Měření podobnosti složek čínské medicíny pro identifikaci přírody za studena a horkého vzduchu

Pro více informací:emily.li@wecistanche.com

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

1Klíčová laboratoř teorie TCM, Ministerstvo školství Číny, Univerzita tradiční čínské medicíny Shandong, Jinan, Čína.

Zvýraznění

V této studii jsme ověřili hypotézu, žečínštinalékys podobným složením látek by měly mít podobnou léčivou povahu. Použili jsme chemické otisky prstů k analýze chemických složek v čínských medicínách. Změřili jsme podobnost ingrediencí pomocí metriky vzdálenosti a navrhli jsme schéma vyhledávání k identifikaci studeno-horké povahyčínštinaléky.

Cistanche je velmi dobrá čínská medicína

Abstraktní

Cíl: Přírodní teoriečínštinalék(CM) je základní základní teoriíTradičníčínštinaLék(TCM), ve kterém je studeno-horká příroda středem zájmu výzkumu. Studie zjistily, že složky CM jsou materiálním základem pro výrobu léčivých přírodnin. Proto se spekuluje, že KM s podobným složením látek by měly mít podobnou léčivou povahu. Moderní práce studuje za studena horkou medicínu CM s technologií chemického otisku prstů, protože data chemických otisků CM mohou odrážet celé složení složek CM.

Metody: Abychom ověřili výše uvedenou hypotézu, v této práci studujeme kvantifikaci podobnosti složek CM k podobnosti otisků prstů a zkoumáme vztah mezi složením CM a studeno-horkou povahou. Nejprve využíváme technologii ultrafialového (UV) spektra k analýze 61 CM, které mají jasnou povahu studená-horká (včetně 30'cold'CMs a 31'hot' CMs). Za druhé, s vytvořenou databází otisků prstů CM. je studován algoritmus distančního metrického učení pro měření podobnosti UV otisků prstů. Nakonec je navrženo schéma vyhledávání pro vytvoření prediktivního identifikačního modelu pro identifikaci studené a horké povahy CM.

Výsledky: Pomocí četných experimentálních analýz mohou data ultrafialového spektra petroletherového rozpouštědla lépe reprezentovat CM pro rozlišení studené a horké povahy. Ve srovnání se stávajícími klasickými modely má navrhované identifikační schéma lepší prediktivní výkon.

Závěr: Experimentální výsledky potvrzují naši domněnku, že KM s podobným složením látek by měly mít podobnou léčivou povahu. Navrhovaný predikční model se ukázal jako účinný a proveditelný.

Klíčová slova: Tradiční čínská medicína,čínštinaLékpřísad, Ultrafialové spektrum, Měření podobnosti, Studená a horká povaha

Pozadí

Jako jeden ze základních prvků tradiční čínské medicíny (TCM) přitahuje přírodní teorie TCM pozornost vědců a výzkumných institucí po mnoho let. Povahačínštinalék(CM) obsahují čtyři typy, tzn. chlad, zima, horko a teplo, což je studená a horká příroda důležitou součástí přírodní teorie TCM [1,2]." horká vlastnost medicíny teorie přírody je důležitým základem léčby TCM při regulaci rovnováhy meziJinaYanglidského těla a aplikace studené a horké medicíny vede k účinné léčbě v klinické medicíně TCM [3].

Četní specialisté zastávají různé názory na studeno-horkou povahu TCM. Jin a kol.[4] navrhl „model tříprvkové matematické analýzy pro výzkum biologického charakteru TCM na základě povahy studené a horké medicíny. Zhao a kol. [5] zkoumali metodu studené/horké plotny, aby odlišili studeno-horkou povahu Mahuangových a Maxingshiganových odvarů. Wan a kol.[6] studovali vliv TCM s různými vlastnostmi na termoregulaci a teplotně senzitivní transientní receptorový potenciační kanálový protein u potkanů ​​s horečkou vyvolanou kvasinkami. Liang a kol.[7] analyzovali studené a horké vlastnosti čínských léčivých bylin metodami molekulární sítě a chemických fragmentů. Wang a kol. [8]identifikoval 59 CHM s typickými studenými/horkými vlastnostmi pomocí samoorganizující se mapy. Fu a kol. [9,10] zkoumali přítomnostprotirakovinnéaktivitaprojevuje se studeno-horkou povahou tradiční čínské mořské medicíny s analýzou fylogenetických stromů a prozkoumává se metodou Silico Mode-of-Action k vysvětlení studené, horké a neutrální povahy CM.

