资源描述：
《预测中药缺失药性的初步研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、预测中药缺失药性的初步研究广大朋友们，关于预测中药缺失药性的初步研究是由小编特别编辑整理的，相信对需要各式各样的论文朋友有一定的帮助!中药理论体系中,药物的药性与功能是一个整体,前者从整体上表述了药物的作用性质、趋向和途径,后者则表明了中药对人体调节作用的结果,两者既具有明显的差别,又具有紧密的联系。利用信息技术研究中药药性,是中药药性理论研究的重要内容[1]。利用数据挖掘技术对中药药性与功能数据进行挖掘,可发现药性与功效之间的明确关系[2]。中药药性主要包括药物四气、五味、归经、毒性和升降浮沉,是中医用药的核心指导原则,是对药物临床作用的高度概括,是中医学与中药学理论
2、连接的桥梁,是区分中药与天然药物的基本依据。然而很多中药,特别是大部分近现代中药的药性是缺失不全的。在《中华本草》[3]8980味中药中,缺失性味描述的约7%,缺失归经描述的约75%。这严重影响了药性理论在中药现代化和临床实践中指导作用的发挥,影响中药的疗效。本研究以药性与功能记录完备的药物为基础,利用数据挖掘技术分析这些药物,建立模型,得到功能-药性关联关系,预测药物的缺失药性,为药性的进一步确立、药物研究与使用提供有力的支持。笔者以建立归肝经预测模型为例,探讨中药缺失药性的完善方法。1资料与方法1.1数据根据2005版《中华人民共和国药典》(一部)[4],筛选药性与
3、功能记录齐备的507味药物建立数据库,每味药物包括四气、五味、归经和功能属性,属性记录包括有、无两种。507味药物中,归肝经药物为249味。随机分出95味药为检验数据,其余412味药为建模数据。待预测药物为有功能与性味记录、无归经记录的20味中药,预测其是否归肝经。1.2数据挖掘方法采用C4.5决策树算法[5]。本研究考察参数为Theminimumnumberofinstancesperleaf,其含义为所建立的决策树每个叶结点必须覆盖的最小实例数量,简称MNIPL,其余参数采用默认值。采用十折交叉验证优选模型参数,确定最佳模型;再以95个检验数据进一步考察所建模型的可
4、靠性。在考察总体误差估计的同时,根据误差矩阵分析该预测模型对归经预测的灵敏度与特异性。总体误差估计计算为模型将检验集正确分类的百分比,代表模型总体分类效果;敏感度计算为模型将检验集中归肝经的实例正确分类的百分比,代表预测模型的捕捉范围;而特异性计算为检验集中被预测为归肝经的实例正确分类的百分比,代表预测结果的可信度。2结果论文对绝大多数的朋友们来说是必不可少的，为了让朋友们都能顺利的编写出所需的论文，小编专门编辑了中药指纹图谱在质量评价中的作用概述，希望可以助朋友们一臂之力!指纹图谱技术自20世纪70年代出现发展至今,已由研究阶段进入到实际应用阶段,并从总体上对中药质量
5、控制起到了推动作用[1]。国家食品药品监督管理局已颁布了《中药注射剂指纹图谱研究的技术要求(暂行)》,中药指纹图谱有望作为一种强制执行的质量措施载入《中华人民共和国药典》,为实现中药走向世界提供有力的质量保证。1指纹图谱在中药质量控制中的意义及目的中药指纹图谱能全面反映中药内在化学成分的种类与数量,进而反映中药的质量。现阶段中药的有效成分绝大多数没有明确,采用中药指纹图谱的方式,将有效地表征中药质量。指纹图谱已为国际社会所认可,有利于中药进入国际市场。1.1控制中药原材料质量,规范中药GAP标准由于全球气候变暖、环境污染加剧、农药残留超标、品种退化及混杂等原因,中药原材
6、料的安全稳定性已成为亟待解决的关键问题[2]。建立国家中药材GAP基地,可实现中药农业生产的安全、可控。而中药指纹图谱是实现中药GAP的必要标准。以标准指纹图谱为依据,可以对中药生产过程进行监督指导,保证原材料质量的稳定性。1.2对中药质量控制的补充和提高一个理想的指纹图谱不仅能达到定性鉴别的作用,色谱图中大部分色谱峰应达到基线分离,对大部分成分应可进行定量分析。在没有对照品的情况下,也可以已知标准品针对其他未知或无标准品的色谱峰进行定量。因此,中药指纹图谱是对现行中药质量标准控制方法的提高。1.3控制中间体、成品的一致性,减少批间差异通过指纹图谱研究,可以掌握每一个批
7、次的原药材、中间体成分变化,进行有指导的合理勾兑,保证成品在成分含量、组成比例上一致,减少批间差异。无论是原药材、中间体还是成品,因组方已固定、生产工艺相对恒定,药品的安全性不可能直接通过指纹图谱来保障,但中药指纹图谱可直接解决中间体、成品的批间一致性及稳定性问题,从而可以间接并最终保障成品的安全性和有效性。2中药指纹图谱质量评价的研究进展选择不同MNIPL所建立模型结果,评价参数为预测模型节点数、灵敏度、特异性和交叉验证总体误差估计。结果见表1。表1不同参数模型考察表(略)模型规模方面,模型2决策树节点数为41,模型3节点数为55,模型
