CN111429978B - 一种快速发现中药复方有效组分的方法和应用 - Google Patents

一种快速发现中药复方有效组分的方法和应用 Download PDF

Info

Publication number
CN111429978B
CN111429978B CN202010203548.1A CN202010203548A CN111429978B CN 111429978 B CN111429978 B CN 111429978B CN 202010203548 A CN202010203548 A CN 202010203548A CN 111429978 B CN111429978 B CN 111429978B
Authority
CN
China
Prior art keywords
compound
svm
compatibility
traditional chinese
content
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010203548.1A
Other languages
English (en)
Other versions
CN111429978A (zh
Inventor
王淑美
梁生旺
陈超
贤明华
王峰
谢媛媛
汤丹
陈磊
余焕铮
郑惠婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Pharmaceutical University
Original Assignee
Guangdong Pharmaceutical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Pharmaceutical University filed Critical Guangdong Pharmaceutical University
Priority to CN202010203548.1A priority Critical patent/CN111429978B/zh
Publication of CN111429978A publication Critical patent/CN111429978A/zh
Application granted granted Critical
Publication of CN111429978B publication Critical patent/CN111429978B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K36/00—Medicinal preparations of undetermined constitution containing material from algae, lichens, fungi or plants, or derivatives thereof, e.g. traditional herbal medicines
    • A61K36/18—Magnoliophyta (angiosperms)
    • A61K36/185—Magnoliopsida (dicotyledons)
    • A61K36/23—Apiaceae or Umbelliferae (Carrot family), e.g. dill, chervil, coriander or cumin
    • A61K36/236—Ligusticum (licorice-root)
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K36/00—Medicinal preparations of undetermined constitution containing material from algae, lichens, fungi or plants, or derivatives thereof, e.g. traditional herbal medicines
    • A61K36/18—Magnoliophyta (angiosperms)
    • A61K36/185—Magnoliopsida (dicotyledons)
    • A61K36/25—Araliaceae (Ginseng family), e.g. ivy, aralia, schefflera or tetrapanax
    • A61K36/258—Panax (ginseng)
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K36/00—Medicinal preparations of undetermined constitution containing material from algae, lichens, fungi or plants, or derivatives thereof, e.g. traditional herbal medicines
    • A61K36/18—Magnoliophyta (angiosperms)
    • A61K36/185—Magnoliopsida (dicotyledons)
    • A61K36/48—Fabaceae or Leguminosae (Pea or Legume family); Caesalpiniaceae; Mimosaceae; Papilionaceae
    • A61K36/488—Pueraria (kudzu)
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K36/00—Medicinal preparations of undetermined constitution containing material from algae, lichens, fungi or plants, or derivatives thereof, e.g. traditional herbal medicines
    • A61K36/18—Magnoliophyta (angiosperms)
    • A61K36/185—Magnoliopsida (dicotyledons)
    • A61K36/70—Polygonaceae (Buckwheat family), e.g. spineflower or dock
    • A61K36/708—Rheum (rhubarb)
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61P—SPECIFIC THERAPEUTIC ACTIVITY OF CHEMICAL COMPOUNDS OR MEDICINAL PREPARATIONS
    • A61P9/00—Drugs for disorders of the cardiovascular system
    • A61P9/10—Drugs for disorders of the cardiovascular system for treating ischaemic or atherosclerotic diseases, e.g. antianginal drugs, coronary vasodilators, drugs for myocardial infarction, retinopathy, cerebrovascula insufficiency, renal arteriosclerosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Health & Medical Sciences (AREA)
  • Natural Medicines & Medicinal Plants (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Medicinal Chemistry (AREA)
  • Animal Behavior & Ethology (AREA)
  • Alternative & Traditional Medicine (AREA)
  • Epidemiology (AREA)
  • Mycology (AREA)
  • Microbiology (AREA)
  • Botany (AREA)
  • Biotechnology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Vascular Medicine (AREA)
  • Mathematical Physics (AREA)
  • Cardiology (AREA)
  • Organic Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Urology & Nephrology (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)

Abstract

本发明公开了一种快速发现中药复方有效组分的方法和应用。该方法是一种基于二因子水平设计‑支持向量机(2‑LFD‑SVM)的快速精准发现中药复方有效组分的方法，通过采用二因子水平设计(2‑LFD)筛选工艺，进行多水平多因子的配伍组合，通过药理实验获取相应的药理指标，并结合主要成分含量数据通过支持向量机算法(SVM)实现多药效目标优化各有效组分配伍组合，达到优化提取方法、精制提取部位、纯化有效物质的目的。该方法作为中药数字化提取的关键共性技术，可快速发现中药复方有效组分，有助于提高新药开发的速度，为基于中药复方的有效组分发现与新药开发提供示范，具有良好的应用前景。

