一种融合疾病模块的病症结合中药处方筛选方法及系统与流程

本发明属于中医药，具体涉及一种融合疾病模块的病症结合中药处方筛选方法及系统。

背景技术：

1、随着人工智能技术的发展，结合人工智能技术进行中药新药的筛选与新方构建，是符合现代中药智能化发展的必由之路。

2、近年的相关工作中，唐国新等人(cn116469527a)发明了一种中药处方的优化推荐方法，该方法包括在预确定的兼症中确定目标兼症、对目标兼症进行目标药集确定两方面的步骤，通过获取目标兼症对应的各个药集的基本系数和权重，根据各个药集的基本系数和权重确定各个药集的选择概率，进而在各个药集中选择推荐添加至当前中药处方的目标药集，该方案对解决现有中医诊疗所涉及的中药处方组成优化策略确定环节耗时长，效率低的问题进行了技术的实现。杨扩等人(cn114783571a)设计了一种基于深度强化学习的中医动态诊疗方案优化方法及系统，该方法通过结合q-learning和卷积神经网络的强化学习模型、通过融合全连接网络和lstm神经网络的强化学习模型进行诊疗优化模型训练，获得最佳患者诊疗方案，通过设计离线虚拟环境、奖励函数、状态转移预测以及诊疗方案聚类分析，构建出一个基于深度强化学习的中医动态诊疗方案优化模型。

3、尽管近年相关中药筛选与处方优化的技术被提出，但所提出的技术仍存在以下缺点：一方面，现有的技术缺乏可解释性，现有技术多基于深度学习模型进行构建，模型整体结构以黑盒为主，因此无法对预测的药物进行显式解释；另一方面，现有技术仅停留在表型层面，更多的是对症状-中药关系的关联分析，而缺乏对所形成方药过程中在机制层面的理解和机制知识的使用。

技术实现思路

1、为提升中药新药研发的能力，基于人工智能技术的中药新药筛选技术的研制是必要的，但是现阶段的相关技术存在着预测过程不可解释、预测过程缺少与中药机制层面相关知识的支撑等缺点。因此本发明针对现阶段缺少从机制角度开展可解释新药筛选的技术的现状，提出了从分子层面进行疾病模块构建并进行中药处方筛选的方法，以提升现有技术的可解释性和机制合理性。

2、本发明采用的技术方案如下：

3、一种融合疾病模块的病症结合中药处方筛选方法，包括以下步骤：

4、对中西医相关的医学知识图谱进行整合，形成针对目标病症的数据资源；

5、根据针对目标病症的数据资源，获取目标病症的种子基因；

6、将目标病症的种子基因映射到蛋白质相互作用网络中，对目标病症的基因进行拓展，形成疾病模块；

7、根据疾病模块和靶点库，确定目标病症的靶点集合；

8、根据目标病症的靶点集合进行药物匹配与处方匹配，得到中药处方筛选结果。

9、进一步地，所述针对目标病症的数据资源，包括症状-基因关系，中药-方剂关系，疾病-基因关系，药物-靶点关系，蛋白-蛋白关系，处方-功效关系，症状-证候关系。

10、进一步地，所述根据针对目标病症的数据资源，获取目标病症的种子基因，包括：

11、根据用户的需求，以目标病症的信息作为输入，基于整合形成的针对目标病症的数据资源，将与目标病症相关的节点及其近邻信息进行关联；

12、将关联到的不同类型的关系数据进行融合，提取涉及基因的相关关系，将所有与目标病症相关的基因进行合并，合并后的基因列表作为目标病症的种子基因。

13、进一步地，所述将目标病症的种子基因映射到蛋白质相互作用网络中，对目标病症的基因进行拓展，形成疾病模块，包括：

14、将种子基因映射到蛋白质相互作用网络中，并纳入一阶邻居和二阶邻居节点，从而形成与目标病症相关的疾病模块；所述疾病模块表示为：

15、m＝s∪n(s)∪n2(s)

