Измерване на подобието на съставките на китайската медицина за идентификация на природата в студено-горещо състояние

Mar 05, 2022

За повече информация:emily.li@wecistanche.com

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

1 Ключова лаборатория по теория на TCM, Министерство на образованието на Китай, Шандонгски университет по традиционна китайска медицина, Джинан, Китай.


Акценти

В това проучване ние потвърдихме хипотезата, чеКитайскилекарствас подобен състав на веществата трябва да имат подобно лечебно естество. Използвахме химически отпечатъци, за да анализираме химическите съставки в китайските лекарства. Измерихме сходството на съставките с показател за разстояние и проектирахме схема за извличане, за да идентифицираме студено-горещото естество наКитайскилекарства.

Cistanche for ckd stages

Cistanche е много добра китайска медицина


Резюме

Цел: Теория на природатаКитайскилекарство(CM) е основната основна теория наТрадиционенКитайскиЛекарство(TCM), в която студено-горещата природа е фокусът на изследването. Проучванията са установили, че съставките на CM са материалната основа за производството на лекарства. Поради това се спекулира, че CM с подобен състав на веществата трябва да имат сходна медицинска природа. Съвременната работа изучава студено-гореща медицина на CM с технология за химически пръстови отпечатъци, тъй като данните за химически пръстови отпечатъци на CM могат да отразяват целия състав на съставките на CM.


Методи: За да проверим хипотезата по-горе, в тази работа ние изследваме количественото определяне на сходството на съставките на CM с приликата на пръстовите отпечатъци и изследваме връзката между състава на CM и студено-горещата природа. Първо, ние използваме технология за ултравиолетов (UV) спектър, за да анализираме 61 CM, които имат ясно студено-горещо естество (включително 30'студени'CM и 31'горещи' CM). Второ, с изградената база данни за пръстови отпечатъци на CM. изследван е алгоритъм за измерване на разстоянието, за да се измери сходството на UV пръстови отпечатъци. И накрая, предлага се схема за извличане за изграждане на предсказуем идентификационен модел за идентифициране на студено-горещия характер на CM.


Резултати: Чрез многобройни експериментални анализи данните от ултравиолетовия спектър на разтворител петролеев етер могат по-добре да представят CM за разграничаване между студена и гореща природа. В сравнение със съществуващите класически модели, предложената схема за идентификация има по-добри предсказуеми характеристики.

Заключение: Експерименталните резултати доказват нашето заключение, че CM с подобен състав на веществата трябва да имат подобно лечебно естество. Доказано е, че предложеният модел за прогнозиране е ефективен и осъществим.


Ключови думи: традиционна китайска медицина,КитайскиЛекарствосъставки, Ултравиолетов спектър, Измерване на подобие, Студено-гореща природа


cold-hot nature identification

Заден план

Като един от основните елементи на традиционната китайска медицина (ТКМ), естествената теория на ТКМ привлича вниманието на учени и изследователски институции в продължение на много години. Природата наКитайскилекарство(CM) съдържа четири типа, т.е. хладно, студено, горещо и топло, която студена и гореща природа е важна част от теорията за природата на TCM [1,2]. "Лечение на синдрома на горещината с медицина на студената природа и лечение на синдрома на настинка с медицина на горещата природа" показва, че студът или горещо свойство на теорията за природата на медицината е важна основа за лечението на TCM при регулирането на баланса междуИниЯнгна човешкото тяло, а прилагането на студено-горещо лечебно естество води до ефективно лечение в TCM клиничната медицина [3].

Много специалисти поддържат различни възгледи за същността на студено-горещото в TCM. Джин и др.[4] предложи „модел за математически анализ с три елемента за изследване на биологичния характер на TCM в основата на природата на студено-горещата медицина. Джао и др. [5] изследват метода на студена/гореща плоча, за да разграничат студено-горещата природа на отварите Mahuang и Maxingshigan. Уан и др.[6] изследва ефекта на TCM с различни свойства върху терморегулацията и чувствителния към температура преходен рецепторен протеин за потенциране на канала на плъхове с треска, предизвикана от дрожди. Liang и др.[7] анализира студените и горещите свойства на китайските лечебни билки с методи на молекулярна мрежа и химични фрагменти. Wang и др. [8] идентифицира 59 CHMs с типични студени/горещи свойства чрез самоорганизираща се карта. Fu и др. [9,10] изследват наличието напротивораковдейностпоказана чрез студено-горещата природа на традиционната китайска морска медицина с анализ на филогенетично дърво и изследвана в метода на действие на Silico, за да обясни студената, гореща и неутрална природа на CM.