Description

一种快速发现中药复方有效组分的方法和应用
技术领域
本发明属于中药技术领域。具体地，涉及一种快速发现中药复方有效组分的方法和应用。更具体地，涉及一种基于二因子水平设计-支持向量机(2-LFD-SVM)的快速精准的中药数字化提取关键共性方法及其应用。
背景技术
中药成分复杂，一味药可以称之为一个“化学成分群”，以单一化合物或多个化合物为指标评价药材质量的优劣，不能体现中药多成分的特点；以化学成分指纹图谱的相似度来评价药材质量的优劣，脱离了与活性的相关性，存在缺陷；以普通的“化-效相关性分析”来评价药材质量的优劣，缺少直接判定的量化值。
中药在提取、纯化、配伍的过程中影响因素较多，且各因素相互交叉影响、相互作用。中药复方有效部位相比较于原方，富集了有效成分，提高了制剂的内在质量标准。目前，通常采用化学方法进行分离提取得到不同有效部位，继而进行组分配伍，以药效对全方及不同极性部位进行活性研究。然而，提取部位的全部配伍组数成倍增长，势必增大药理实验投入。如将复方分成5个不同的提取部位，全部配伍组数达25＝32组。因此，合理的实验设计方法及思路可以抓住实验规律、减少试验次数、减少随机误差，科学高效地进行实验，显著地缩短实验时间、减少实验成本。
近年来，支持向量机方法开始应用于中药复方有效部位筛选并获得一定的成果。SVM(支持向量机)方法是依赖于统计学习理论(VC维理论及结构风险最小原理)寻找最优化的一种机器学习方法。SVM方法能够最大限度地学习特定训练样本和无错误地识别任意样本，具有较强的泛化能力，即使因为训练集样本有限存在一定的误差，仍能够保证预测集/测试集的准确精度，适合用于“非线性、小样本”的中药多组分与生物效应间数据分析和关系描述。因此，需要设计一种快速发现中药复方有效组分的新方法。
发明内容
本发明的目的在于提供一种基于二因子水平设计-支持向量机(2-LFD-SVM)的快速发现中药复方有效组分的方法和应用。该方法采用二因子水平设计(2-LFD)筛选工艺，进行多水平多因子的配伍组合，通过药理指标结合主要成分含量数据，利用支持向量机算法(SVM)实现多药效目标优化各有效组分配伍组合，快速达到优化提取方法、精制提取部位和纯化有效物质的目的。该方法可显著减少实验成本，快速获得中药复方的有效部位，为中药复方有效组分快速发现提供有力的依据。
本发明的目的通过以下技术方案予以实现：
一种快速发现中药复方有效组分的方法，包括以下步骤：
S1.采用二因子水平设计(2-LFD)筛选工艺，进行多水平多因子的配伍组合：采集待研究的中药复方的洗脱部位作为因子，通过Plackett-Bueman Design筛选实验确定关键影响因子，利用二因子水平设计对各因子进行排列组合，并以数值法进行编码，作为支持向量机算法(SVM)的输入向量(X)，并作为预测集；
S2.确定药效指标：对S1产生的配伍组合进行药理实验，测定相应的药效指标，将所述药效指标作为SVM建模的输出向量(Y)；并加入已知对相应疾病模型具有保护作用的中药单体的含量，作为SVM建模的矫正输出向量；
S3.确定主要成分含量数据：通过高效液相色谱法(HPLC)建立中药复方入血成分的含量测定方法，以此计算得到的灌胃样品的含量，作为其中一个训练集的输入量(Y-训练)；根据各洗脱部位含量换算成灌胃样品加入的各洗脱部位干膏中含有的有效成分；
S4.将药效指标与主要成分含量数据结合：对S2的药效数据和S3的含量数据通过以下公式(1)进行归一化处理，消除不同度量单位及不同量纲对变量的影响；
Figure GDA0003890675710000021
其中x0(i)表示第i组平均药效，Min/Max表示各组平均药效的最小/大值；
S5.利用SVM算法实现多药效目标组合：由输入向量(X)和输出向量(Y)组成训练集；采用留一交叉验证法，通过PLS工具包的SVM功能进行建模构建2-LFD-SVM模型，得到预测集；
S6.优化各有效组分配伍组合：对各配伍组合的预测结果进行处理，将各因子分别按编码大小分为1水平和0水平两类，并进行排序，分别得到各部位二水平的权重系数(Y)；当1水平的平均值＞0水平的平均值时，说明该洗脱部位在配伍中起到作用；反之则说明，该洗脱部位无效；
