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

技术特征：
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，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。7.根据权利要求6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fmapscore的计算公式为：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。8.根据权利要求6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，所述遗传算法包括：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；b.适应值评价：采用fmapscore计算方剂formula
i
得分；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；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；e.重复步骤b，直至找到最优解或达到终止条件时结束。9.一种基于诊疗经验和智能学习的中药组方筛选方法系统，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；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；所述药物配伍得分计算模块用于计算药物配伍得分；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。

技术总结
本发明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。


技术研发人员：牛琪锴 李兵 张华敏
受保护的技术使用者：中国中医科学院中药研究所
技术研发日：2022.11.17
技术公布日：2023/2/3