Cistanche ckd stages

Като цяло, разграничаването на студено-горещото естество на CM съдържа две части: представяне на характеристики и естествена класификация. Представянето на функции използва оригинални ефекти на CM, технология за пръстови отпечатъци или метаболомичен метод за извличане на характеристиките на CM. Естествената класификация трябва да използва класически класификатори за машинно обучение или конструирани класификатори, за да разграничи студено-горещото естество на CM. Оригиналните ефекти на китайската медицина са ефективен характерен израз. Изследователската група Xue [11-13] изследва оригиналните ефикасни характеристики на CMs в "КитайскиБилковиЛекарство(CHM)" и използва класически класификатори (като изкуствените невронни мрежи), за да класифицира неизвестната природа на CM. Метаболомичният метод също се използва за представяне на CM. Nie et al. [14] изследва метабономичните характеристики на CM и конструира случаен горски модел за разграничаване на неизвестната природа на CMs. Химическата технология е важен метод за анализиране на студено-горещата природа. Long et al. [15] анализираха химическите компоненти на 284 CMs с ясно медицинско естество и изследваха комбинирана система за прогнозиране студено-горещата природа на други CM, Други методи, като ядрено-магнитна резонансна спектроскопия на протон (1H-NMR), се използват за изследване на характеристиките на CM. List al. [16] изследва характеристиките на CM с 1H-NMR и приложени техники за разпознаване на образи за анализ на неизвестната природа на CM.


С изключение на класическите класификатори, схемата за извличане е една от популярните и ефективни схеми за класификация, която се прилага широко при идентифициране на доброкачествени и злокачествени мамография и белодробни възли [17-20]. В сравнение с традиционните класификатори, схемата за извличане може да предостави най-сходните случаи за анализ и справка. Следователно мярката за сходство играе важна роля в схемата за извличане за класификация. Нашата група е извършила много изследователска работа за измерване на сходството на изображения на белодробни възли [20,21]. Ние определяме количествено сходството на изображенията на белодробни възли с показателите за разстояние. Въпреки че измерването на сходството е широко проучено в медицински изображения, то рядко се използва при идентифицирането на природата на CM.


Настоящото изследване на естеството на медицината се фокусира върху разкриването на връзката между природата на CM и състава на материала в CM. Например, техники за химически пръстови отпечатъци и CM характерни дискриминантни модели се прилагат за анализиране на състава на CM материала. Данните за химически пръстови отпечатъци на CM могат да отразяват целия състав на съставките на CM. Биоактивността се определя от състава на материала. и биоактивностите на CMs са в основата на идентифицирането на медицинската природа [2]. По този начин съставът на материала индиректно определя природата на CM. Проучванията са установили, че съставките на CM са материалната основа за производството на лекарства [10]. Поради това се спекулира, че CM с подобен състав на веществата трябва да имат сходна медицинска природа.


За да проверим хипотезата, предложена по-горе, в тази работа ние изследваме връзката между съставките на CM и студено-горещата лечебна природа. Първо, ние изграждаме база данни за съставките на CM, като използваме технология на ултравиолетовия (UV) спектър, за да представим 61 CM, които имат ясно студено-горещо естество (включително 30 „студени“ CM и 31 „горещи“ CM). Второ, ние изучаваме количественото определяне на сходството на съставките на CM с показател за разстояние. Разстоянието на Mahalanobis е научено да измерва сходството на UV пръстови отпечатъци на CM. И накрая, предлага се схема за извличане, за да се изгради модел за предсказваща идентификация, за да се предскаже студено-горещата природа на CM.

cistanche deserticola

Материали и методи

TCM набор от данни

В това проучване са анализирани 61 представителни CM, в които 30 CM са „лекарства за настинка“, а други са „горещи лекарства“. Всичките 61 CM са маркирани в класическата „Китайска материя медика“ и „Билкова класика на Шен Нонг“. Таблица l показва 61-те представителни CM и тяхната природа (характеристики в скоби).


