CN112687370B - 一种电子药方生成方法、装置及电子设备 - Google Patents
一种电子药方生成方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112687370B CN112687370B CN202011577985.6A CN202011577985A CN112687370B CN 112687370 B CN112687370 B CN 112687370B CN 202011577985 A CN202011577985 A CN 202011577985A CN 112687370 B CN112687370 B CN 112687370B
- Authority
- CN
- China
- Prior art keywords
- initial
- combination
- medicine
- drug
- background
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 239000003814 drug Substances 0.000 claims abstract description 442
- 229940079593 drug Drugs 0.000 claims abstract description 171
- 238000012216 screening Methods 0.000 claims abstract description 109
- 238000012545 processing Methods 0.000 claims abstract description 65
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 133
- 239000000890 drug combination Substances 0.000 claims description 126
- 108090000623 proteins and genes Proteins 0.000 claims description 92
- 201000010099 disease Diseases 0.000 claims description 72
- 230000037361 pathway Effects 0.000 claims description 61
- 230000014509 gene expression Effects 0.000 claims description 60
- 230000000857 drug effect Effects 0.000 claims description 41
- 230000002074 deregulated effect Effects 0.000 claims description 35
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 25
- 239000008194 pharmaceutical composition Substances 0.000 claims description 18
- 238000010201 enrichment analysis Methods 0.000 claims description 16
- 238000007877 drug screening Methods 0.000 claims description 11
- 230000004526 pharmaceutical effect Effects 0.000 claims 9
- 230000008569 process Effects 0.000 abstract description 13
- 208000011580 syndromic disease Diseases 0.000 description 22
- 229940126680 traditional chinese medicines Drugs 0.000 description 17
- 239000000203 mixture Substances 0.000 description 16
- 206010012601 diabetes mellitus Diseases 0.000 description 15
- 230000000694 effects Effects 0.000 description 14
- 238000009472 formulation Methods 0.000 description 10
- 235000013305 food Nutrition 0.000 description 9
- 230000002441 reversible effect Effects 0.000 description 9
- 208000031971 Yin Deficiency Diseases 0.000 description 6
- 230000001988 toxicity Effects 0.000 description 6
- 231100000419 toxicity Toxicity 0.000 description 6
- 201000007224 Myeloproliferative neoplasm Diseases 0.000 description 4
- 229940126678 chinese medicines Drugs 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000009246 food effect Effects 0.000 description 4
- 235000021471 food effect Nutrition 0.000 description 4
- 230000003285 pharmacodynamic effect Effects 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 208000031975 Yang Deficiency Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000004615 ingredient Substances 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 206010063659 Aversion Diseases 0.000 description 2
- 241000272074 Bungarus Species 0.000 description 2
- 241000208278 Hyoscyamus Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 238000010199 gene set enrichment analysis Methods 0.000 description 2
- 230000037353 metabolic pathway Effects 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000019491 signal transduction Effects 0.000 description 2
- 238000002636 symptomatic treatment Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 102100036009 5'-AMP-activated protein kinase catalytic subunit alpha-2 Human genes 0.000 description 1