16、其中，s表示种子基因集合；n(s)表示种子基因的所有一阶邻居集合；n2(s)表示所有一阶邻居的二阶邻居集合；

17、评价疾病模块m的拓扑集中性以及功能同质性；

18、所述拓扑集中性使用疾病模块m内的连接密度d来衡量：

19、

20、其中，|em|是疾病模块m中的边数；|vm|是疾病模块m中的节点数；

21、基于疾病模块m中基因的功能显著性p值，定义所述功能同质性的得分hs：

22、

23、其中，t表示疾病模块m中基因参与的功能集合；pt是功能t的显著性p值；|t|表示疾病模块m中基因参与的功能总数。

24、进一步地，所述根据疾病模块和靶点库，确定目标病症的靶点集合，包括：将疾病模块的种子基因、一阶邻居、二阶邻居作为输入，结合靶点库来判断靶点，并明确直接靶点与间接靶点。

25、进一步地，所述药物匹配基于三种方式进行靶点到药物的关联，所述三种方式分别是：

26、1)通过直接的“中药-靶点”关系，基于目标病症的靶点集合关联相关中药，以关联的药物频次作为排序，形成药物排序列表；

27、2)通过“靶点-症状-中药”的路径，先将目标病症的疾病靶点通过症状-基因关系进行关联，以关联到的症状频次作为排序，形成症状排序列表；而后结合中药-症状关系进行关联，并以关联到的中药频次作为排序，形成中药排序结果；

28、3)以“靶点-疾病-症状-药物”的路径，先通过疾病-基因关系将病症的靶点与疾病进行关联，并以关联到的疾病频次作为排序，形成疾病排序列表；基于排序靠前的疾病，通过疾病-症状关系关联症状，并与关联到的症状频次为排序形成症状预测列表，并基于症状-中药关系进行关联，以关联到的中药频次作为排序形成中药预测列表。

29、进一步地，所述处方匹配包括：将关联到的药物列表作为输入，与相关联的中药-处方关系进行匹配，匹配方式采用集合间的杰卡德相似度来作为评价，而后将相关的中药处方给出评价分值，并以评价分值的排序作为处方匹配结果。

30、一种融合疾病模块的病症结合中药处方筛选系统，其包括：

31、面向目标病症的数据资源整合模块，用于对中西医相关的医学知识图谱进行整合，形成针对目标病症的数据资源；根据针对目标病症的数据资源，获取目标病症的种子基因；

32、疾病模块构建模块，用于将目标病症的种子基因映射到蛋白质相互作用网络中，对目标病症的基因进行拓展，形成疾病模块，根据疾病模块和靶点库，确定目标病症的靶点集合；

33、病症结合的可解释中药处方筛选模块，用于根据目标病症的靶点集合进行药物匹配与处方匹配，得到中药处方筛选结果。

34、本发明的有益效果如下：

35、(1)本发明所构建的基于疾病模块的病症结合中药筛选技术具有较好的可解释性，能够在全流程中对生成的中药处方进行路径解释，在每个环节中可以给出推理路径。

36、(2)本发明较好地融合了表型-基因型多层面的知识进行中药处方筛选和结果形成，能够充分考虑分子层面的信息进行中药新药的筛选，使得形成的中药处方与目标病症在机制层面具有较好的关联。

37、(3)本发明构建疾病模块，整合症状-基因、中药-处方等多源数据，通过三条路径(直接靶点、症状关联、疾病关联)筛选中药处方，突出可解释性和分子层面的多维度关联。

38、(4)本发明采用模块化设计，通过疾病模块扩展种子基因(纳入一阶、二阶邻居)，结合功能富集分析和拓扑评价，系统性更强；通过“靶点-症状-药物”等多路径关联，增强筛选的全面性，并且从所依托的数据资源角度，本技术能够避免因现阶段药靶质量问题不够理想所导致的结果偏差。

39、(5)本发明专注于中药处方筛选，而非通用药物组合预测，通过结合分子网络与中医病症理论，聚焦机制层面的可解释性。