Технологията за UV пръстови отпечатъци се използва за тестване на 61 CM. Основният инструмент е UV-3010 UV спектрофотометър (Hitachi, Япония). Нашата група записа абсорбцията на общо 61 CM в ултравиолетовата дължина на вълната 190-400nm с четири различни разтворителя (хлороформ, дестилирана вода, абсолютен етанол, петролев етер). Подробен метод за получаване на UV пръстов отпечатък може да се направи в ръкописа [25]. Като „горещо“ лекарство, синапеното семе е отбелязано в класическата „китайска Материа Медика“ и „Билковата класика на Шен Нонг“. Фигура 1 показва кривата на UV абсорбция на Jiezhi (синапено семе) и GeGen (Puerariae Lobatae Radix) с разтворител петролеев етер.


UV absorption curve of Mustard Seeds(A) and Puerariae Lobatae Radix(B) with petroleum ether solvent

The experimental 61 representative CMs

Сходство на UV пръстови отпечатъци

В това проучване ние изследваме връзката между студено-горещата природа и материалния състав на CM. За да проверим хипотезата, CM с подобен състав на веществата трябва да имат подобна медицинска природа, искаме да определим количествено сходството на съставките на CM и да проучим метода за идентифициране на природата на CM. UV пръстовият отпечатък отразява състава на материала на CM. Затова искаме да разкрием студено-гореща природа въз основа на UV пръстови отпечатъци. Ако съставките на CM са подобни, можем да мислим, че техните лечебни свойства са сходни. Следователно CM с подобни UV отпечатъци трябва да имат същата медицинска природа.

Мярката за сходство се определя като семантична релевантност, която е използвана за измерване на сходството на изображения на белодробни възли в нашето изследване [21]. Ако два CM са лекарство за настинка, те са семантично сходни. Разстоянието Mahalanobis се използва за измерване на сходството на UV пръстови отпечатъци на CM. Колкото по-малко е разстоянието на Mahalanobis, толкова по-голямо е сходството на UV отпечатъците.

Оценка на изпълнението

В този подраздел, за да се провери осъществимостта на предложената схема за извличане за идентифициране на студено-гореща природа, са изградени обширни експерименти за оценка на ефективността на схемата за извличане. Ние сравняваме ефективността на нашата схема с тази на най-съвременните класификационни модели, включително машина за екстремно обучение (ELM) [24], изкуствена невронна мрежа (ANN) и машина за поддържащи вектори (SVM). Всички оценки на експериментите са на базата на съществуващия набор от данни на TCM. Приложението помага да се тества неизвестната природа на CM чрез извличане на подобни UV спектри на CM с ясна студено-гореща природа. В това изследване първо сравнихме ефективността на идентификация на природата на UV спектрите с различни разтворители и избрахме разтворителя, съответстващ на оптималната производителност на идентификация. Второ, проектирахме експерименти за оценка на ефективността на предложената схема, наречена оценка на стабилността. Трето, илюстрирахме схемата за извличане с примери. И накрая, независим набор от данни се използва за тестване на устойчивостта на предложения алгоритъм.


В нашите експерименти оценката на стабилността се използва за анализиране на ефективността на предложения модел за прогнозиране. Оценката на стабилността се изчислява с метода за изключване на един CM [20] в целия набор от данни. Всеки път един CM беше избран като CM за заявка, а останалите 60 CM като референтна база данни. Тъй като всеки TCM беше избран като CM на заявка, този процес беше извършен 6 пъти. В тази схема за извличане извлякохме K'най-сходните и след това получихме вероятност за студена природа. Най-накрая бяха изчислени 61 вероятности. С промяна на прага на „вероятността за студена природа“ се генерира крива на работната характеристика на приемника (ROC). Площта под ROC кривата (AUC) и точността на прогнозиране (ACC) се използват за оценка на ефективността на нашата схема. Колкото по-голяма е площта, толкова по-стабилен е моделът, стойността на ACC е вероятността за правилна класификация на студено-горещото естество на CM. Формулата на ACC е следната:


The formula of ACC

Стойностите на AUC и ACC бяха приложени за оценка на стабилността.


Резултати

Оценка на ефективността с различни разтворители.