S7.将全部配伍组合的数值编码输入到建立好的SVM模型，即可预测中药复方不同洗脱部位组合的药效。
本发明提供了一种基于二因子水平设计-支持向量机(2-LFD-SVM)的快速精准发现中药复方有效组分的方法。本发明采用二因子水平设计(2-LFD)筛选工艺，进行多水平多因子的配伍组合，通过药理实验获取相应的药理指标，并结合主要成分含量数据通过支持向量机算法(SVM)实现多药效目标优化各有效组分配伍组合，达到优化提取方法、精制提取部位、纯化有效物质的目的。该方法作为中药数字化提取的关键共性技术，可快速发现中药复方有效组分，有助于提高新药开发的速度，为基于中药复方的有效组分发现与新药开发提供示范。
进一步地，在本发明较佳的实施例中，S4中，所述归一化处理通过Matlab软甲用编程语言Y＝mapminmax(X,0,1)实现，其中，X表示药效或含量，Y表示归一化处理之后的数据，经此变化之后保证各向量落在[0,1]之间。
进一步地，在本发明较佳的实施例中，S4中，各洗脱部位的含量归一化处理之后通过以下公式进行加权评分：
n总＝n总蒽醌*0.3+n总皂苷*0.3+n葛根素*0.2+n阿魏酸*0.1+n挥发油*0.1，
其中，n表示灌胃样品加入有效成分的含量归一化处理之后的结果。
进一步地，在本发明较佳的实施例中，S2中，所述的药理实验为脑缺血-再灌注实验；所述的疾病模型为脑缺血-再灌注脑损伤模型。
进一步地，在本发明较佳的实施例中，所述的脑缺血-再灌注脑损伤模型为大脑中动脉阻塞/再灌注(MCAO)动物模型。
进一步地，在本发明较佳的实施例中，S2中，所述的药效指标包括行为学评分、脑指数、脑梗死面积百分比。
进一步地，在本发明较佳的实施例中，S4中，药效指标由梗死面积作为指标建模，同时加入HPLC的含量数据作为矫正指标进行建模。
进一步地，在本发明较佳的实施例中，所述中药复方为由大黄、人参、葛根、川芎组成的脑脉通复方。
相应地，上述方法在快速发现脑脉通复方组合物有效组分中的应用，也在本发明的保护范围之内。
进一步地，在本发明较佳的实施例中，所述脑脉通复方组合物为：以大黄、人参、葛根、川芎为活性成分组成的中药组合物。
脑脉通复方由大黄、人参、葛根、川芎组成，通过前期研究，本发明已建立了一种稳定可行的大孔树脂纯化方法，得到脑脉通复方的17个洗脱部位，经过应用本发明基于2-LFD-SVM快速精准发现中药复方有效组分的方法，得到最后脑脉通复方的优化部位包括：大黄全部位，人参及川芎的30％乙醇、60％乙醇、95％乙醇洗脱部位，以及葛根的30％乙醇、60％乙醇洗脱部位。本发明为脑脉通复方有效组分的快速发现及新药开发与评价，将其最优配伍组合开发成中药新药。
目前常用的是实验设计方法有正交法、均匀设计法、Box-Behnken法、Plackett-Burman法等。本发明经过创造性劳动发现，由于要对17个因子数进行筛选，并对产生的512种配伍组合进行药效的预测，其中，正交法、Box-Behnken法不适合用于影响因素较多的实验设计，均匀设计法不适合用于因素与指标的作用非线性关系的实验设计；而Plackett-Burman产生的实验次数最少，可以用来确定影响显著的因子。Plackett-Burman试验是通过对每个影响因子取两水平(-1或1，可以是有或无，也可以是剂量的差别)来进行分析，并比较各个因子两水平的差异与整体的差异来确定因子的显著性。本发明通过利用二因子水平设计，对17个因子数进行筛选，并对产生的512种配伍组合进行药效的预测；同时通过Plackett-Burman对脑脉通17个部位进行配伍，确定影响显著的因子，共得到20种配伍组合，从而比较多种因子对于响应变量的显著性，避免在后期的优化试验中由于因子数太多或部分因子不显著而浪费试验资源；最后再通过缺血-再灌注实验(I/R，1.5h/24h)测定相应的药理指标(平衡木评分、神经病学分级、脑指数、脑梗死面积百分比)，作为其中一个训练集的输入量(Y-训练)，为支持向量机的建模提供依据。
与现有技术相比，本发明的有益效果是：