Obecně rozlišování studené a horké povahy CM obsahuje dvě části: reprezentaci rysů a přirozenou klasifikaci. Reprezentace funkcí využívá původní efekty CM, technologii otisků prstů nebo metodu metabolomiky k extrakci charakteristik CM. Klasifikace přírody potřebuje používat klasické klasifikátory strojového učení nebo konstruované klasifikátory, aby se rozlišila studená a horká povaha CM. Originální účinky čínské medicíny jsou účinným charakteristickým výrazem. Výzkumná skupina Xue [11-13] zkoumala původní vlastnosti účinnosti CM v "čínštinaBylinnýLék(CHM)" a použili klasické klasifikátory (jako jsou umělé neuronové sítě) ke klasifikaci neznámé povahy KM. Metabolomická metoda se také používá k reprezentaci KM. Nie et al. [14] studovali metabonomické rysy KM a zkonstruovali náhodný lesní model k rozlišení neznámé povahy CM. Chemická technologie je důležitou metodou pro analýzu studeno-horké přírody Long et al. [15] analyzovali chemické složky 284 CM s jasnou lékařskou povahou a prozkoumali kombinovaný systém pro předpovídání studená a horká povaha jiných CM, Jiné metody, jako je nukleární magnetická rezonanční spektroskopie protonů (1H-NMR), se používají ke zkoumání vlastností CM. List al. [16] studoval charakteristiky CM s 1H-NMR a aplikoval techniky rozpoznávání vzorů k analýze neznámé povahy CM.

S výjimkou klasických klasifikátorů je vyhledávací schéma jedním z populárních a účinných klasifikačních schémat, které bylo široce používáno při identifikaci benigních a maligních mamografií a plicních uzlů [17-20]. Ve srovnání s tradičními klasifikátory může schéma vyhledávání poskytnout nejpodobnější případy pro analýzu a referenci. Proto míra podobnosti hraje důležitou roli ve vyhledávacím schématu pro klasifikaci. Naše skupina provedla mnoho výzkumných prací na měření podobnosti snímků plicních uzlin [20,21]. Kvantifikujeme podobnost snímků plicních uzlin s metrikami vzdálenosti. Ačkoli měření podobnosti bylo široce studováno v lékařských snímcích, zřídka se používá při identifikaci přírody CM.

Současný výzkum medicínského charakteru se zaměřil na odhalování souvislostí povahy CM a materiálového složení v rámci CM. K analýze materiálového složení CM se například používají techniky chemického otisku prstů a přírodní diskriminační modely CM. Údaje o chemických otiscích CM mohou odrážet celé složení složek CM. Bioaktivita je dána materiálovým složením. a bioaktivity CM jsou jádrem identifikace povahy medicíny [2]. Materiálové složení tedy nepřímo určuje povahu CM. Studie zjistily, že složky KM jsou materiálním základem pro výrobu léčivých přírodnin [10]. Proto se spekuluje, že KM s podobným složením látek by měly mít podobnou léčivou povahu.

Abychom ověřili výše navrženou hypotézu, v této práci zkoumáme vztah mezi složkami CM a studeno-horkou léčivou povahou. Za prvé, vytváříme databázi složek CM pomocí technologie ultrafialového (UV) spektra, která představuje 61 CM, které mají jasnou povahu studená-horká (včetně 30 'studených' CM a 31 'horkých' CM). Za druhé, studujeme kvantifikaci podobnosti složek CM s metrikou vzdálenosti. Mahalanobisova vzdálenost se naučila měřit podobnost UV otisků prstů CM. Nakonec je navrženo schéma vyhledávání pro vytvoření prediktivního identifikačního modelu pro predikci studené a horké povahy CM.

Materiály a metody

Datová sada TCM

V této studii je analyzováno 61 reprezentativních CM, z toho 30 CM jsou „léky proti nachlazení“ a další jsou „léky zahřívající se proti nachlazení“. Všech 61 CM bylo označeno v klasické 'Chinese Materia Medica' a 'Shen Nong's Herbal Classic'. Tabulka 1 ukazuje 61 reprezentativních CM a jejich povahu (charakteristiky v závorkách).

