一种标准化分析中成药有效成分及标靶作用的计算模型的制作方法

1.本发明涉及医学分析领域，尤其涉及一种标准化分析中成药有效成分及标靶作用的计算模型。


背景技术：

2.中药就是指在中医理论指导下，用于预防、治疗、诊断疾病并具有康复与保健作用的物质，中药主要来源于天然药及其加工品，包括植物药、动物药、矿物药及部分化学、生物制品类药物，其中，中药的化学成分都较复杂，包括各种类型的有机和无机物质，同时可能还存在多种性质相似的同系物，因此在制药过程中需要对其内部成分进行分析，同时依据药物制造需求对各成分权重进行计算；
3.现有的标准化分析中成药有效成分及标靶作用的计算模型无法直观的将数据展示给工作人员查看，同时在数据库构建过程中存在数据冗余，降低数据准确性，同时降低工作人员工作效率；为此，我们提出一种标准化分析中成药有效成分及标靶作用的计算模型。


技术实现要素：

4.本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种标准化分析中成药有效成分及标靶作用的计算模型。
5.为了实现上述目的，本发明采用了如下技术方案：
6.一种标准化分析中成药有效成分及标靶作用的计算模型，该计算方法具体步骤如下：
7.(1)收集中药材信息以进行定量：收集主要化学单体组件的11种药草的化学成分，并对其进行定量计算，同时构建数据记录表对计算结果进行记录；
8.(2)构建药物标靶关系库：计算平台自行构建深度学习模型，并对其进行训练优化，训练完成的学习模型接收各组药物信息，并依据接收到的信息构建标靶关系库；
9.(3)构建成分靶点网络以进行数据分析：构建痰热心扰靶点网络以及心速宁组分靶点网络，并对两组网络进行可视化处理以对其进行数据分析。
10.作为本发明的进一步方案，步骤(1)中所述定量计算具体步骤如下：
11.步骤一：计算平台与中医系统药理学数据库和分析平台通信连接，并从中提取各组药草的化学成分；
12.步骤二：计算平台从admetsar中收集多种重要的药理学相关特性；
13.步骤三：对各种药材中主要活性成分的含量进行权重定量，同时对其余无定量数据的成分设为已知成分的最低定量值。
14.作为本发明的进一步方案，步骤二中所述药理学相关特性主要包括相对分子质量、alogp、氢键供体计数、氢键受体计数、旋转键计数以及人类口服生物利用度。
15.作为本发明的进一步方案，步骤三中所述权重定量具体计算公式如下：
[0016][0017]
其中，w
i,j
代表中药i中组分j的权重系数，mi代表心速宁复方中药草i的重量，n代表心速宁中药草的总数，c
i,j
代表中药i中组分j的含量，mj代表组分j的分子量，pj(ob)代表组分j的正向人口服生物利用度的预测概率。
[0018]
作为本发明的进一步方案，步骤(2)中所述训练优化具体步骤如下：
[0019]
第一步：深度学习模型接各组药物信息以构建观测数据集，并从观测数据集中选取一个观测数据作为验证数据，并用重复多次使用该验证数据来验证该学习模型的精度；
[0020]
第二步：对于每一组数据，选取任意一个子集作为测试集，再取剩余子集作为训练集，并对每组数据都进行一次预测，同时将预测结果最好的数据作为最优参数输出；
[0021]
第三步：依据最优参数对训练数据集进行标准化处理，最后将训练样本输送到学习网络模型中，并采用长期迭代法训练该模型。
[0022]
作为本发明的进一步方案，步骤(2)中所述标靶关系库具体构建步骤如下：
[0023]
s1.1：从bindingdb数据库中检索心速宁11个药材中各成分的相对靶点，并对检索出的各组靶点信息进行整合以生成心速宁的药-靶关系库；
[0024]
s1.2：从symmap数据库中收集痰热心悸心律失常的10个中医症状及其对应的现代医学症状标准名称，同时收集与现代医学症状相关的所有靶基因，将收集到的两组数据进行整合以构建痰热心悸心律失常的靶-症关系库；
[0025]
s1.3：将药-靶关系库以及靶-症关系库导入深度学习网络模型中检测其准确性，依据学习模型生成的曲线信息删除两组库中冗余信息以及错误信息。
[0026]
作为本发明的进一步方案，步骤(3)中所述数据分析具体步骤如下：
[0027]
s2.1：计算平台通过药-靶关系库以及靶-症关系库构建痰热心扰靶点网络以及心速宁组分靶点网络，同时通过cytoscape 3.7.0对两组网络进行可视化处理；
[0028]
s2.2：利用reactome通路数据库进行通路富集，并将fdr＜0.05的通路保留在结果中，同时将分析结果反馈给用户查看。
[0029]
相比于现有技术，本发明的有益效果在于：
[0030]