本发明提供了一种快速发现中药复方有效组分的方法，该方法采用二因子水平设计(2-LFD)筛选工艺，进行多水平多因子的配伍组合，通过药理指标结合主要成分含量数据，利用支持向量机算法(SVM)实现多药效目标优化各有效组分配伍组合，快速达到优化提取方法、精制提取部位和纯化有效物质的目的。该方法可显著减少实验成本，快速获得中药复方的有效部位，为中药复方有效组分快速发现提供有力的依据。
另外，本发明为脑脉通复方有效组分提供了快速便捷的筛选工艺，避免了由于原制剂工艺粗糙，服用量大，尤其对于危急病人临床使用顺应性不好而影响本品在临床上的应用；同时也避免制剂不够精制，杂质含量较高，从而影响质量稳定性和可控性。
附图说明
图1为SVM筛选优化组合示意图。
图2为建模过程中各实验组的脑切片TTC染色结果。
图3为验证实验中各组脑组织染色示意图。
具体实施方式
以下结合说明书附图和具体实施例来进一步说明本发明，但实施例并不对本发明做任何形式的限定。除非特别说明，本发明采用的试剂、方法和设备为本技术领域常规试剂、方法和设备。
除非特别说明，以下实施例所用试剂和材料均为市购。
本发明的实验材料如下：
(1)仪器与耗材
80℃超低温冰箱：MDF-U32V型，日本三洋株式会社
电热鼓风干燥箱：DHG-9070A型，上海一恒科学仪器有限公司
大鼠线栓：A5-2838、A5-2836、A52438型，北京西浓科技有限公司
手术器械：显微剪、显微镊、眼科剪等，上海玉研科技仪器有限公司
大鼠脑模具：175～300g，冠状，上海玉研科技仪器有限公司
20L旋转蒸发仪：RE-5220型，上海亚荣生化仪器厂
30L冷却水循环装置：YRDC-3030型，上海亚荣生化仪器厂
其他：冷灯源、生理盐水、棉花、记号笔、注射器、灌胃针(大鼠一般用16号灌胃针)、保温垫或者电热毯、缝合线等。
(2)试药
尼莫地平(20mg×50片)，广州华南药业集团有限公司
水合氯醛，美国Sigma公司
2,3,5-Triphenyltertrazolum chloride，美国Sigma公司
0.1mol/L PBS，广州广誉生物科技有限公司
4％多聚甲醛通用型组织固定液(Biosharp)，北京兰杰柯科技有限公司
大黄170801，180301：寥科植物植掌叶大黄Rheum palmatum L.的干燥根
人参170901：五加科植物人参Panax ginseng C.A.Mey.的干燥根
川芎170901，171101：伞形科植物川芎Ligusticum chuanxiong hort的干燥根
葛根180301：豆科植物野葛Pueraria lobata(Willd.)Ohwi的干燥根
实施例1采用2-LFD-SVM筛选脑脉通各部位的药理活性研究
一、建立基于2-LFD-SVM的快速精准发现脑脉通复方有效组分的模型
(1)动物分组与配伍给药
根据脑脉通复方的组方原则，应用Plackett-Bueman Design方法设计脑脉通各给药组表格，以数值法进行编码，各洗脱部位按得到以下因素表(表1)和实验表(表2)。按照以下表格进行配伍(0水平表示不使用，1水平表示使用)，脑脉通分为19组(表格共有20组实验，其中一组水平数全为0，充当模型组)。
220只SPF级健康SD大鼠，雄性，体重250～280g，随机分为22组，分别为假手术组，模型组、尼莫地平组(1.234mg/kg)、脑脉通全因子组(按生药量3.085g/kg)及脑脉通19个配伍；分别灌胃生理盐水、等量生理盐水、尼莫地平(6.6mg/kg)、脑脉通全因子及各配伍组(按以脑脉通复方剂量3.085g/kg进行折算)。手术前给药5天，手术当天给药2h后开始造模。
表1脑脉通各配伍组因素水平表(g/100g)
Figure GDA0003890675710000061
注：剂量单位：g(最后按生药量0.3085g/100g)；川芎挥发油的单位为mL/100g；表1中的“第一”代表1号洗脱部位，对应表2和表6中的第一位数字代表的洗脱部位；“第二”代表2号洗脱部位，对应表2和表6中的第二位数字代表的洗脱部位，以此类推。
表2各配伍组编码
Figure GDA0003890675710000071
注：水平0表示不使用，水平1表示使用。
(3)MCAO动物模型的制备
参照Longa等的方法建立大鼠永久性大脑中动脉闭塞(MCAO)模型：