K testování 61 CM se používá technologie UV otisků prstů. Hlavním přístrojem je UV-3010 UV spektrofotometr (Hitachi, Japonsko). Naše skupina zaznamenala absorbanci celkem 61 CMs v ultrafialové vlnové délce 190-400nm se čtyřmi různými rozpouštědly (chloroform, destilovaná voda, absolutní ethanol, petrolether). Podrobná metoda pro získání UV otisku může být uvedena v rukopisu [25]. Jako „horký“ lék byla hořčičná semínka označena v klasických „čínských Materia Medica“ a „Shen Nong's Herbal Classic“. Obrázek 1 ukazuje křivku UV absorpce Jiezhi (Mustard Seeds) a GeGen (Puerariae Lobatae Radix) s petroletherovým rozpouštědlem.

UV podobnost otisků prstů

V této studii zkoumáme vztah mezi studeno-horkou povahou a materiálovým složením CM. Pro ověření hypotézy by KM s podobným složením látek měly mít podobnou léčivou povahu, chceme kvantifikovat podobnost složek KM a prozkoumat metodu identifikace povahy KM. UV otisk odráží materiálové složení CM. Proto chceme na základě UV otisků prstů odhalit studeno-žhavou přírodu. Pokud jsou složky KM podobné, můžeme si myslet, že jejich léčivé vlastnosti jsou podobné. Proto by CM s podobnými UV otisky měly mít stejnou léčivou povahu.

Míra podobnosti je definována jako sémantická relevance, která byla v naší studii použita k měření podobnosti snímků plicních nodulů [21]. Pokud jsou dva CM oba léky na nachlazení, jsou sémanticky podobné. Mahalanobisova vzdálenost se používá k měření podobnosti UV otisků prstů CM. Čím menší je vzdálenost Mahalanobis, tím vyšší je podobnost UV otisků prstů.

Vyhodnocení výkonu

V tomto pododdílu, aby se ověřila proveditelnost navrhovaného vyhledávacího schématu pro identifikaci studeno-horké přírody, jsou konstruovány rozsáhlé experimenty pro posouzení výkonnosti vyhledávacího schématu. Porovnáváme výkonnost našeho schématu s výkonností nejmodernějších klasifikačních modelů, včetně extrémního leamovacího stroje (ELM)[24], umělé neuronové sítě (ANN) a podpůrného vektorového stroje (SVM). Všechna vyhodnocení experimentů jsou založena na existujícím souboru dat TCM. Aplikace pomáhá testovat neznámou povahu CM tím, že získává podobná UV spektra CM s jasnou povahou studený-horký. V této studii jsme nejprve porovnali výkon identifikace přírody UV spekter s různými rozpouštědly a vybrali jsme rozpouštědlo odpovídající optimálnímu identifikačnímu výkonu. Za druhé jsme navrhli experimenty pro vyhodnocení výkonu navrženého schématu, nazývané hodnocení stability. Zatřetí jsme schéma vyhledávání ilustrovali na příkladech. Nakonec je k testování robustnosti navrženého algoritmu použit nezávislý datový soubor.

V našich experimentech se hodnocení stability používá k analýze výkonu navrženého predikčního modelu. Hodnocení stability je počítáno metodou ponechání jednoho CM-out [20] v celém souboru dat. Pokaždé byl jeden CM vybrán jako dotazovaný CM a zbývajících 60 CM jako referenční databáze. Protože každý TCM byl vybrán jako dotazovací CM, byl tento proces proveden 6x. V tomto schématu vyhledávání jsme získali K'most podobných a pak získali pravděpodobnost studené povahy. Nakonec bylo vypočteno 61 pravděpodobností. Při změně prahu pravděpodobnosti „studené povahy“ se generuje křivka provozní charakteristiky přijímače (ROC). Oblast pod křivkou ROC (AUC) a přesnost předpovědi (ACC) se používají k vyhodnocení výkonnosti našeho schématu. Čím větší je plocha, tím je model stabilnější, hodnota ACC je pravděpodobnost správné klasifikace studené a horké povahy CM. Vzorec ACC je následující:

Pro hodnocení stability byly použity hodnoty AUC a ACC.

Výsledek

Hodnocení výkonu s různými rozpouštědly.