Химическите отпечатъци на CM отразяват материалния състав на CM. UV спектрите са един пръстов отпечатък на CMs, който може да се приложи за разграничаване на студено-горещото естество на CMs. В това изследване ние конструираме експерименти за количествен анализ на връзката между състава на материала и естеството на CM с помощта на ултравиолетова спектроскопия.

В тази работа ефективността на класификацията на UV спектрите с различни разтворители (дестилирана вода, хлороформ, петролеев етер, абсолютен етанол) беше анализирана, за да се изберат UV данни под разтворител за оптимална производителност на разпознаване. Методът leave-one-CM-out се използва за оценка на параметрите на нашата схема. Фигура 2 показва кривите на стойността на ACC за класификацията на лекарствената природа на UV спектрите с различни разтворители. Стойността на ACC се изчислява като функция на броя на референтните CM (K), извлечени, за да се получи по-изчерпателна крива за прогнозиране на ефективността на модела. На Фигура 2 кривата на стойността на ACC при разтворител петролеев етер е по-добра от тази при други разтворители, което означава, че UV спектрите на разтворителя петролеев етер имат най-доброто дискриминантно представяне на студено-горещо естество. Когато K е зададено като 7, кривата на стойността на ACC под разтворител петролеев етер има пик. Ефективността на идентификацията достига максималната стойност от 0.803. От кривата на стойността на ACC при абсолютен етанол UV пръстовият отпечатък с абсолютен етанол има най-ниската прогнозна ефективност. Естествената идентификация на CM с дестилирана вода и хлороформ е по-ниска от тази с петролев етер, но превъзхожда тази с абсолютен разтворител етанол. Според фигурата максималните стойности на ACC за дестилирана вода и хлороформ са 0,656. Следователно тези два разтворителя са лоши за предсказване на природата на лекарството.


The curves of ACC value for the medicine nature classification. K is the number of retrieved reference CMs

В това изследване ефектът на параметър p в напр. (4) под петролеев етер разтворителят се изследва, за да се оцени ефективността на прогнозиране на студено-горещо естество. Стойността на er p е зададена в диапазона

параметър【10-3,10*²,10',1,5,10,102,103】1. Фигура 3A показва кривата на стойността на ACC с различни p. Може да се заключи, че кривата на ефективността има малки колебания и стойността на ACC достига максимума, когато параметър p е зададен като 5.

Броят на собствените вектори k в предложения алгоритъм за извличане се анализира в диапазона [50 100 150 200 210]. От фигура 3B може да се постигне по-висока стойност на ACC с нарастващо число k. Максималната класификационна производителност (ACC стойност) съответства на максималния брой собствени вектори k=210.


The curve of ACC value under petroleum ether solvent with different ρ and k

Оценка на ефективността на модела

За да демонстрира осъществимостта и стабилността на предложената от нас схема за извличане за идентифициране на студено-горещото естество на CMs, това проучване сравнява ефективността на класификацията на нашата схема (схемата за извличане, означена като "RS") с тази на някои класически класификатори (т.е. ANN, SVM, ELM) или класификатори, използвани в CM идентификация на природата. Всички сравнителни алгоритми използват оптималните параметри от набора от данни. Съгласно резултатите от предишния раздел, данните от ултравиолетовите спектри под разтворител петролеев етер се използват за изследване на прогнозата за природата на студено задържане. Таблица 2 показва сравнението на ефективността на оценката на стабилността между RS и други алгоритми. Корелационният коефициент на Пиърсън (PCC) се използва като сравнителна референция за измерване на сходството на UV спектрите. Според резултатите от прогнозите на студено-горещата природа можем да заключим следното. Първо, нашата схема RS се представя най-добре при идентифицирането на студено-гореща природа. По-специално, RS и PCC имат по-добра точност на идентификация от други класически алгоритми за сравнение. Това показва, че китайските лекарства с подобен ултравиолетов спектър имат подобна медицинска природа. Второ, ANN и ELM с UV спектрални данни са лоши при идентифицирането на естеството на лекарството.


Трето, точността на идентификация на SVM е по-добра от тази на ANN и ELM. Тя обаче е по-лоша от нашата схема. И накрая, оценката за стабилност на нашата схема е най-добрата.