大鼠禁食后12h，10％水合氯醛(0.3mL/100g)腹腔注射麻醉大鼠，麻醉大鼠仰卧于手术台上，行颈部正中切口，逐层分离暴露左颈总动脉(CCA)，颈外动脉(ECA)、颈内动脉(ICA)，结扎颈外动脉远心端和颈总动脉，阻断颈内动脉，于颈总动脉和颈外动脉分叉处剪0.2mm小口，将线栓(西浓科技，A5-2838，A5-2634)插入颈内动脉，向上深入至分叉以上18mm左右，直至有阻力，即阻断大脑中动脉入口处，结扎颈内动脉近心端，术中维持环境温度25～26℃；2h后轻轻抽出线栓(假手术组只暴露左侧血管不做插线处理)，建立MCAO模型。
(4)药理指标的测定
1)大鼠神经功能观察：将大鼠行为分为6个等级评分。
2)平衡木测试：选取长80.0cm、宽2.5cm、高2.5cm的方木棒，行走面相对光滑。升高平衡木到距离地面1m处，下方固定，用泡沫做铺垫，防止大鼠行走时跌下。每次测试时大鼠连续3次通过平衡木，记录通过平衡木的潜伏期，并分为6个等级。
大鼠行为评分标准见表3。
表3大鼠行为评分标准
Figure GDA0003890675710000081
术后24h断头，完整取出鼠脑，-20℃冷藏10min。取出后置于脑模具中，每隔1.0mm行冠状切片，切成6～7片，切片置于6孔板，倒入0.5％TTC试液中染色，37℃恒温箱中避光孵育，每隔5min翻片。将染色后脑片置于4％多聚甲醛中固定。将固定后脑片按脑的前后顺序整齐排列。拍照后用图像处理软件Image J计算脑梗塞面积。
其中，脑梗塞面积的计算公式如下：
Figure GDA0003890675710000082
其中，CIA％表示脑梗塞面积百分比，Ai表示梗塞区截面积，A表示全脑截面积。
(5)数据处理
采用SPSS 19.0软件进行统计分析，数据以平均值表示，多组样本均数比较进行方差齐性检验。p小于0.05表示差异有统计学意义。
(6)脑脉通配伍组药效指标
建模过程中各实验组的脑切片TTC染色结果如图2所示。脑梗死面积是脑缺血-再灌注模型最直观的指标，白色区域的大小反映了脑神经细胞死亡的程度。结果如表4所示，与假手术组相比，模型组具有明显的白色梗死灶；空白组、尼莫地平组、脑脉通全因子组的脑梗死面积与模型组进行对比，具有显著性差异(p＜0.05)，说明实验模型建立成功，且尼莫地平组与脑脉通全因子组对缺血-再灌注大鼠脑损伤具有保护作用。而脑脉通各配伍组的脑梗死面积明显降低(p＜0.05)，个别配伍组(O、T组)与模型组相比无显著性，说明不同部位、不同配伍影响脑脉通治疗缺血性脑中风的药效。
表4脑脉通配伍组药效指标
Figure GDA0003890675710000091
Figure GDA0003890675710000101
与模型组比较：*表示p<0.05，**表示p<0.01。
(7)基于HPLC的脑脉通各部位的含量测定
配伍组的评价药效虽然在一定程度上可以体现该组的药效程度，但动物实验的药效结果往往存在较大的个体差异，存在组间的药效偏差。如果只采用药效指标作为SVM建模的输出向量(Y)，模型的预测精度会受到影响。因此，加入已知对缺血-再灌注损伤具有保护作用的中药单体的含量，作为SVM建模的矫正输出向量，从而提高模型的预测精度。通过高效液相色谱法(HPLC)建立了脑脉通其中10种入血成分的含量测定方法，以此计算得到的灌胃样品的含量，作为其中一个训练集的输入量(Y-训练)，为支持向量机的建模提供依据。
根据各洗脱部位含量换算成灌胃样品加入的各洗脱部位干膏中含有的有效成分。结果见表5所示。
表5各部位有效成分加入量(mg)
Figure GDA0003890675710000111
Figure GDA0003890675710000121
注：分别用生理盐水定容到一定体积，作为灌胃样品。
(8)SVM算法用于寻找脑脉通有效部位的研究
由Plackett-Burman筛选出21个洗脱部位的任意组合作为分析的输入值X，见表6。由脑脉通各洗脱部位随意组合，2水平17个因子，共512种组合，并作5为预测集(表1)。
表6不同洗脱部位组成的X矩阵
Figure GDA0003890675710000122