Chemické otisky CM odrážejí materiálové složení CM. UV spektra jsou jedním otiskem CM, který lze použít k rozlišení studené a horké povahy CM. V této studii konstruujeme experimenty pro kvantitativní analýzu vztahu mezi materiálovým složením a povahou KM pomocí ultrafialové spektroskopie.

V této práci byl analyzován klasifikační výkon UV spekter s různými rozpouštědly (destilovaná voda. chloroform. petrolether, absolutní ethanol) za účelem výběru UV dat pod rozpouštědlem pro optimální rozpoznávací výkon. K vyhodnocení parametrů našeho schématu se používá metoda Leave-one-CM-out. Obrázek 2 zobrazuje křivky hodnot ACC pro klasifikaci UV spekter povahy léčiva s různými rozpouštědly. Hodnota ACC se vypočítá jako funkce počtu odkazovaných CM (K) získaných pro získání komplexnější křivky pro predikci výkonu modelu. Na obrázku 2 je křivka hodnoty ACC pod petroletherovým rozpouštědlem lepší než pod jinými rozpouštědly, což znamená, že UV spektra petroletherového rozpouštědla mají nejlepší rozlišovací schopnost povahy studená-horká. Když je K nastaveno na 7, křivka hodnoty ACC pod petroletherovým rozpouštědlem má vrchol. Identifikační výkon dosahuje maximální hodnoty 0.803. Z křivky hodnoty ACC pod absolutním etanolem má UV otisk prstu s absolutním etanolem nejnižší prediktivní výkon. Identifikace povahy CM pomocí destilované vody a chloroformu je horší než u petroletheru, ale překonává to u absolutního ethanolového rozpouštědla. Podle obrázku jsou maximální hodnoty ACC destilované vody a chloroformu obě 0,656. Proto jsou tato dvě rozpouštědla špatná pro předpověď povahy medicíny.

V této studii vliv parametru p na např. (4) v petroletherovém rozpouštědle je zkoumána k vyhodnocení předpovědní výkonnosti studeno-horké přírody. Hodnota er p je nastavena v rozsahu

parametr【10-3,10*²,10',1,5,10,102,103】1. Obrázek 3A zobrazuje křivku hodnoty ACC s různými p. Lze dojít k závěru, že křivka výkonu má malé výkyvy a hodnota ACC dosahuje maxima, když je parametr p nastaven na 5.

Počet vlastních vektorů k v navrhovaném vyhledávacím algoritmu je analyzován v rozsahu [50 100 150 200 210]. Z obrázku 3B lze s rostoucím číslem k dosáhnout vyšší hodnoty ACC. Maximální klasifikační výkon (hodnota ACC) odpovídá maximálnímu počtu vlastních vektorů k=210.

Hodnocení výkonnosti modelu

Abychom demonstrovali proveditelnost a stabilitu našeho navrhovaného vyhledávacího schématu pro identifikaci studené a horké povahy CM, tato studie porovnává klasifikační výkon našeho schématu (schéma vyhledávání, označovaného jako "RS") s výkonem některých klasických klasifikátorů (tj. ANN, SVM, ELM) nebo klasifikátory používané při identifikaci přírody CM. Všechny srovnávací algoritmy využívají optimální parametry z datové sady. Podle výsledků předchozí části jsou data UV spekter pod petroletherovým rozpouštědlem použita ke studiu predikce povahy za studena. Tabulka 2 ukazuje výkonnostní srovnání hodnocení stability mezi RS a jinými algoritmy. Pearsonův korelační koeficient (PCC) se používá jako srovnávací reference pro měření podobnosti UV spekter. Podle výsledků predikce studeno-horké přírody můžeme dojít k následujícímu závěru. Za prvé, naše schéma RS funguje nejlépe při identifikaci studeno-horké přírody. Zejména RS a PCC mají lepší přesnost identifikace než jiné srovnávací klasické algoritmy. To ukazuje, že čínské léky s podobným ultrafialovým spektrem mají podobnou povahu medicíny. Za druhé, ANN a ELM s UV spektrálními daty jsou špatné v identifikaci lékařské povahy.

Za třetí, přesnost identifikace SVM je lepší než u ANN a ELM. Je však chudší než naše schéma. A konečně, hodnocení stability našeho schématu je nejlepší.

