利用数据挖掘方法预测中药缺失药性的初步研究

【关键词】  中药药性　归经　数据挖掘　决策树

　　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
   
　　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2比模型3更具简洁性,更符合最短描述长度原理[5]。
   
　　综上认为模型2更具有优势。数据库中药味总数为507,其中归肝经药249味,采用随机分类的特异性为49.11%,而模型2为74.76%。
   
　　利用95味药的药性数据检验模型2,模型敏感性为66.00%,特异性为84.62%,总体误差为75.79%。其总体误差估计与表1相当；敏感性降低,其源于95个检验数据集偏小,归肝经实例为50个,敏感性66%与70%之间相差仅2例分类错误,应属于正常波动。
   
　　选择模型2为肝经决策树预测模型,其各层节点结构见表2。 表2  预测模型2各层节点结构表（略）

　　中医认为,肝主藏血、主疏泄,肝对血液的运行、气机运动、脾胃运化、情志活动等都有重要影响。《素问·至真要大论》谓：“诸风掉眩,皆属于肝”,肝与“风证”有密切关系。由表2可见,各节点属性大多与肝经有关系,与中医理论相一致。其中补肝、平肝、疏肝、清肝与肝有直接关系,和血、活血、凉血、散结、散瘀与血液运行相关,解痉与“风”相关,而定惊、通经络等都与肝经有一定关系。挖掘结果也强调了这种关系。

百度搜索“yundocx”或“云文档网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，云文档网，提供经典医药类利用数据挖掘方法预测中药缺失药性的初步研究在线全文阅读。