Figure GDA0003890675710000131
药效的数据由梗死面积作为指标建模，由于动物药理实验不可避免存在个体差异，因此加入液相的含量数据作为矫正指标进行建模。从药效学指标和已知有效成分等多个角度，既能反映复方干预缺血性脑卒中的物质基础，又能体现其主要的药效，能够更准确说明建模的合理性。含量数据与药效数据之间量纲、量程不同，因此需要进行归一化处理。数据进行归一化处理，可以消除不同度量单位及不同量纲对变量的影响，通过以下公式进行计算(含量归一化数据见表2)
Figure GDA0003890675710000132
其中，x0(i)表示第i组平均药效，Min/Max表示各组平均药效的最小/大值。
数据的归一化由Matlab 13.0版本实现。归一化通过Matlab软甲用编程语言Y＝mapminmax(X,0,1)实现。其中，X表示药效或含量，Y表示归一化之后的数据，经此变化之后可以保证各向量落在[0,1]之间。
各洗脱部位的含量归一化之后通过以下公式进行加权评分：
n总＝n总蒽醌*0.3+n总皂苷*0.3+n葛根素*0.2+n阿魏酸*0.1+n挥发油*0.1，(其中，n表示灌胃样品加入有效成分的含量归一化之后的结果)。
以梗死面积代表药效指标，梗死面积越小，药效也好，这与有效成分含量越高、药效越好相悖，因此以非梗死面积作为药效指标，参与计算：
Y＝n总*0.5+m药效*0.5，
(其中，“m药效”表示非梗死面积归一化之后的结果)。
SVM算法通过Matlab 13.0版本PLS-SVM工具包进行计算。为了验证数学模型的可靠性和预报能力，本文采用留一交叉验证法，这样每个样品作为检验样本1次，作为训练集样本n-1次。
建模过程如图1所示。
(9)数据处理结果
含量n的计算结果及归一化过程见表2及表3。
药效采用非梗死面积作为指标，归一化之后的结果如下表7。
表7输出向量Y的归一化结果
Figure GDA0003890675710000141
Figure GDA0003890675710000151
将表5赋值给X，表7第三列的数据赋值给Y，X和Y组成训练集。采用留一交叉验证法，通过PLS工具包的SVM功能进行建模，建模后训练集的R12＝0.9891，预测集的R22＝0.6182。将可能的512种配伍作为预测集的输入向量X-predicted，得到预测值Y-predicted。
(10)优化部位预测结果
对表1(17个因子的512种配伍组合的预测值)结果进行处理，各因子分别按编码大小进行分为两类，1水平和0水平，并进行排序，分别得到各部位二水平的权重系数(Y)，如表8。
当1水平的平均值＞0水平的平均值时，说明该有效部位在配伍中起到作用；反之则说明，该部位无效。因此，该脑脉通复方的优化部位包括：大黄全部位，人参及川芎的30％乙醇、60％乙醇、95％乙醇洗脱部位，以及葛根的30％乙醇、60％乙醇洗脱部位。
表8各部位两水平的平均值
Figure GDA0003890675710000152
二、验证实验：模型的验证及评价
将雄性SD大鼠分为假手术组、模型组、尼莫地平组、复方组、优化组(高、中、低三个剂量，以原方生药量进行换算，低剂量为0.1543g/100g，中计量为0.3085g/100g；高剂量为0.617g/100g)，各组给药天数，给药方案、造模方法、药效指标及数据处理按上述进行。
表9脑脉通配伍组药效指标
Figure GDA0003890675710000161
注：与模型组比较：*表示P<0.05，**表示p<0.01。
表9和图3的验证实验结果表明，脑脉通原方、尼莫地平组及脑脉通低、中剂量与模型组比较，其梗死面积有显著的改善(p＜0.05)，表明优化的各组分配伍合理、有效。这提示本发明建立的脑脉通防治缺血性脑中风的有效组分发现技术研究是可行的，既能发现脑脉通干预缺血性脑卒中的有效成分，又能降低出膏率，富集有效成分，降低服用量，为脑脉通复方有效组分提供了快速便捷的筛选工艺，避免了由于原制剂工艺粗糙、服用量大，尤其对于危急病人临床使用顺应性不好而影响本品在临床上的应用；同时也避免制剂不够精制，杂质含量较高，从而影响质量稳定性和可控性。
