广大朋友们，关于“预测中药缺失药性的初步研究”是由精品学习网论文频道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]8 980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 数据来源

根据2005版《中华人民共和国药典》(一部 )[4],筛选药性与功能记录齐备的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The minimum number of instances per leaf,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