1、该标准化分析中成药有效成分及标靶作用的计算模型通过计算平台从中医系统药理学数据库和分析平台中提取各组药草的化学成分，再从admetsar中收集多种重要的药理学相关特性，并对各种药材中主要活性成分的含量进行权重定量，同时对其余无定量数据的成分设为已知成分的最低定量值，并通过bindingdb数据库以及symmap数据库进行数据抓取以构建心速宁的药-靶关系库以及痰热心悸心律失常的靶-症关系库，同时通过深度学习模型对两组库进行优化，依据收集到的信息构建痰热心扰靶点网络和心速宁组分靶点网络，并对其进行可视化处理，通过对痰热心扰靶点网络和心速宁组分靶点网络进行可视化处理，便于工作人员对各组药材的成分权重以及定量进行查看，同时通过学习模型对数据进行筛选，能够大幅提高数据准确性，提高工行人员工作效率。
附图说明
[0031]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
[0032]
图1为本发明提出的一种标准化分析中成药有效成分及标靶作用的计算模型的流程框图。
具体实施方式
[0033]
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。
[0034]
参照图1，一种标准化分析中成药有效成分及标靶作用的计算模型，该计算方法具体步骤如下：
[0035]
收集中药材信息以进行定量：收集主要化学单体组件的11种药草的化学成分，并对其进行定量计算，同时构建数据记录表对计算结果进行记录。
[0036]
具体的，计算平台与中医系统药理学数据库和分析平台通信连接，并从中提取各组药草的化学成分，当各组药草化学成分提取完成后，计算平台从admetsar中收集多种重要的药理学相关特性，并对各种药材中主要活性成分的含量进行权重定量，同时对其余无定量数据的成分设为已知成分的最低定量值。
[0037]
需要进一步说明的是，药理学相关特性主要包括相对分子质量、alogp、氢键供体计数、氢键受体计数、旋转键计数以及人类口服生物利用度。
[0038]
此外，需要进一步说明的是，权重定量具体计算公式如下：
[0039][0040]
其中，w
i,j
代表中药i中组分j的权重系数，mi代表心速宁复方中药草i的重量，n代表心速宁中药草的总数，c
i,j
代表中药i中组分j的含量，mj代表组分j的分子量，pj(ob)代表组分j的正向人口服生物利用度的预测概率。
[0041]
构建药物标靶关系库：计算平台自行构建深度学习模型，并对其进行训练优化，训练完成的学习模型接收各组药物信息，并依据接收到的信息构建标靶关系库。
[0042]
具体的，深度学习模型接各组药物信息以构建观测数据集，并从观测数据集中选取一个观测数据作为验证数据，并用重复多次使用该验证数据来验证该学习模型的精度，学习模型对于每一组数据，选取任意一个子集作为测试集，再取剩余子集作为训练集，并对每组数据都进行一次预测，同时将预测结果最好的数据作为最优参数输出，并依据最优参数对训练数据集进行标准化处理，最后将训练样本输送到学习网络模型中，并采用长期迭代法训练该模型。
[0043]
具体的，首先计算平台从bindingdb数据库中检索心速宁11个药材中各成分的相对靶点，并对检索出的各组靶点信息进行整合以生成心速宁的药-靶关系库，药-靶关系库构建完成后，计算平台再从symmap数据库中收集痰热心悸心律失常的10个中医症状及其对应的现代医学症状标准名称，同时收集与现代医学症状相关的所有靶基因，将收集到的两组数据进行整合以构建痰热心悸心律失常的靶-症关系库，同时将药-靶关系库以及靶-症关系库导入深度学习网络模型中检测其准确性，依据学习模型生成的曲线信息删除两组库中冗余信息以及错误信息
[0044]
构建成分靶点网络以进行数据分析：构建痰热心扰靶点网络以及心速宁组分靶点网络，并对两组网络进行可视化处理以对其进行数据分析。
[0045]
具体的，计算平台通过药-靶关系库以及靶-症关系库构建痰热心扰靶点网络以及心速宁组分靶点网络，同时通过cytoscape 3.7.0对两组网络进行可视化处理。可视化处理完成后，计算平台利用reactome通路数据库进行通路富集，并将fdr＜0.05的通路保留在结果中，同时将分析结果反馈给用户查看，通过对痰热心扰靶点网络和心速宁组分靶点网络进行可视化处理，便于工作人员对各组药材的成分权重以及定量进行查看，同时通过学习模型对数据进行筛选，能够大幅提高数据准确性，提高工行人员工作效率。
[0046]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。