Comparison of stability evaluation

Примери за прогнози

Методът за изключване се използва за получаване на примери за прогнозиране. Два случая на CM за извличане, върнати от RS, са изброени в таблица 3. Заявката за китайска медицина (първи ред) и нейните най-горни k=7 извлечени референтни CM са показани в таблицата. Извлечените референтни CM се изчисляват от RS и се класират с монотонно нарастващо разстояние на Махаланобис. Студено лекарство (DiFuZhi (Kochiae Fructus)) и горещо лекарство (BiBa (Piperis Longi Fructus)) се служат като примери за илюстриране на принципа на идентифициране на студено-горещо лекарство. В първата колона лекарството на заявката е Piperis Longi Fructus. Неговите извлечени референтни лекарства са горещи. Изчислената вероятност за студена природа е 0, което показва, че лекарството на заявката може да е горещо. Във втората колона лекарството на заявката е Kochiae Fructus. Извлечените резултати съдържат шест лекарства от студена природа и едно лекарство от гореща природа. Вероятността му за студена природа е 0.9464, което показва, че лекарството за заявка е по-вероятно да бъде студено по природа. Примерите за прогнозиране показват, че подобни UV отпечатъци могат да характеризират същата медицинска природа.


Prediction examples based on the proposed RS

Обща ефективност на прогнозиране.

В това проучване ние извършваме холистична оценка на предложения RS метод. Таблица 4 показва матрицата на объркването на прогнозата на 61 CM. Общата точност на прогнозата е 80,3 процента (49/61). Точността на идентификация на медицината от студена природа е 86.7 процента (26/30), докато точността на прогнозиране на медицината от гореща природа е 74,2 (23/31). Може да се види, че тази схема има добра степен на прогнозиране за лекарства със студена природа. Припомнянето, прецизността и F-резултатът на 61 CM идентификация са изброени в Таблица 5. Като цяло нашата схема има добър процент на идентификация.


Confusion matrix of 61 CM identification

Устойчивост на предложеното

метод Независим набор от данни се използва за тестване на устойчивостта на предложения алгоритъм. В този набор от данни молекулярните дескриптори са изчислени, за да представят CMs, включително Molweight, H.Acceptors, H.Donors, Polar.Surface.Area, Rotatable.Bonds, Sp3.Atoms, Symmetric. атоми и амини. Подробният процес е описан в ръкописа [10]. В набора от данни има 534 горещи лекарства и 724 лекарства за настинка. Таблица 6 показва матрицата за объркване при идентификация на 1258 CM (534 плюс 724 лекарства). Общата точност на идентификация е 81,1 процента (1020/1258). Точността на прогнозиране на лекарствата от студена природа е 83,0 процента (443/534), докато точността на идентификация на лекарствата от гореща природа е 79,7 процента (577/724). Експерименталните резултати показват, че предложеният метод има по-добра устойчивост. Като цяло нашата схема има добра степен на прогнозиране.


Confusion matrix of 61 CM identification

Дискусия

В това проучване проучихме възможността за класифициране на природата на CM със схема за извличане въз основа на сходството на UV спектралните данни. Резултатите от експеримента показват, че това е ефективен метод за идентифициране на неизвестната природа на CM чрез изчисляване на сходството на UV спектъра. Междувременно експерименталните резултати потвърждават предложената хипотеза, че CM с подобен състав на веществата трябва да имат подобна медицинска природа.

В обобщение. предимствата на нашето изследване са следните. Първо, за да се реализира идентификация на природата на CM, се събира набор от данни от 61 референтни CM UV спектър, в който всеки CM има ясно студен или горещ характер. По този начин е ефективно и осъществимо за определяне на природата на CM.

Второ, студено-горещата природа играе критична роля в теорията за природата на TCM. В това изследване ние изследваме взаимовръзката между материалния състав в рамките на CM и студено-горещата природа. Съставът на материала е представен чрез UV спектри. Експерименталните оценки показаха, че има връзка между състава на материала и природата на студено-горещо лекарство, което може да се приложи за класификация на природата на студено-горещо. Освен това, ние демонстрираме, че съставът на материала определя природата на CM студено-горещо.

Трето, в светлината на UV спектралните характеристики на CM, ние изследваме схема за извличане, за да идентифицираме природата на CM. Метриката на разстоянието се изследва за измерване на сходството на UV спектрите. Резултатите от експеримента показват, че нашата схема се представя най-добре. Потенциалното обяснение е, че нашата схема изследва достатъчно връзката между материалния състав и студено-горещата природа на CM.