Příklady předpovědí

K získání předpovědních příkladů se používá metoda vynechání. Dva případy vyhledávání CM vrácené RS jsou uvedeny v tabulce 3. Dotaz Čínská medicína (první řádek) a jeho nejlepších k=7 získaných referenčních CM jsou uvedeny v tabulce. Získané referenční CM jsou vypočítány pomocí RS a seřazeny s monotónně inkrementální Mahalanobisovou vzdáleností. Lék na nachlazení (DiFuZhi (Kochiae Fructus)) a horký lék (BiBa (Piperis Longi Fructus)) slouží jako příklady pro ilustraci principu identifikace léku za studena a horkého. V prvním sloupci je dotazovaný lék Piperis Longi Fructus. Všechny jeho získané referenční léky jsou horké povahy. Vypočtená pravděpodobnost studené povahy je 0, což znamená, že dotazovaný lék může být horké povahy. Ve druhém sloupci je dotazovaný lék Kochiae Fructus. Získané výsledky mají šest léků studené přírody a jeden lék horké přírody. Pravděpodobnost jeho studené povahy je 0.9464, což naznačuje, že dotazovaný lék je pravděpodobněji studené povahy. Předpovědní příklady ukazují, že podobné UV otisky mohou charakterizovat stejnou lékařskou povahu.

Celkový výkon předpovědi.

V této studii provádíme holistické posouzení navrhované metody RS. Tabulka 4 ukazuje předpovědní matici zmatenosti 61 CM. Celková přesnost předpovědi je 80,3 procenta (49/61). Přesnost identifikace medicíny studené přírody je 86,7 procenta (26/30), zatímco přesnost předpovědi medicíny horké přírody je 74,2 (23/31). Je vidět, že toto schéma má dobrou předpovědní míru pro léky s chladnou povahou. Vyvolání, přesnost a F-skóre identifikace 61 CM jsou uvedeny v tabulce 5. Obecně má naše schéma dobrou míru identifikace.

Robustnost navrhovaného

metoda K testování robustnosti navrženého algoritmu se používá nezávislý datový soubor. V tomto datovém souboru jsou molekulární deskriptory vypočítány tak, aby reprezentovaly CM, včetně molekulové hmotnosti, H.Acceptors, H.Donors, Polar.Surface.Area, Rotatable.Bonds, Sp3.Atoms, Symmetric. atomy a aminy. Podrobný postup je popsán v rukopise [10]. V datovém souboru je 534 horkých léků a 724 léků proti nachlazení. Tabulka 6 ukazuje identifikační matoucí matici 1258 CM (534 plus 724 léků). Celková přesnost identifikace je 81,1 procenta (1020/1258). Přesnost předpovědi léčivých přípravků za studena je 83,0 procenta (443/534), zatímco přesnost identifikace léčivých přípravků horké povahy je 79,7 procenta (577/724). Experimentální výsledky ukazují, že navrhovaná metoda má lepší robustnost. Naše schéma má obecně dobrou míru předpovědi.

Diskuse

V této studii jsme prozkoumali proveditelnost klasifikace povahy CM pomocí vyhledávacího schématu na základě podobnosti UV spektrálních dat. Výsledky experimentů ukázaly, že jde o účinnou metodu pro identifikaci neznámé povahy CM výpočtem podobnosti UV spektra. Mezitím experimentální výsledky ověřují navrženou hypotézu, že KM s podobným složením látek by měly mít podobnou léčivou povahu.

Celkem. výhody našeho výzkumu jsou následující. Za prvé, pro realizaci identifikace povahy CM se sestaví datový soubor 61 referenčních CM UV spektra, ve kterém má každý CM jasně studenou nebo horkou povahu. Je tedy efektivní a proveditelný pro určení povahy KM.

Za druhé, studená a horká příroda hraje v teorii přírody TCM zásadní roli. V této studii zkoumáme vzájemný vztah mezi materiálovým složením v CM a studeno-horkou přírodou. Materiálové složení je reprezentováno UV spektry. Vyhodnocení experimentů ukázalo, že existuje korelace mezi materiálovým složením a povahou léčiva za studena a horkého vzduchu, což lze použít pro klasifikaci přírody za studena a horkého vzduchu. Dále prokazujeme, že materiálové složení určuje povahu CM studeno-teplo.