- 241001523681 Dendrobium Species 0.000 description 1
- 240000004638 Dendrobium nobile Species 0.000 description 1
- 235000014066 European mistletoe Nutrition 0.000 description 1
- 102000051325 Glucagon Human genes 0.000 description 1
- 108060003199 Glucagon Proteins 0.000 description 1
- 101000783681 Homo sapiens 5'-AMP-activated protein kinase catalytic subunit alpha-2 Proteins 0.000 description 1
- 206010022489 Insulin Resistance Diseases 0.000 description 1
- 241000244355 Ligusticum Species 0.000 description 1
- 241000244365 Ligusticum sinense Species 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 244000152640 Rhipsalis cassutha Species 0.000 description 1
- 235000012300 Rhipsalis cassutha Nutrition 0.000 description 1
- 244000250129 Trigonella foenum graecum Species 0.000 description 1
- 235000001484 Trigonella foenum graecum Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 235000019996 baijiu Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 239000013583 drug formulation Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- MASNOZXLGMXCHN-ZLPAWPGGSA-N glucagon Chemical group C([C@@H](C(=O)N[C@H](C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(O)=O)C(C)C)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](C)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CO)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CO)NC(=O)[C@@H](NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@@H](NC(=O)CNC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CO)NC(=O)[C@@H](N)CC=1NC=NC=1)[C@@H](C)O)[C@@H](C)O)C1=CC=CC=C1 MASNOZXLGMXCHN-ZLPAWPGGSA-N 0.000 description 1
- 229960004666 glucagon Drugs 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000003914 insulin secretion Effects 0.000 description 1
- 239000004922 lacquer Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 239000001917 trigonella foenum graecum l. absolute Substances 0.000 description 1
- 235000001019 trigonella foenum-graecum Nutrition 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种电子药方生成方法、装置及电子设备，在对所述各个药物进行组合，得到初始药物组合后，能够采用并行处理方式对初始药物组合进行处理，提高了处理效率。并且在并行处理的过程中，还能够从所述初始药物组合中筛选出满足预设药物筛选原则的初始药物组合，并确定为待处理药物组合，后续仅对待处理药物组合进行处理，也能够进一步缩小数据处理量，提高处理效率。在待组合的药物的数量较多时，通过本发明中的并行处理和数据筛选的方式，能够缩短药物组合时间，提高药物组合效率。
Description
技术领域
本发明涉及数据处理领域，更具体的说，涉及一种电子药方生成方法、装置及电子设备。
背景技术
中医是在朴素唯物论和辩证法思想指导下，通过长期医疗实践逐步形成并发展成的医学理论体系。即便在但今社会，很多中国人在生病的时候，仍然习惯通过中药来缓解和治疗疾病。多数中药药方一般是具有行医资格的中医大夫根据经典名方、个人行医经验和病人病症进行配置的。为了更好的继承和发扬中国传统医学，结合现代基因检测技术完善和发扬中医理论，可以为医生提供更多候选的参考药方，将参考药方以电子药方的形式展现给医生，以辅助医生用药，进而提高医生开药的效率。
参考药方上一般包括多种药物的组合，在生成参考药方时，服务器要根据当前的病症类型来对待组合的药物进行组合，得到药物组合，若是待组合的药物的数量较多，则药物组合时间较长，生成电子药方的效率较低。
发明内容
有鉴于此，本发明提供一种电子药方生成方法、装置及电子设备，以解决若是待组合的药物的数量较多，则药物组合时间较长，生成电子药方的效率较低的问题。
为解决上述技术问题，本发明采用了如下技术方案：
一种电子药方生成方法，包括：
获取目标疾病对应的背景通路集合以及各个药物对所述背景通路集合中的每一背景通路的影响程度；
基于与所述目标疾病类型对应的目标用户的基因表达谱数据，和正常状态下的非目标用户的基因表达谱数据，将所述背景通路集合中满足预设失调条件的背景通路确定为失调通路，以及确定出所述目标用户在每一所述失调通道上的富集结果；
对所述各个药物进行组合，得到初始药物组合；
基于各个所述药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通道上的富集结果，采用并行处理方式从初始药物组合中筛选出满足预设药物筛选原则的初始药物组合，并确定为待处理药物组合；
根据所述待处理药物组合中的每一药物对每一所述失调通道的影响程度，以及所述目标用户在每一所述失调通道的富集结果，筛选出满足预设影响程度规则的所述待处理药物组合，并确定为电子药方。
可选地，获取各个药物对所述背景通路集合中的每一背景通路的影响程度，包括：
获取药物对所述目标疾病对应的细胞系进行干扰前后的基因表达谱，并对干扰前后的基因表达谱进行差异基因分析，得到第一差异基因；
基于所述第一差异基因对所述每一所述背景通路进行基因富集分析，得到所述药物对每一所述背景通路的影响程度。