Четвърто, друго представяне, което беше подробно демонстрирано в това проучване, е устойчивостта на предложената схема за извличане за бъдещи клинични приложения. За интелигентен дискриминантен модел нашата цел е да помогнем на изследователите да разчитат ултравиолетовите спектри и да идентифицират студено-горещата природа. Моделът не е осъществим, ако устойчивостта е твърде ниска за независим TCM набор от данни. Ние показахме, че нашият модел има висока устойчивост в експериментите. Ще бъдат извлечени още CM данни за пръстови отпечатъци, за да се потвърди надеждността на нашия модел в бъдеще.

Въпреки това, нашето изследване все още има някои ограничения. Първо, това изследване използва само UV спектри за представяне на CM. Други техники за пръстови отпечатъци не са анализирани в това проучване. CM са сложни смеси от съединения. Невъзможно е да се отрази целият състав на CM съединения само с една техника на пръстови отпечатъци. В бъдеще искаме да използваме множество пръстови отпечатъци, за да анализираме студено-горещото естество на CM. Второ, ние изследваме сходството на UV спектрите с метрика на разстоянието. Данните за пръстови отпечатъци имат характеристиките на голям размер и малка извадка. Въз основа на такива характеристики дизайнът на модела за прогнозиране е фокусът на бъдещето. Трето, нашето проучване се фокусира върху изследване на схеми за извличане за класификация на природата студено-горещо. Характеристиките на UV спектъра не са анализирани задълбочено. Впоследствие ще интегрираме по-ефективни данни за пръстови отпечатъци, за да подобрим ефективността на класификацията на медицината.

Нашето изследване дава не само метод за идентификация на природата, но и нова схема за природен маркер наКитайскилекарства. Естественият маркер е нова концепция, указваща съставките наКитайскилекарстватясно свързани с природата на медицината. С нашата схема за идентификация на природата искаме да търсим китайски лекарства с подобни съставки при същите условия за ограничаване на природата. Такива няколко китайски лекарства имат едни и същи съставки, които могат да се считат за природни маркери на тези няколкоКитайскилекарства.

Cistanche tubulosa-

Заключение

В това проучване се предлага схема за извличане, за да се предскаже природата на студено-горещо лекарство. Въз основа на характеристиките на CM. Тази схема има по-добра класификационна производителност от класическите класификатори. Ефективните експерименти показват, че естеството на студено-горещото лекарство и данните за UV спектралните пръстови отпечатъци са уместни.


Препратки

1 Gao J, Chen C. Дискусия върху научната конотация на четири естества на китайската materia medica. Acta Univ. Традиция. Med. Sin Pharmacol Shanghai 2007, 21:16-18.


2. Ouyang B, Wang ZG, Wang P. Изследователско мислене и метод на съвременното изследване на теорията за четири свойства на китайската materia medica. J Beijing Univ Tradit Chin Med 2006, 29: 592-594.


3. Wu LJ, Wang YY, Li YD и др. Разбиране на ЧЖЕН в традиционната китайска медицина в контекста на невро-ендокринно-имунната мрежа. IET Syst Biol 2007,1: 51-60.


4. Jin R, Zhang B, Liu XQ и др. Проучване на биологичното представяне на китайската materia medica със студено или горещо свойство въз основа на модела на три елемента за математически анализ. J Chin Integr Med 2011, 9:715-724.


5. Zhao Y, Jia L, Wang J, et al. Тест за диференциране на студена/гореща подложка на разликите в свойствата на отвари mahuang и maxingshigan. Pharm Biol 2016, 54(7):1298-302.


6. Wan HY, Kong XY, Li XM и др. Ефект на традиционни китайски лекарства с различни свойства върху терморегулацията и чувствителния към температура преходен рецепторен потенциален канален протеин на плъхове с треска, предизвикана от дрожди. China J Chin Meter Med 2014, 39: 3813-3818.


7. Liang F, Li L, Wang M, et al. Молекулярна мрежа и базирани на химически фрагменти характеристики на лечебни билки със студени и горещи свойства от китайската медицина. J Ethnopharmacol 2013, 148 (3): 770-779.