Za třetí, ve světle UV spektrálních charakteristik CM zkoumáme schéma vyhledávání pro identifikaci povahy CM. Metrika vzdálenosti je studována pro měření podobnosti UV spekter. Výsledky experimentu ukazují, že naše schéma funguje nejlépe. Potenciálním vysvětlením je, že naše schéma dostatečně zkoumá vztah mezi materiálovým složením a povahou KM za studena a horkého vzduchu.

Za čtvrté, další výkonnost, která byla v této studii důkladně prokázána, je robustnost navrhovaného schématu vyhledávání pro budoucí klinické aplikace. Pro inteligentní diskriminační model je naším cílem pomoci výzkumníkům při čtení ultrafialových spekter a identifikaci studeno-horké přírody. Model není proveditelný, pokud je robustnost pro nezávislý soubor dat TCM příliš nízká. V experimentech jsme prokázali, že náš model má vysokou robustnost. Pro potvrzení robustnosti našeho modelu v budoucnu budou extrahovány další údaje o otiscích prstů CM.

Náš výzkum má však stále určitá omezení. Za prvé, tato studie používala pouze UV ​​spektra k reprezentaci CM. Jiné techniky otisků prstů nejsou v této studii analyzovány, CM jsou komplexní směsi sloučenin. Není možné reflektovat celé složení CM sloučenin pouze jednou technikou otisků prstů. V budoucnu chceme používat více otisků prstů k analýze studeno-horké povahy CM. Za druhé, zkoumáme podobnost UV spekter s metrikou vzdálenosti. Data otisku prstu mají vlastnosti velkého rozměru a malého vzorku. Na základě těchto charakteristik je návrh prognostického modelu středem zájmu budoucnosti. Za třetí, naše studie se zaměřuje na zkoumání schémat vyhledávání pro klasifikaci přírody za studena a horkého vzduchu. Vlastnosti UV spektra nebyly důkladně analyzovány. Následně budeme integrovat efektivnější údaje o otiscích prstů, abychom zlepšili výkonnost klasifikace povahy léčiv.

Naše studie poskytuje nejen metodu pro identifikaci přírody, ale také nové schéma pro přírodní markerčínštinaléky. Nature marker je nový koncept označující složkyčínštinalékyúzce souvisí s medicínou. S naším schématem identifikace přírody chceme hledat čínské léky s podobnými přísadami za stejných podmínek omezení přírody. Několik takových čínských léků má stejné složky, které lze považovat za přirozené markery těchto několikačínštinaléky.

Závěr

V této studii je navrženo vyhledávací schéma pro predikci povahy studené a horké medicíny. Na základě charakteristik CM. toto schéma má lepší klasifikační výkon než klasické klasifikátory. Efektivní experimenty ukazují, že povaha medicíny za studena a horkého vzduchu a údaje o UV spektrálních otiscích prstů jsou relevantní.

Reference

1 Gao J, Chen C. Diskuse o vědecké konotaci čtyř přirozeností čínské materia medica. Acta Univ. Tradice. Med. Sin Pharmacol Shanghai 2007, 21:16-18.

2. Ouyang B, Wang ZG, Wang P. Výzkumné myšlení a metoda moderního studia teorie čtyř vlastností čínské materia medica. J Beijing Univ Tradit Chin Med 2006, 29: 592-594.

3. Wu LJ, Wang YY, Li YD a kol. Pochopení ZHENG v tradiční čínské medicíně v kontextu neuro-endokrinně-imunitní sítě. IET Syst Biol 2007,1: 51-60.

4. Jin R, Zhang B, Liu XQ a kol. Studie biologické výkonnosti čínské materia medica s vlastnostmi za studena nebo za tepla na základě modelu tříprvkové matematické analýzy. J Chin Integr Med 2011, 9:715-724.

5. Zhao Y, Jia L, Wang J, et al. Studený/horký polštář rozlišující test rozdílů vlastností mahuangových a maxingshiganových odvarů. Pharm Biol 2016, 54(7):1298-302.

6. Wan HY, Kong XY, Li XM a kol. Vliv tradičních čínských léků s různými vlastnostmi na termoregulaci a teplotně citlivý protein přechodného receptorového potenciálu u potkanů ​​s horečkou vyvolanou kvasinkami. China J Chin Meter Med 2014, 39:3813-3818.

7. Liang F, Li L, Wang M a kol. Charakteristiky léčivých bylin se studenými a horkými vlastnostmi z čínské medicíny založené na molekulární síti a chemických fragmentech. J Ethnopharmacol 2013, 148(3):770-779.