以上所述，仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其它修改或者等同替换，只要不脱离本发明技术方案的精神与范围，均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种快速发现中药复方有效组分的方法，其特征在于，包括以下步骤：
S1.采用二因子水平设计筛选工艺，进行二水平多因子的配伍组合：采集待研究的中药复方的洗脱部位作为因子，通过Plackett-Burman Design筛选实验确定关键影响因子，利用二因子水平设计对各因子进行排列组合，并以数值法进行编码，作为支持向量机算法的输入向量X，并作为预测集；
S2.确定药效指标：对S1产生的配伍组合进行药理实验，测定相应的药效指标，将所述药效指标作为SVM建模的输出向量Y；并加入已知对相应疾病模型具有保护作用的中药单体的含量，作为SVM建模的矫正输出向量；
S3.确定主要成分含量数据：通过高效液相色谱法建立中药复方入血成分的含量测定方法，以此计算得到的灌胃样品的含量；
S4.将药效指标与主要成分含量数据结合：对S2的药效数据和S3的含量数据通过以下公式(1)进行归一化处理，消除不同度量单位及不同量纲对变量的影响；
Figure FDA0003890675700000011
其中x0(i)表示第i组平均药效，Min/Max表示各组平均药效的最小/大值；所述药效指标由梗死面积作为指标建模，同时加入HPLC的含量数据作为矫正指标进行建模；
S5.利用SVM算法实现多药效目标组合：由输入向量X和输出向量Y组成训练集；采用留一交叉验证法，通过PLS工具包的SVM功能进行建模构建2-LFD-SVM模型，得到预测模型；
S6.优化各有效组分配伍组合：对各配伍组合的预测结果进行处理，将各因子分别按编码大小分为1水平和0水平两类，并进行排序，分别得到各部位二水平的权重系数W；当1水平的平均值＞0水平的平均值时，说明该洗脱部位在配伍中起到作用；反之则说明，该洗脱部位无效；
S7.将全部配伍组合的数值编码输入到建立好的SVM模型，即可预测中药复方不同洗脱部位组合的药效。
2.根据权利要求1所述的方法，其特征在于，S4中，所述归一化处理通过Matlab软件用编程语言Y＝mapminmax(X,0,1)实现，其中，X表示药效或含量，Y表示归一化处理之后的数据，经此变化之后保证各向量落在[0,1]之间。
3.根据权利要求2所述的方法，其特征在于，S4中，各洗脱部位的含量归一化处理之后通过以下公式进行加权评分：
n总＝n总蒽醌*0.3+n总皂苷*0.3+n葛根素*0.2+n阿魏酸*0.1+n挥发油*0.1，其中，n表示灌胃样品加入有效成分的含量归一化处理之后的结果。
4.根据权利要求1所述的方法，其特征在于，S2中，所述的药理实验为脑缺血-再灌注实验；所述的疾病模型为脑缺血-再灌注脑损伤模型。
5.根据权利要求4所述的方法，其特征在于，所述的脑缺血-再灌注脑损伤模型为大脑中动脉阻塞/再灌注(MCAO)动物模型。
6.根据权利要求5所述的方法，其特征在于，S2中，所述的药效指标包括行为学评分、脑指数、脑梗死面积百分比。
7.根据权利要求1所述的方法，其特征在于，所述中药复方为由大黄、人参、葛根、川芎组成的脑脉通复方。
8.一种快速发现脑脉通复方组合物有效组分的方法，其特征在于，所述方法包括权利要求1所述方法的步骤。
CN202010203548.1A 2020-03-20 2020-03-20 一种快速发现中药复方有效组分的方法和应用 Active CN111429978B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010203548.1A CN111429978B (zh) 2020-03-20 2020-03-20 一种快速发现中药复方有效组分的方法和应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010203548.1A CN111429978B (zh) 2020-03-20 2020-03-20 一种快速发现中药复方有效组分的方法和应用