8. Wang M, Li L, Yu C, et al. Класификация на смеси от китайски билкови лекарства въз основа на самоорганизираща се карта (SOM). Mol Inform 2016, 35(3-4):109-115.


9. Fu X, Song X, Li X и др. Анализ на филогенетично дърво на студено-горещата природа на традиционната китайска морска медицина за възможна противоракова активност. Базирано на доказателства допълнение Alternat Med 2017, 2017: 1-10.


10. Fu X, Mervin LH, Li X и др. Към разбирането на студената, горещата и неутралната природа на китайските лекарства чрез in silico анализ на начина на действие. J Chem Inf Model 2017, 57(3):468-483.


11. Li Y, Li X, Xue FZ и др. Дискриминация на свойствата на китайските традиционни лекарства, базирани на изкуствена невронна мрежа. J Shandong Univ (здравни науки) 2011, 49: 57-61.


12. Liu WH, Li Y, Ji YJ и др. Частични най-малки квадрати в дискриминацията на собствеността на традиционната китайска билкова медицина. J. Shandong Univ (здравни науки) 2012, 50: 151-154.


13. Zhang XX, Li Y, Ji YJ и др. Дискриминация на свойствата на китайската традиционна медицина с анализ на главните компоненти - линеен дискриминантен анализ. J Shandong Univ (здравни науки) 2012, 50: 143-146.


14. Nie B, Hao ZL, Gui B, et al. Изследванията за метаболомичен дискриминантен метод за студено и горещо свойство на традиционната китайска медицина, базирано на произволна гора. Jiangxi Univ Traditi Chin Med 2015, 27:82-86.


15. Long W, Liu P, Xiang J, et al. Комбинирана система за прогнозиране на китайски свойства на Materia Medica. Изчисл. Методи Програми Биомед. 2011, 101 (3): 253-264.


16. Li H, Xu Q, Zhang J, et al. Студено-горещата природа разграничава традиционните китайски лечебни билки чрез дискриминантен анализ на 1H-NMR спектрални данни. 2017 Международна конференция по медицинска наука и човешко здраве (MSHH 2017), 2017, 174-179.


17. Jiang M, Zhang S, Li H, et al. Компютърно подпомогнато диагностициране на мамографски образувания с използване на мащабируемо извличане на изображения. IEEE Trans Biomed Eng 2015, 62(2):783-92.


18. Tsochatzidis L, Zagoris K, Arikidis N, et al. Компютърно подпомагана диагностика на мамографски образувания, базирана на контролиран подход за извличане на изображения, базиран на съдържание. Pattern Recog 2017, 71:106-117.


19. Wei G, Ma H, Qian W, et al. Измерване на подобие на белодробни маси за извличане на медицински изображения с помощта на базирана на ядрото полуконтролирана метрика на разстоянието. Med Phys 2016, 43(12):6259-6269.


20. Wei G, Ma H, Qian W, et al. Базирана на съдържание схема за извличане на изображения за класификация на белодробни възли. Curr Med Imaging Rev 2017, 13(2):210-216.


21. Liu Y, Rong J, Lily M, et al. Подобряваща рамка за запазване на визуалността дистанционно метрично обучение и нейното приложение за извличане на медицински изображения. IEEE Trans Pattern Anal Mach Intell 2010, 32(1):30-44.


22. Weinberger KQ, Blitzer J, Saul LK. Дистанционно метрично обучение за класификация на най-близкия съсед с голям марж. J Mach Learn Res 2009, 10(1):207-244.


23. Tao D, Li X, Wu X и ​​др. Общ тензорен дискриминантен анализ и функции на Gabor за разпознаване на походката. IEEE Trans. Pattern Anal Mach Intell 2007, 29 (10): 1700–1715.


24. Malar E, Kandaswamy A, Chakravarthy D, et al. Нов подход за откриване и класифициране на мамографски микрокалцификации, използвайки вълнов анализ и машина за екстремно обучение. Comput Biol Med 2012, 42:898–905.


25. Х. Ли. Изграждане на цифрова система за представяне, базирана на пръстови отпечатъци от ултравиолетовия спектър на съществената основа на традиционната китайска медицина (TCM) със студено-топлинна природа. Jinan: Шандонг университет по традиционна китайска медицина 2011.


Може да харесаш също