8. Wang M, Li L, Yu C, a kol. Klasifikace směsí čínských bylinných léčiv na základě samoorganizující se mapy (SOM). Mol Inform 2016, 35(3-4):109-115.

9. Fu X, Song X, Li X a kol. Fylogenetická stromová analýza studeno-horké povahy tradiční čínské mořské medicíny pro možnou protirakovinnou aktivitu. Evid Based Complement Alternat Med 2017, 2017:1-10.

10. Fu X, Mervin LH, Li X a kol. K pochopení studené, horké a neutrální povahy čínských léků pomocí in silico analýzy způsobu působení. J Chem Inf Model 2017, 57(3):468-483.

11. Li Y, Li X, Xue FZ a kol. Diskriminace vlastností tradiční čínské medicíny založené na umělé neuronové síti. Univerzita J Shandong (zdravotní vědy) 2011, 49:57-61.

12. Liu WH, Li Y, Ji YJ a kol. Částečné nejmenší čtverce v diskriminaci vlastnosti tradiční čínské bylinné medicíny. J. Shandong Univ (Health Sciences) 2012, 50:151-154.

13. Zhang XX, Li Y, Ji YJ a kol. Diskriminace vlastností čínské tradiční medicíny s analýzou hlavních komponent-lineární diskriminační analýza. Univerzita J Shandong (zdravotní vědy) 2012, 50:143-146.

14. Nie B, Hao ZL, Gui B a kol. Výzkum pro metabolomickou diskriminační metodu pro vlastnosti chladu a tepla tradiční čínské medicíny založené na náhodném lese. J Jiangxi Univ Traditi Chin Med 2015, 27:82-86.

15. Long W, Liu P, Xiang J, et al. Kombinační systém pro predikci vlastností čínské Materia Medica. Počítat. Metody Programy Biomed. 2011, 101(3):253-264.

16. Li H, Xu Q, Zhang J, a kol. Studená a horká povaha rozlišuje tradiční čínské léčivé byliny diskriminační analýzou 1H-NMR spektrálních dat. 2017 International Conference on Medical Science and Human Health (MSHH 2017), 2017, 174-179.

17. Jiang M, Zhang S, Li H a kol. Počítačem podporovaná diagnostika mamografických mas pomocí škálovatelného vyhledávání snímků. IEEE Trans Biomed Eng 2015, 62(2):783-92.

18. Tsochatzidis L, Zagoris K, Arikidis N, et al. Počítačem podporovaná diagnostika mamografických mas založených na kontrolovaném přístupu založeném na získávání obrazu. Pattern Recog 2017, 71:106-117.

19. Wei G, Ma H, Qian W, a kol. Měření podobnosti plicních hmot pro získávání lékařských snímků pomocí metriky vzdálenosti s polodohledem na bázi jádra. Med Phys 2016, 43(12):6259-6269.

20. Wei G, Ma H, Qian W, et al. Schéma načítání obrázků založené na obsahu pro klasifikaci plicních uzlin. Curr Med Imaging Rev 2017, 13(2):210-216.

21. Liu Y, Rong J, Lily M, et al. Posilující rámec pro distanční metrické učení se zachováním vizualizace a jeho aplikace při získávání lékařských snímků. IEEE Trans Pattern Anal Mach Intell 2010, 32(1):30-44.

22. Weinberger KQ, Blitzer J, Saul LK. Distanční metrické učení pro klasifikaci nejbližšího souseda s velkou rezervou. J Mach Learn Res 2009, 10(1):207-244.

23. Tao D, Li X, Wu X a kol. Obecná tenzorová diskriminační analýza a Gaborovy funkce pro rozpoznávání chůze. IEEE Trans. Pattern Anal Mach Intell 2007, 29(10):1700–1715.

24. Malar E, Kandaswamy A, Chakravarthy D, et al. Nový přístup k detekci a klasifikaci mamografických mikrokalcifikací pomocí waveletové analýzy a stroje pro extrémní učení. Comput Biol Med 2012, 42:898–905.

25. H. Li. Konstrukce digitálního reprezentačního systému založeného na otiskech ultrafialového spektra podstatného základu tradiční čínské medicíny (TCM) s charakterem studeno-teplo. Jinan: Univerzita tradiční čínské medicíny Shandong 2011.