Publications (2)

Publication Number Publication Date
CN111429978A CN111429978A (zh) 2020-07-17
CN111429978B true CN111429978B (zh) 2022-12-16

Family

ID=71548444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010203548.1A Active CN111429978B (zh) 2020-03-20 2020-03-20 一种快速发现中药复方有效组分的方法和应用

Country Status (1)

Country Link
CN (1) CN111429978B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113376198A (zh) * 2021-05-10 2021-09-10 兰立生物科技(苏州)有限公司 一种基于代谢组学的中药组分检测方法
CN114522251A (zh) * 2022-03-10 2022-05-24 中国药科大学 利用综合评价模型的中药组分结构解析与优化方法及应用

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102188720A (zh) * 2010-03-08 2011-09-21 大连大学 一种用于研究药效物质基础的方法
CN103257188A (zh) * 2013-01-05 2013-08-21 中山大学 一种复方血栓通制剂生物活性色谱指纹图谱的构建方法
CN110812401A (zh) * 2018-08-14 2020-02-21 上海图锋医药科技有限公司 一种用于软组织损伤的中药组合物及其检测方法
CN110836934A (zh) * 2019-11-22 2020-02-25 成都中医药大学 一种桃仁与光核桃仁分析模型的构建方法及鉴别应用

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105267355B (zh) * 2015-11-13 2019-06-25 颈复康药业集团有限公司 一种药物制剂的提取方法及其预测模型的建立方法
CN106266230A (zh) * 2016-08-09 2017-01-04 南京中医药大学 一种基于均匀设计及人工神经网络的中药组分配伍优化方法
CN106770764B (zh) * 2016-12-21 2019-05-14 天津红日药业股份有限公司 一种血必净中间体多指标成分的含量测定方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102188720A (zh) * 2010-03-08 2011-09-21 大连大学 一种用于研究药效物质基础的方法
CN103257188A (zh) * 2013-01-05 2013-08-21 中山大学 一种复方血栓通制剂生物活性色谱指纹图谱的构建方法
CN110812401A (zh) * 2018-08-14 2020-02-21 上海图锋医药科技有限公司 一种用于软组织损伤的中药组合物及其检测方法
CN110836934A (zh) * 2019-11-22 2020-02-25 成都中医药大学 一种桃仁与光核桃仁分析模型的构建方法及鉴别应用

Also Published As

Publication number Publication date
CN111429978A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
CN106501434B (zh) 一种双和汤标准汤的hplc指纹图谱测定方法
Zhou et al. Network pharmacology to explore the anti-inflammatory mechanism of Xuebijing in the treatment of sepsis
CN111429978B (zh) 一种快速发现中药复方有效组分的方法和应用
CN109085262A (zh) 血清血浆药物萃取组合物及其用途
Miao et al. The effect of curculigoside on mouse model of perimenopausal depression
Chang et al. Bupleurum chinense DC improves CUMS-induced depressive symptoms in rats through upregulation of the cAMP/PKA/CREB signalling pathway
CN108073780B (zh) 一种比较中药复方的临床疗效的方法
Park et al. Effects of estrogen inhibition formula herbal mixture for danazol-induced precocious puberty in female rats: an experimental study with network pharmacology
CN114360681A (zh) 一种评价中药复方制剂传统提取方法和现代提取方法一致性的方法
CN114225001B (zh) 一种改良的大柴胡汤汤剂的制备方法
CN106038679B (zh) 一种对颈椎病和失眠均具有治疗作用药物及其制备方法
Yu et al. Analysis of herbal mechanisms and prescriptions for chronic cerebral circulatory insufficiency based on data mining and network pharmacology
CN114924008A (zh) 一种经典名方苓桂术甘汤提取工艺参数的决策方法
CN103977067A (zh) 一种治疗类风湿性关节炎的中药组合物及其制备、检测和应用方法
CN104096089B (zh) 一种治疗缺血性中风的中药组合物及其胶囊剂和制法
CN103405622A (zh) 一种用于治疗脱发的中药组合物及其制备和检测方法
CN114019072B (zh) 一种基于谱效关系的三七质量检测方法
Zeng et al. A three-dimensional integration strategy for Q-markers identification: Taken Euphorbia Pekinensis Radix as an example
Jiang et al. Network pharmacology combined with lipidomics to reveal the regulatory effects and mechanisms of Kangzao granules in the hypothalamus of rats with central precocious puberty
Li et al. Study on the quality of Corydalis Rhizoma in Zhejiang based on multidimensional evaluation method
CN117219156A (zh) 一种基于网络药理学确定丹鳖胶囊治疗子宫内膜异位症作用机制的方法
Guo et al. Pharmacological Components and Mechanism Research on the Treatment of Myelosuppression after Chemotherapy with Danggui Jixueteng Decoction Based on Spectrum-Effect Relationships and Transcriptome Sequencing
CN112569246A (zh) 用于抗炎镇痛止血的药物及药物活性组分筛选方法
CN108703993B (zh) 荣筋拈痛方的制备工艺
Dou et al. HPLC combined with chemometrics for quality control of Huamoyan Granules or Capsules

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant