Shandong Univ (Helsevitenskap) 2012, 50:151-154.

13. Zhang XX, Li Y, Ji YJ, et al. Diskriminering av egenskapene til tradisjonell kinesisk medisin med hovedkomponentanalyse-lineær diskriminantanalyse. J Shandong Univ (Helsevitenskap) 2012, 50:143-146.

14. Nie B, Hao ZL, Gui B, et al. Forskningen for metabolomics diskriminerende metode for den kalde og varme egenskapen til tradisjonell kinesisk medisin basert på tilfeldig skog. J Jiangxi Univ Traditi Chin Med 2015, 27:82-86.

15. Long W, Liu P, Xiang J, et al. Et kombinasjonssystem for prediksjon av kinesiske Materia Medica-egenskaper. Comput. Metoder Programmer Biomed. 2011, 101(3):253-264.

16. Li H, Xu Q, Zhang J, et al. Kald-varm natur skiller fra tradisjonelle kinesiske medisinske urter ved diskriminerende analyse av 1H-NMR-spektraldata. 2017 International Conference on Medical Science and Human Health (MSHH 2017), 2017, 174-179.

17. Jiang M, Zhang S, Li H, et al. Datastøttet diagnose av mammografiske masser ved hjelp av skalerbar bildehenting. IEEE Trans Biomed Eng 2015, 62(2):783-92.

18. Tsochatzidis L, Zagoris K, Arikidis N, et al. Dataassistert diagnose av mammografiske masser basert på en overvåket innholdsbasert bildehentingstilnærming. Pattern Recog 2017, 71:106-117.

19. Wei G, Ma H, Qian W, et al. Likhetsmåling av lungemasser for medisinsk bildehenting ved hjelp av en kjernebasert semi-overvåket avstandsmåling. Med Phys 2016, 43(12):6259-6269.

20. Wei G, Ma H, Qian W, et al. Et innholdsbasert bildehentingsskjema for lungeknuterklassifisering. Curr Med Imaging Rev 2017, 13(2):210-216.

21. Liu Y, Rong J, Lily M, et al. Et økende rammeverk for visualitetsbevarende metrisk fjernundervisning og dets anvendelse på medisinsk bildehenting. IEEE Trans Pattern Anal Mach Intell 2010, 32(1):30-44.

22. Weinberger KQ, Blitzer J, Saul LK. Avstandsmetrisk læring for klassifisering av stor margin for nærmeste nabo. J Mach Learn Res 2009, 10(1):207-244.

23. Tao D, Li X, Wu X, et al. Generell tensordiskriminerende analyse og Gabor-funksjoner for gangartgjenkjenning. IEEE Trans. Mønster Anal Mach Intell 2007, 29(10):1700–1715.

24. Malar E, Kandaswamy A, Chakravarthy D, et al. En ny tilnærming for deteksjon og klassifisering av mammografiske mikrokalsifikasjoner ved bruk av wavelet-analyse og ekstrem læringsmaskin. Comput Biol Med 2012, 42:898–905.

25. H. Li. Konstruksjon av det digitale representasjonssystemet basert på ultrafiolette spektrum fingeravtrykk av det vesentlige grunnlaget for tradisjonell kinesisk medisin (TCM) med kald-varme natur. Jinan: Shandong universitet for tradisjonell kinesisk medisin 2011.