可选地，基于与所述目标疾病类型对应的目标用户的基因表达谱数据，和正常状态下的非目标用户的基因表达谱数据，将所述背景通路集合中满足预设失调条件的背景通路确定为失调通路，包括：
对与所述目标疾病类型对应的目标用户的基因表达谱数据和正常状态下的非目标用户的基因表达谱数据进行差异基因分析，得到第二差异基因；
基于所述第二差异基因对每一所述背景通路进行基因富集分析，得到每一所述背景通路的基因富集结果；
筛选出基因富集结果满足预设条件的背景通路，并确定为失调通路。
可选地，基于各个所述药物对每一所述失调通路的影响程度，采用并行处理方式从所述初始药物组合中筛选出满足预设药物筛选原则的初始药物组合，并确定为待处理药物组合，包括：
按照所述初始药物组合中的包括相同的目标药物的药物名称，对所述初始药物组合进行拆分得到，得到多个初始药物组合集合；所述目标中药位于所述初始药物组合中的预设位置；其中，每一所述初始药物组合集合采用一独立线程进行处理；
对于所述初始药物组合集合，构建所述初始药物组合集合的待计算队列，利用并行计算方法将待计算队列中的初始药物组合集合分配给对应的线程，以使所述线程基于所述初始药物组合集合中的所述初始药物组合中的各个所述药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通道上的富集结果，计算所述初始药物组合的药效值；
基于所述初始药物组合的药效值，筛选出所述初始药物组合的药效值满足预设药效值规则的初始药物组合，并确定为待处理药物组合。
可选地，根据所述待处理药物组合中的每一药物对每一所述失调通道的影响程度以及所述目标用户对每一所述背景通道的影响程度，筛选出满足预设影响程度规则的所述待处理药物组合，并确定为电子药方，包括：
计算所述目标用户对每一所述背景通道的影响程度之和；
计算所述待处理药物组合中的所有药物对每一所述失调通道的影响程度之和；
筛选出所述目标用户对每一所述背景通道的影响程度之和、所述待处理药物组合中的所有药物对每一所述失调通道的影响程度之和的乘积均满足预设乘积结果的待处理药物组合，并确定为电子药方。
可选地，在所述根据所述待处理药物组合中的每一药物对每一所述失调通道的影响程度以及所述目标用户对每一所述背景通道的影响程度，筛选出满足预设影响程度规则的所述待处理药物组合，并确定为电子药方之后，还包括：
从所述电子药方中筛选出满足预设筛选规则的电子药方，并确定为目标电子药方。
一种电子药方生成装置，包括：
数据获取模块，用于获取目标疾病对应的背景通路集合以及各个药物对所述背景通路集合中的每一背景通路的影响程度；
数据确定模块，用于基于与所述目标疾病类型对应的目标用户的基因表达谱数据，和正常状态下的非目标用户的基因表达谱数据，将所述背景通路集合中满足预设失调条件的背景通路确定为失调通路，以及确定出所述目标用户在每一所述失调通道上的富集结果；
药物组合模块，用于对所述各个药物进行组合，得到初始药物组合；
药物筛选模块，用于基于各个所述药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通道上的富集结果，采用并行处理方式从初始药物组合中筛选出满足预设药物筛选原则的初始药物组合，并确定为待处理药物组合；
药方确定模块，用于根据所述待处理药物组合中的每一药物对每一所述失调通道的影响程度，以及所述目标用户在每一所述失调通道的富集结果，筛选出满足预设影响程度规则的所述待处理药物组合，并确定为电子药方。
可选地，数据获取模块用于获取各个药物对所述背景通路集合中的每一背景通路的影响程度时，具体用于：
获取药物对所述目标疾病对应的细胞系进行干扰前后的基因表达谱，并对干扰前后的基因表达谱进行差异基因分析，得到第一差异基因；
基于所述第一差异基因对所述每一所述背景通路进行基因富集分析，得到所述药物对每一所述背景通路的影响程度。
可选地，所述数据确定模块包括：
第一分析子模块，用于对与所述目标疾病类型对应的目标用户的基因表达谱数据和正常状态下的非目标用户的基因表达谱数据进行差异基因分析，得到第二差异基因；
第二分析子模块，用于基于所述第二差异基因对每一所述背景通路进行基因富集分析，得到每一所述背景通路的基因富集结果；
筛选子模块，用于筛选出基因富集结果满足预设条件的背景通路，并确定为失调通路。
一种电子设备，包括：存储器和处理器；
其中，所述存储器用于存储程序；
处理器调用程序并用于：
获取目标疾病对应的背景通路集合以及各个药物对所述背景通路集合中的每一背景通路的影响程度；
基于与所述目标疾病类型对应的目标用户的基因表达谱数据，和正常状态下的非目标用户的基因表达谱数据，将所述背景通路集合中满足预设失调条件的背景通路确定为失调通路，以及确定出所述目标用户在每一所述失调通道上的富集结果；
对所述各个药物进行组合，得到初始药物组合；
基于各个所述药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通道上的富集结果，采用并行处理方式从初始药物组合中筛选出满足预设药物筛选原则的初始药物组合，并确定为待处理药物组合；
根据所述待处理药物组合中的每一药物对每一所述失调通道的影响程度，以及所述目标用户在每一所述失调通道的富集结果，筛选出满足预设影响程度规则的所述待处理药物组合，并确定为电子药方。
相较于现有技术，本发明具有以下有益效果：
本发明提供了一种电子药方生成方法、装置及电子设备，在对所述各个药物进行组合，得到初始药物组合后，能够采用并行处理方式对初始药物组合进行处理，提高了处理效率。并且在并行处理的过程中，还能够从所述初始药物组合中筛选出满足预设药物筛选原则的初始药物组合，并确定为待处理药物组合，后续仅对待处理药物组合进行处理，也能够进一步缩小数据处理量，提高处理效率。在待组合的药物的数量较多时，通过本发明中的并行处理和数据筛选的方式，能够缩短药物组合时间，提高药物组合效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种电子药方生成方法的方法流程图；
图2为本发明实施例提供的另一种电子药方生成方法的方法流程图；
图3为本发明实施例提供的又一种电子药方生成方法的方法流程图；
图4为本发明实施例提供的一种药物组合的场景示意图；
图5为本发明实施例提供的一种comb block最大药效分数分布图；
图6为本发明实施例提供的另一种comb block最大药效分数分布图；
图7为本发明实施例提供的再一种电子药方生成方法的方法流程图；
图8为本发明实施例提供的一种电子药方生成装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在生成参考药方时，服务器要根据当前的病症类型来对待组合的药物进行组合，得到药物组合，若是待组合的药物的数量较多，则药物组合时间较长，生成电子药方的效率较低。
为了解决这个问题，发明人经过研究发现，可以基于基因测序技术和细胞系模型，计算潜在组方药物对疾病代谢通路的影响，然后根据这些药物对通路的影响大小进行遍历组合，最终确定具有对应疾病潜在治疗效果的组合方案。
进一步，若是能够在进行药物组合时，采用并行处理方式，则可以提高处理效率，并且过滤掉药性较差的组合，则也可以进一步减少数据处理量，提高处理效率。
具体的，在对所述各个药物进行组合，得到初始药物组合后，能够采用并行处理方式对初始药物组合进行处理，提高了处理效率。并且在并行处理的过程中，还能够从所述初始药物组合中筛选出满足预设药物筛选原则的初始药物组合，并确定为待处理药物组合，后续仅对待处理药物组合进行处理，也能够进一步缩小数据处理量，提高处理效率。在待组合的药物的数量较多时，通过本发明中的并行处理和数据筛选的方式，能够缩短药物组合时间，提高药物组合效率。
在上述内容的基础上，本发明实施例提供了一种电子药方生成方法，参照图1，可以包括：
S11、获取目标疾病对应的背景通路集合以及各个药物对所述背景通路集合中的每一背景通路的影响程度。
本实施例中的目标疾病可以是糖尿病、心脏病等疾病。
在实际应用中，首先确定选取哪种疾病作为目标疾病，本实施例中，以目标疾病为糖尿病进行解释说明。
糖尿病患者多种代谢通路与正常人相比存在显著差异，如胰岛素抵抗、AMPK信号通路等显著上调，胰岛素分泌、胰高血糖素信号通路等显著下调，在实际应用中，会检索与目标疾病相关的数据库和文献，收集疾病相关的基因集，对该基因集进行DAVID基因富集，富集到的通路作为背景通路。一般情况下，背景通路的数量有多个，多个背景通路组成一个背景通路集合。
本实施例中，需要研究各个药物对疾病的影响，本实施例中的药物可以是中药、西药单药，药食同源材料、原矿物药或其它复合型药物等，本实施例中以中药作为举例说明。
在实际应用中，获取各个药物对所述背景通路集合中的每一背景通路的影响程度的过程可以包括：
1)获取药物对所述目标疾病对应的细胞系进行干扰前后的基因表达谱，并对干扰前后的基因表达谱进行差异基因分析，得到第一差异基因。
在实际应用中，从HTS2、NGS或基因芯片平台获取每个药物，如中药对目标疾病对应的细胞系(本实施例中可以为糖尿病细胞系)处理前后的基因表达谱。
本实施例中的处理前后是指细胞系(细胞系模型)经中药提取物处理前后，即获取细胞系中未经中药提取物处理的基因表达谱，以及细胞系经中药提取物处理后的基因表达谱。需要说明的是，本实施例中的数据包括一切可以进行差异分析和通路富集的数据，包括但不限于HTS2平台数据，转录组数据，蛋白谱数据等。数据产出平台包括所有芯片和测序平台。善方筛选方法可以基于特征基因或蛋白，特征基因范围视技术不同可以为部分靶基因检测或全部基因。另外，对细胞系的干预元素可以是单个食物，单个药物，食物组合，药物组合，食物及药物组合，药物包含中药和西药。
在获取到两个基因表达谱数据之后，对获取的两个基因表达谱数据进行差异基因分析，得到第一差异基因。
2)基于所述第一差异基因对所述每一所述背景通路进行基因富集分析，得到所述药物对每一所述背景通路的影响程度。
基于上述的背景通路，对第一差异基因进行基因富集分析(Gene Set EnrichmentAnalysis，GSEA)。GSEA分析输出每个中药在背景通路上的标准化富集得分(NES值)和显著性检验值(FDR值)。本实施例中，将标准化富集得分(NES值)和显著性检验值(FDR值)确定为所述药物对每一所述背景通路的影响程度。
当FDR值小于设定的FDR阈值(一般情况下该FDR阈值可设定为0.25)，说明此药物对该目标疾病的影响程度较大，则保留该药物的原NES，当FDR值超过设定的阈值时，说明此药物对该目标疾病的影响程度较小，则将该药物的NES值重设置为0。NES值可以视为对背景通路作用效果的定量值。
S12、基于与所述目标疾病类型对应的目标用户的基因表达谱数据，和正常状态下的非目标用户的基因表达谱数据，将所述背景通路集合中满足预设失调条件的背景通路确定为失调通路，以及确定出所述目标用户在每一所述失调通道上的富集结果。
本实施例中，预先定义了失调通路，具体的，将显著富集的背景通路称为失调通路。
本发明的另一实现方式中，给出了失调通路的确定过程，具体的，参照图2，可以包括：
S21、对与所述目标疾病类型对应的目标用户的基因表达谱数据和正常状态下的非目标用户的基因表达谱数据进行差异基因分析，得到第二差异基因。
具体的，可以从已发表GEO开源文献数据库中下载疾病病人(即与所述目标疾病类型对应的用户)和健康人(即为处于正常状态下的用户)的基因表达谱数据，对两类基因表达谱数据进行差异基因分析，得到第二差异基因。
S22、基于所述第二差异基因对每一所述背景通路进行基因富集分析，得到每一所述背景通路的基因富集结果。
使用步骤S22得到的第二差异基因，对上述的背景通路进行基因富集分析(GeneSet Enrichment Analysis，GSEA)，得到标准化富集得分(NES值)和显著性检验值(FDR值)。
S23、筛选出基因富集结果满足预设条件的背景通路，并确定为失调通路。
具体的，筛选出显著富集的通路，称为失调通路，在实际应用中，设定FDR阈值，如0.05，筛选出对应的FDR值小于FDR阈值的背景通路，并确定为失调通路。
在确定出失调通路之后，还需确定出所述目标用户在每一所述失调通道上的富集结果。
具体的，将步骤S22计算得到的每一所述背景通路的基因富集结果中的失调通路的基因富集结果确定为目标用户在相应所述失调通道上的富集结果。
S13、对所述各个药物进行组合，得到初始药物组合。
在实际应用中，在获取到各个药物之后，需要对药物进行组合，然后从组合的药物中筛选出能够治疗目标疾病的药物。
本实施例中，在对各个药物进行组合时，采用的组合方式是穷举法(stand_CMPD法)。在实际应用中，在进行组合之前，可以对药物进行排序，排序规则可以是按照中药效值顺序或逆序排列，本实施例中，优选按照顺序排列，即药效值高的，排在前边，药效值低的，排在后边。
在实际应用中，药物，如中药药效值Dnes的计算公式为：
其中，p表示一共有p条失调通路，DPnesi表示该中药在第i条失调通路上的NES转换值，DPnesi计算方法为：
DPnesi＝-sgn(Snesi*Pnesi)*Snesi
其中，Snesi表示中药在第i条失调通路上的NES值，Pnesi表示病人，即目标用户在第i条失调通路上的NES值(通过上述的富集结果中确定)，当Snesi*Pnesi<0时，DPnesi值与Snesi相等，反之DPnesi值为Snesi的相反数。
本发明的另一实现方式中，在对药物进行组合时，会预先设定配伍药物数量，如6，即组合得到的初始药物组合时，每一初始药物组合包括6种不同的药物。
穷举时，若组合的药物是中药，结合中药相反相畏数据库，组方中不能出现相反相畏的中药组合。此外，除相反相畏数据外，其它用于指导组方的配方筛选过滤指标，如毒性、价格等均属于该方案的保护范围。
该方法能筛选出所有的电子药方，保证结果的完整性，本发明中的穷举法适用于组方药味数不超过6个的配伍需求。穷举法得到的每一药物组合称为初始药物组合。需要说明的是，按照药效值从高到低的顺序进行组合，则得到的初始药物组合中，排在前边的初始药物组合的药效总值较高，排在前边的初始药物组合的药效总值较低，且初始药物组合中的各个药物也是按照药效值顺序排列的。
S14、基于各个所述药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通道上的富集结果，采用并行处理方式从初始药物组合中筛选出满足预设药物筛选原则的初始药物组合，并确定为待处理药物组合。
具体的，通过步骤S13可以得到各个初始药物组合，本步骤中，需要分析各个初始药物组合是否可能是治疗目标疾病的药物组合，若可能是，则确定为待处理药物组合。
为了提高对初始药物组合分析的效率，本实施例中，会采用并行处理的方式，能够加快处理速度。进一步的，在并行处理时，对肯定不是治疗目标疾病的初始药物组合则直接丢弃，也进一步减少数据处理量，提高处理效率。
S15、根据所述待处理药物组合中的每一药物对每一所述失调通道的影响程度，以及所述目标用户在每一所述失调通道的富集结果，筛选出满足预设影响程度规则的所述待处理药物组合，并确定为电子药方。
具体的，根据所述待处理药物组合中的每一药物对每一所述失调通道的影响程度，以及所述目标用户在每一所述失调通道的富集结果，筛选出满足预设影响程度规则，即治疗目标疾病的所述待处理药物组合，并确定为电子药方。该电子药方可以输出至显示终端，以使医生能够参考该电子药方进行开药操作。
本实施例中，在对所述各个药物进行组合，得到初始药物组合后，能够采用并行处理方式对初始药物组合进行处理，提高了处理效率。并且在并行处理的过程中，还能够从所述初始药物组合中筛选出满足预设药物筛选原则的初始药物组合，并确定为待处理药物组合，后续仅对待处理药物组合进行处理，也能够进一步缩小数据处理量，提高处理效率。在待组合的药物的数量较多时，通过本发明中的并行处理和数据筛选的方式，能够缩短药物组合时间，提高药物组合效率。
另外，本发明首先对中药的基因表达谱进行通路分析定量样品的作用效果，并同时对待研究性状的样本数据进行通路分析，筛选待逆转的失调通路。本发明筛选善方的标准为组方是否能够逆转所有失调通路，若是，则确定为电子药方。
此外，本发明可以使用穷举法，并行遍历所有元素的可能性组合，保证结果的全面性的同时，有效缩短计算时间。同时，当穷举法计算量过大时，结合了并行算法和药效排分机制，筛选元素子集后进行穷举保证结果产出的同时，降低了时间成本和计算成本。
上述内容介绍了通过并行处理以及筛选的方式确定待处理药物组合，本实施例中，对该实现过程进行详细介绍。参照图3，步骤S14可以包括：
S31、按照所述初始药物组合中的包括相同的目标药物的药物名称，对所述初始药物组合进行拆分得到，得到多个初始药物组合集合。
所述目标中药位于所述初始药物组合中的预设位置；其中，每一所述初始药物组合集合采用一独立线程进行处理。
在实际应用中，获取到各个初始药物组合之后，需要对初始药物组合进行并行处理，那么每一进程上处理哪些初始药物组合，这是本领域技术人员需要确定的。
本实施例中，发明人提出了基于所有中药和药效信息组方(sort_CMPD法)，该方法在stand_CMPD方法的基础上引入了单个药物的药效得分顺序(即上述的中药药效值Dnes)和comb block的概念，comb block是指所有药物按组合式展开后划分的组合子集。具体的，comb block是整个配伍组方任务的子集，是包含配伍任务的任务块。
该方法通过设定comb block最大组方药效得分阈值来过滤comb block，达到减少计算量的目的。此方法既能保证优先筛选到一定数量的高药效电子药方，又能提高计算效率，避免不必要的计算，缩短计算时间。sort_CMPD法适合中药味数较多的配伍需求。
为了本领域技术人员能够清楚的了解本发明，现结合具体场景实施例进行解释说明。
参照图4，假设一共有5味中药，需要将5味中药组成包括3味中药的组方，本实施例中需要处理包括3味药数的组方，判断该组方是否是可以确定为待处理药物组合。
此过程记为comb(5,3)。按照上述内容计算出每个中药的药效值后，按照药效得分从大到小将这五味药分别用1,2,3,4,5代替，则comb(5,3)所有组合展开示例如图4所示：
设定block list长度为2，即每个block list中包含2味药，比如药物组合(1,2)，由(1,2)和其它药构成的3味药组方集合——(1,2,3)，(1,2,4)，(1,2,5)——构成一个combblock。依此类推，图4中，还有(1,3)、(1,4)、(2.3)、(2,4)和(3,4)这5个block list，每个block list对应一个comb block。
其中，上述的由(1,2)和其它药构成的3味药组方集合——(1,2,3)，(1,2,4)，(1,2,5)——构成一个comb block中，中药1,2即可认为是本发明实施例中的目标中药，目标中药位于所述初始药物组合中的预设位置，其中，预设位置可以是整个初始药物组合中的前两味药物。
根据图4可知，将包括中药1,2的组合组成一个comb block，即构成了一个初始药物组合集合，从图4中可以看出，可以组成包括12、13、14、23、24、34这六个初始药物组合集合。每一初始药物组合集合采用独立线程处理，各个线程之间互不干扰。
上述实施例是以5味药进行举例说明，在一个应用示例中，如果需要计算n味药中m味药的配伍组方，block list中包含的药味数记为len(BlockList)，则block list的个数BlockListNumber计算公式为：
每个block list对应的comb block中的组合数目BlockSize计算公式为：
BlockList.end表示block list中最末尾的数字。
对保留下来的comb block，根据累计的BlockSize和运算时每个进程的平均计算量，将一系列连续的comb block划分为一个任务块，即采用一个独立线程处理。
需要说明的是，本实施例中的stand_CMPD方法使用的应用场景是配伍药物数量大于6的场景，若是≤6的场景，则执行使用穷举法(stand_CMPD法)进行处理即可。后续对每一组合进行处理，不需要采用并行处理以及筛选的方法。但是对于≤6但是需要快速处理的场景，也可以采用＞6时的并行和筛选的方法进行处理。
本发明的另一实现方式中，由于医生开药时，经常性使用的药物称为高频药物，高频药物使用的频率较高，则还可以根据先验知识提取部分中药(如N-1味电子药方结果中的高频中药)，基于此中药集用stand_CMPD方法或sort_CMPD方法配伍组方。这种方式能够保证优先处理高频中药。
S32、对于所述初始药物组合集合，构建所述初始药物组合集合的待计算队列，利用并行计算方法将待计算队列中的初始药物组合集合分配给对应的线程，以使所述线程基于所述初始药物组合集合中的所述初始药物组合中的各个所述药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通道上的富集结果，计算所述初始药物组合的药效值。
具体的，利用并行计算方法为待初始药物组合集合的计算队列中的初始药物组合集合分配给对应、且不同的线程，运行所述初始药物组合集合对应的线程，根据上述方法结合初始药物组合中的各个所述药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通道上的富集结果，计算得到各个药物的药效值，然后将初始药物组合中的各个药物的药效值相加，即可计算得到初始药物组合的药效值。
S33、基于所述初始药物组合的药效值，筛选出所述初始药物组合的药效值满足预设药效值规则的初始药物组合，并确定为待处理药物组合。
在实际应用中，结合comb block最大药效分数分布图(图6)，选定药效分数阈值，此处的药效分数为组方药效分，即组方中每个单药的药效分加和，即上述的初始药物组合的药效值。若初始药物组合的药效值低于此阈值，则不参与后续筛选，以达到减少计算量的目的。若是高于此阈值，则参与后续筛选，将其确定为待处理药物组合。
需要说明的是，在使用线程对初始药物组合进行处理时，由于药物已经按照药效值进行排序了，若是当前处理的初始药物组合不符合要求，则对位于该初始药物组合之后的初始药物组合也一定是不符合要求，则对位于该初始药物组合之后的初始药物组合不再进行处理，直接将后续的初始药物组合丢弃掉，以减少数据处理量。
为了本领域技术人员能够清楚的了解本发明，现结合图5和图6进行解释说明，图5使用测试数据确定，基于353味中药进行6味药配伍组方。每一个点代表一个comb block，横轴代表累计的BlockSize，纵轴代表comb block中的最高组方药效得分。红色虚线与黑色散点的交界处对应的BlockSize为2.2e+12，对应药效得分阈值为13，若以组方药效13分为阈值进行comb block过滤，将保留13580个comb block,累计的BlockSize为2.2e+12,计算量为穷举法总计算量的84.22％。如果以组方药效13分为阈值进行comb block过滤，将删除47147个comb block,累计的BlockSize为4.1e+11,计算量为穷举法总计算量的15.78％。
为了本领域技术人员能够清楚地了解本发明中的穷举法(stand_CMPD法)和stand_CMPD方法，现举例说明。
在一个实施例中，对560个单药进行6味药的配伍。使用stand_CMPD方法，穷举计算量为即需要判断4.17e+13个配伍组合是否为电子药方。
使用sort_CMPD方法，先将单药按药效顺序排序后进行comb block划分，作combblock最大药效分数分布图如图6所示。
从图6得知，以药效分数34为阈值，将保留118689个comb block，累计的BlockSize为8.8e+12,计算量为穷举法总计算量的21.15％。
同时使用stand_CMPD和sort_CMPD进行组方配伍和电子药方筛选，两者均使用400个线程，其运行时间和结果比较如表1所示。
表1stand_CMPD和sort_CMPD比较
从上表可知，在保证了结果数目数量和多样化的基础上，sort_CMPD方法的运行时间仅为stand_CMPD方法运行时间的14％，时间成本降低了近7倍。
在实际应用中，根据上述方法确定出待处理药物组合之后，可以通过下述方法确定电子药方。具体的，参照图7，步骤S15可以包括：
S41、计算所述目标用户对每一所述背景通道的影响程度之和。
本实施例中，对电子药方(也可以称为善方)的定义：
本实施例中，以药物为中药为例，在实际应用中，可以是其他药物。
假设一共有p条失调通路，每个待处理药物组合(也可以称为组方)由m个中药组成，中药在通路上的NES值用Snes表示，目标用户，即病人在所有通路上的NES总值(即所述目标用户对每一所述背景通道的影响程度之和)用Pnes表示。
对于第j条失调通路，某个待处理药物组合(也可以称为组方)在这条通路上的NES计算方法为：
其中，Cnesj表示组方在第j条失调通路上的NES值，i表示组方中的中药，共有m味中药。
当Cnesj*Pnesj<0时，说明该组方能够逆转第j条失调通路。若一个组方能够逆转所有失调通路，则该组方视为一个电子药方(也可以称为善方)。
S42、计算所述待处理药物组合中的所有药物对每一所述失调通道的影响程度之和。
待处理药物组合中的所有药物对每一所述失调通道的影响程度之和，即为上述的NES。
S43、筛选出所述目标用户对每一所述背景通道的影响程度之和、所述待处理药物组合中的所有药物对每一所述失调通道的影响程度之和的乘积均满足预设乘积结果的待处理药物组合，并确定为电子药方。
根据上述论述，本实施例中，当Cnesj*Pnesj<0时，说明该待处理药物组合(也可以称为组方)能够逆转第j条失调通路。若一个待处理药物组合(也可以称为组方)能够逆转所有失调通路，则该待处理药物组合(也可以称为组方)视为一个电子药方(善方)。
本实施例中，通过判断一个待处理药物组合是否能够逆转所述失调通路的方式，来确定该组合是否可以治疗某一疾病，若是能够逆转所有失调通路，说明该待处理药物组合对目标疾病有效果，进而可以确定可以治疗该目标疾病。
通过上述实施例可以从多个药物组合中筛选出治疗目标疾病的电子药方(善方)，在实际应用中，一般筛选出来的电子药方(善方)还需要根据实际使用情况进行进一步的筛选，以能够解决不同的场景下的药物需求。
具体的，在步骤S15之后，还可以包括：
从所述电子药方中筛选出满足预设筛选规则的电子药方，并确定为目标电子药方。
在实际应用中，本步骤有多种实现方式，现分别进行介绍。
1、从所述电子药方中筛选出满足预设筛选规则的电子药方，并确定为目标电子药方，可以包括：
1)获取所述电子药方中的每一药物的药物特征信息；所述药物特征信息包括药效、价格和毒性；
2)基于所述药物特征信息，计算所述电子药方的评分值；
3)筛选出评分值大于预设阈值的电子药方，并确定为目标电子药方。
具体的，电子药方(善方)打分可以作为善方效果评价的依据，目前效果评价主要基于药效，价格和毒性三个药物特征信息。打分计算方法如下：
S表示电子药方(善方)的最终得分，即评分值，Cnesj根据上述相应方法描述的方法计算，Pricei为第i个中药的价格。
和/>分别为电子药方(善方)的药效得分，价格得分和毒性得分，we,wp和wt为各项因子的权重。
在计算得到各个电子药方(善方)的得分之后，可以设置得分阈值，即预设阈值，若大于该得分阈值，说明该电子药方(善方)较优，可以作为目标电子药方优选推送。
需要说明的是，本实施例中采用药效，价格和毒性三个药物特征信息进行打分计算，在实际应用中，还可以采用其他药物特征信息进行打分计算。
2、从所述电子药方中筛选出满足预设筛选规则的电子药方，并确定为目标电子药方，可以包括：
获取所述电子药方中的每一药物是否是药食同源的判断结果，并筛选出包括的每一药物均是药食同源的电子药方，并确定为目标电子药方。
在实际应用中，若一个电子药方中的所有药物，如中药均为药食同源中药，则说明该电子药方既可以作为食物也可以作为药物，对人体损伤较小，该电子药方可以作为药食同源电子药方，并作为目标电子药方输出。
通过筛选膳食同源药物，使得本发明适用面更广泛。不仅适用于药物开发，同样适用于调理饮品，膳食开发等。
此外，本实施例中的善方筛选还可以根据不同的数据库进行不同类型的善方筛选，比如筛选出纯中药善方等。
3、从所述电子药方中筛选出满足预设筛选规则的电子药方，并确定为目标电子药方，可以包括：
获取所述目标疾病对应的所有类型的背景通路集合，获取每一所述背景通路集合对应的电子药方，并从每一所述背景通路集合对应的电子药方中筛选出相同的电子药方，并确定为目标电子药方。
在实际应用中，同一目标疾病，如糖尿病，在细胞学领域有多种细胞系模型，每一种细胞系对应背景通路集合并不完全相同，若是某一电子药方能够作为每一种细胞系的电子药方，说明该电子药方能够治疗各种细胞系形式下的目标疾病。
具体的，相同的中药在多个条件(如多种细胞系，多种体质，多种中医证型)下分别进行实验和善方筛选后，可继续进行目标电子药方(也可以称为联合善方)计算，使之满足在多个条件下均能逆转所有失调通路。计算步骤描述如下：
(1)将每个条件下的善方直接进行组合。比如共有A，B，C三个条件，分别有a,b,c个善方结果，彼此进行组合，不考虑重复，则共有a*b*c个联合组方。
(2)在不同条件下，对每一个联合组方，计算每个失调通路的NES。失调通路NES为联合组方中每个中药对该通路的NES加和。若失调通路NES值和该条件下病人数据在此通路上的NES值符号相反，则视为可逆转此失调通路。
(3)能逆转所有失调通路的联合组方称之为联合善方。
4、从所述电子药方中筛选出满足预设筛选规则的电子药方，并确定为目标电子药方，可以包括：
从所有的所述电子药方中筛选出预设药物筛选规则的药物，并将筛选的药物设置与所述预设药物筛选规则对应的标签。
在实际应用中，预先定义了母方、子方和通用方，具体定义如下：
母方：能逆转所有失调通路，并在此基础上增加不同的中药，新组成的组方能成为针对某种证型的善方。
子方：在母方基础上增加不同中药后形成的针对某种证型的善方。
通用方定义：能针对所有证型的善方。
以糖尿病为例，糖尿病分为阴虚内热，阴阳两虚和气阴两虚三个证型。在善方结果中，有一个4味药善方为“华山参，金钱白花蛇，槲寄生，白及”，该善方具备的药效为滋阴，在此基础上增加1味药，构成针对不同证型的五味药善方，示例如表2。
表2母方和子方示例
上表中，4味药善方“华山参，金钱白花蛇，槲寄生，白及”为一个母方，该方分别和大枣、益母草和桂枝能构成3个子方。在疾病治疗中，母方可以视为一个基础方，然后根据病人的患病证型，增加不同的药，形成对证治疗的方剂。
另有一个5味药善方“干漆，石斛，胡芦巴，刺五加，蜂胶”，同时具备“滋阴，活血，清热和补气”四中药效，能适用于糖尿病阴虚内热，阴阳两虚和气阴两虚三个证型，这样的善方为一个通用方。当不明确病人的患病证型时，可以使用通用方。
5、从所述电子药方中筛选出满足预设筛选规则的电子药方，并确定为目标电子药方，可以包括：
获取所述电子药方中的每一药物的药效数据，在实际应用中，基于每一药物的药效数据，确定所述电子药方的药效数据。
具体的，针对中医“病-证-疗法-药效(或食效)”关系或“体质-证-调法-药效(或食效)”关系，可以对善方进行证型分类，用于调病证或调体质。
首选获取预先准备的药效数据库和证型数据库。药效数据库描述每个食物或药物的效果。证型数据库包括疾病证型数据库和体质证型数据库，用于描述疾病或体质各证型所对应的症状，治疗方法以及治疗方法所需要的药效或食效。
然后进行善方分型。具体的，分析善方中每个样本的药效或食效，整合出该善方所有的效果，然后基于证型数据库，将善方投射到各证型中。
为了本领域技术人员能够清楚的了解本发明，现以糖尿病为例，中医“病-证-疗法-药效”对应关系如下表：
表3糖尿病“病-证-疗法-药效”对应表
| 疾病 | 证型 | 疗法 | 药效 |
| 糖尿病 | 阴虚内热 | 清热滋阴 | 滋阴+清热 |
| 糖尿病 | 阴阳两虚 | 滋阴补阳 | 滋阴+温阳 |
| 糖尿病 | 气阴两虚 | 滋阴补气 | 滋阴+补气 |
一个5味药善方由“干漆，石斛，胡芦巴，藁本，天仙子”组成，根据《中药大辞典》，这五味药在糖尿病中对应的药效分别为：
表4药和药效对应关系
| 药 | 干漆 | 石斛 | 胡芦巴 | 藁本 | 天仙子 |
| 药效 | - | 滋阴+清热 | 温阳 | - | - |
故此善方在糖尿病治疗中，可适用于阴虚内热证型和阴阳两虚证型。证型分类可应用在对证治疗中。
本实施例中，在确定出电子药方(善方)的基础上，还能够根据实际需求对电子药方作进一步的筛选，得到更符合用户需求的数据。
另外，本发明构建了样本信息数据库并制定了善方评分标准，样本信息数据库提供样本毒性、价格、相反相畏等方面的信息，作为组方效果评价的依据。善方评分标准依据数据库信息对每个善方给出直观综合评价。
此外，本发明开发了联合善方算法，挖掘能对多个细胞系具有正面作用的联合善方。本发明开发了善方证型分类算法，提取适用于不同病证或体质的善方。本发明构建多类样本数据库，用于不同类型的善方筛选，比如药食同源善方，纯中药善方等。本发明引入了母方，子方和通用方的概念，能够筛选出母方，子方和通用方。
可选地，在上述电子药方生成方法的实施例的基础上，本发明的另一实施例提供了一种电子药方生成装置，参照图8，可以包括：
数据获取模块11，用于获取目标疾病对应的背景通路集合以及各个药物对所述背景通路集合中的每一背景通路的影响程度；
数据确定模块12，用于基于与所述目标疾病类型对应的目标用户的基因表达谱数据，和正常状态下的非目标用户的基因表达谱数据，将所述背景通路集合中满足预设失调条件的背景通路确定为失调通路，以及确定出所述目标用户在每一所述失调通道上的富集结果；
药物组合模块13，用于对所述各个药物进行组合，得到初始药物组合；
药物筛选模块14，用于基于各个所述药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通道上的富集结果，采用并行处理方式从初始药物组合中筛选出满足预设药物筛选原则的初始药物组合，并确定为待处理药物组合；
药方确定模块15，用于根据所述待处理药物组合中的每一药物对每一所述失调通道的影响程度，以及所述目标用户在每一所述失调通道的富集结果，筛选出满足预设影响程度规则的所述待处理药物组合，并确定为电子药方。
进一步，数据获取模块用于获取各个药物对所述背景通路集合中的每一背景通路的影响程度时，具体用于：
获取药物对所述目标疾病对应的细胞系进行干扰前后的基因表达谱，并对干扰前后的基因表达谱进行差异基因分析，得到第一差异基因；
基于所述第一差异基因对所述每一所述背景通路进行基因富集分析，得到所述药物对每一所述背景通路的影响程度。
进一步，所述数据确定模块包括：
第一分析子模块，用于对与所述目标疾病类型对应的目标用户的基因表达谱数据和正常状态下的非目标用户的基因表达谱数据进行差异基因分析，得到第二差异基因；
第二分析子模块，用于基于所述第二差异基因对每一所述背景通路进行基因富集分析，得到每一所述背景通路的基因富集结果；
筛选子模块，用于筛选出基因富集结果满足预设条件的背景通路，并确定为失调通路。
进一步，药物筛选模块包括：
拆分子模块，用于按照所述初始药物组合中的包括相同的目标药物的药物名称，对所述初始药物组合进行拆分得到，得到多个初始药物组合集合；所述目标中药位于所述初始药物组合中的预设位置；其中，每一所述初始药物组合集合采用一独立线程进行处理；
药效计算子模块，用于对于所述初始药物组合集合，构建所述初始药物组合集合的待计算队列，利用并行计算方法将待计算队列中的初始药物组合集合分配给对应的线程，以使所述线程基于所述初始药物组合集合中的所述初始药物组合中的各个所述药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通道上的富集结果，计算所述初始药物组合的药效值；
筛选子模块，用于基于所述初始药物组合的药效值，筛选出所述初始药物组合的药效值满足预设药效值规则的初始药物组合，并确定为待处理药物组合。
进一步，药方确定模块包括：
第一计算子模块，用于计算所述目标用户对每一所述背景通道的影响程度之和；
第二计算子模块，用于计算所述待处理药物组合中的所有药物对每一所述失调通道的影响程度之和；
组合筛选子模块，用于筛选出所述目标用户对每一所述背景通道的影响程度之和、所述待处理药物组合中的所有药物对每一所述失调通道的影响程度之和的乘积均满足预设乘积结果的待处理药物组合，并确定为电子药方。
进一步，还包括：
药方筛选模块，用于从所述电子药方中筛选出满足预设筛选规则的电子药方，并确定为目标电子药方。
本实施例中，在对所述各个药物进行组合，得到初始药物组合后，能够采用并行处理方式对初始药物组合进行处理，提高了处理效率。并且在并行处理的过程中，还能够从所述初始药物组合中筛选出满足预设药物筛选原则的初始药物组合，并确定为待处理药物组合，后续仅对待处理药物组合进行处理，也能够进一步缩小数据处理量，提高处理效率。在待组合的药物的数量较多时，通过本发明中的并行处理和数据筛选的方式，能够缩短药物组合时间，提高药物组合效率。
需要说明的是，本实施例中的各个模块和子模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。
可选地，在上述电子药方生成方法及装置的实施例的基础上，本发明的另一实施例提供了一种电子设备，包括：存储器和处理器；
其中，所述存储器用于存储程序；
处理器调用程序并用于：
获取目标疾病对应的背景通路集合以及各个药物对所述背景通路集合中的每一背景通路的影响程度；
基于与所述目标疾病类型对应的目标用户的基因表达谱数据，和正常状态下的非目标用户的基因表达谱数据，将所述背景通路集合中满足预设失调条件的背景通路确定为失调通路，以及确定出所述目标用户在每一所述失调通道上的富集结果；
对所述各个药物进行组合，得到初始药物组合；
基于各个所述药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通道上的富集结果，采用并行处理方式从初始药物组合中筛选出满足预设药物筛选原则的初始药物组合，并确定为待处理药物组合；
根据所述待处理药物组合中的每一药物对每一所述失调通道的影响程度，以及所述目标用户在每一所述失调通道的富集结果，筛选出满足预设影响程度规则的所述待处理药物组合，并确定为电子药方。
进一步，获取各个药物对所述背景通路集合中的每一背景通路的影响程度，包括：
获取药物对所述目标疾病对应的细胞系进行干扰前后的基因表达谱，并对干扰前后的基因表达谱进行差异基因分析，得到第一差异基因；
基于所述第一差异基因对所述每一所述背景通路进行基因富集分析，得到所述药物对每一所述背景通路的影响程度。
进一步，基于与所述目标疾病类型对应的目标用户的基因表达谱数据，和正常状态下的非目标用户的基因表达谱数据，将所述背景通路集合中满足预设失调条件的背景通路确定为失调通路，包括：
对与所述目标疾病类型对应的目标用户的基因表达谱数据和正常状态下的非目标用户的基因表达谱数据进行差异基因分析，得到第二差异基因；
基于所述第二差异基因对每一所述背景通路进行基因富集分析，得到每一所述背景通路的基因富集结果；
筛选出基因富集结果满足预设条件的背景通路，并确定为失调通路。
进一步，基于各个所述药物对每一所述失调通路的影响程度，采用并行处理方式从所述初始药物组合中筛选出满足预设药物筛选原则的初始药物组合，并确定为待处理药物组合，包括：
按照所述初始药物组合中的包括相同的目标药物的药物名称，对所述初始药物组合进行拆分得到，得到多个初始药物组合集合；所述目标中药位于所述初始药物组合中的预设位置；其中，每一所述初始药物组合集合采用一独立线程进行处理；
对于所述初始药物组合集合，构建所述初始药物组合集合的待计算队列，利用并行计算方法将待计算队列中的初始药物组合集合分配给对应的线程，以使所述线程基于所述初始药物组合集合中的所述初始药物组合中的各个所述药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通道上的富集结果，计算所述初始药物组合的药效值；
基于所述初始药物组合的药效值，筛选出所述初始药物组合的药效值满足预设药效值规则的初始药物组合，并确定为待处理药物组合。
进一步，根据所述待处理药物组合中的每一药物对每一所述失调通道的影响程度以及所述目标用户对每一所述背景通道的影响程度，筛选出满足预设影响程度规则的所述待处理药物组合，并确定为电子药方，包括：
计算所述目标用户对每一所述背景通道的影响程度之和；
计算所述待处理药物组合中的所有药物对每一所述失调通道的影响程度之和；
筛选出所述目标用户对每一所述背景通道的影响程度之和、所述待处理药物组合中的所有药物对每一所述失调通道的影响程度之和的乘积均满足预设乘积结果的待处理药物组合，并确定为电子药方。
进一步，在所述根据所述待处理药物组合中的每一药物对每一所述失调通道的影响程度以及所述目标用户对每一所述背景通道的影响程度，筛选出满足预设影响程度规则的所述待处理药物组合，并确定为电子药方之后，还包括：
从所述电子药方中筛选出满足预设筛选规则的电子药方，并确定为目标电子药方。
本实施例中，在对所述各个药物进行组合，得到初始药物组合后，能够采用并行处理方式对初始药物组合进行处理，提高了处理效率。并且在并行处理的过程中，还能够从所述初始药物组合中筛选出满足预设药物筛选原则的初始药物组合，并确定为待处理药物组合，后续仅对待处理药物组合进行处理，也能够进一步缩小数据处理量，提高处理效率。在待组合的药物的数量较多时，通过本发明中的并行处理和数据筛选的方式，能够缩短药物组合时间，提高药物组合效率。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种电子药方生成方法，其特征在于，包括：
获取目标疾病对应的背景通路集合以及各个药物对所述背景通路集合中的每一背景通路的影响程度；
基于与所述目标疾病类型对应的目标用户的基因表达谱数据，和正常状态下的非目标用户的基因表达谱数据，将所述背景通路集合中满足预设失调条件的背景通路确定为失调通路，以及确定出所述目标用户在每一所述失调通路上的富集结果；
对所述各个药物进行组合，得到初始药物组合；
基于各个所述药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通路上的富集结果，采用并行处理方式从初始药物组合中筛选出满足预设药物筛选原则的初始药物组合，并确定为待处理药物组合；
根据所述待处理药物组合中的每一药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通路的富集结果，筛选出满足预设影响程度规则的所述待处理药物组合，并确定为电子药方；
其中，所述从初始药物组合中筛选出满足预设药物筛选原则的初始药物组合，并确定为待处理药物组合，包括：按照所述初始药物组合中的包括相同的目标药物的药物名称，对所述初始药物组合进行拆分得到，得到多个初始药物组合集合；基于所述初始药物组合集合中的所述初始药物组合中的各个所述药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通路上的富集结果，计算所述初始药物组合的药效值；基于所述初始药物组合的药效值，筛选出所述初始药物组合的药效值满足预设药效值规则的初始药物组合，并确定为待处理药物组合；
所述根据所述待处理药物组合中的每一药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通路的富集结果，筛选出满足预设影响程度规则的所述待处理药物组合，并确定为电子药方，包括：计算所述目标用户对每一所述背景通路的影响程度之和；计算所述待处理药物组合中的所有药物对每一所述失调通路的影响程度之和；筛选出所述目标用户对每一所述背景通路的影响程度之和、所述待处理药物组合中的所有药物对每一所述失调通路的影响程度之和的乘积均满足预设乘积结果的待处理药物组合，并确定为电子药方。
2.根据权利要求1所述的电子药方生成方法，其特征在于，获取各个药物对所述背景通路集合中的每一背景通路的影响程度，包括：
获取药物对所述目标疾病对应的细胞系进行干扰前后的基因表达谱，并对干扰前后的基因表达谱进行差异基因分析，得到第一差异基因；
基于所述第一差异基因对所述每一所述背景通路进行基因富集分析，得到所述药物对每一所述背景通路的影响程度。
3.根据权利要求1所述的电子药方生成方法，其特征在于，基于与所述目标疾病类型对应的目标用户的基因表达谱数据，和正常状态下的非目标用户的基因表达谱数据，将所述背景通路集合中满足预设失调条件的背景通路确定为失调通路，包括：
对与所述目标疾病类型对应的目标用户的基因表达谱数据和正常状态下的非目标用户的基因表达谱数据进行差异基因分析，得到第二差异基因；
基于所述第二差异基因对每一所述背景通路进行基因富集分析，得到每一所述背景通路的基因富集结果；
筛选出基因富集结果满足预设条件的背景通路，并确定为失调通路。
4.根据权利要求1所述的电子药方生成方法，其特征在于，基于各个所述药物对每一所述失调通路的影响程度，采用并行处理方式从所述初始药物组合中筛选出满足预设药物筛选原则的初始药物组合，并确定为待处理药物组合，包括：
按照所述初始药物组合中的包括相同的目标药物的药物名称，对所述初始药物组合进行拆分得到，得到多个初始药物组合集合；所述目标药物位于所述初始药物组合中的预设位置；其中，每一所述初始药物组合集合采用一独立线程进行处理；
对于所述初始药物组合集合，构建所述初始药物组合集合的待计算队列，利用并行计算方法将待计算队列中的初始药物组合集合分配给对应的线程，以使所述线程基于所述初始药物组合集合中的所述初始药物组合中的各个所述药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通路上的富集结果，计算所述初始药物组合的药效值；
基于所述初始药物组合的药效值，筛选出所述初始药物组合的药效值满足预设药效值规则的初始药物组合，并确定为待处理药物组合。
5.根据权利要求1所述的电子药方生成方法，其特征在于，在所述根据所述待处理药物组合中的每一药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通路的富集结果，筛选出满足预设影响程度规则的所述待处理药物组合，并确定为电子药方之后，还包括：
从所述电子药方中筛选出满足预设筛选规则的电子药方，并确定为目标电子药方。
6.一种电子药方生成装置，其特征在于，包括：
数据获取模块，用于获取目标疾病对应的背景通路集合以及各个药物对所述背景通路集合中的每一背景通路的影响程度；
数据确定模块，用于基于与所述目标疾病类型对应的目标用户的基因表达谱数据，和正常状态下的非目标用户的基因表达谱数据，将所述背景通路集合中满足预设失调条件的背景通路确定为失调通路，以及确定出所述目标用户在每一所述失调通路上的富集结果；
药物组合模块，用于对所述各个药物进行组合，得到初始药物组合；
药物筛选模块，用于基于各个所述药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通路上的富集结果，采用并行处理方式从初始药物组合中筛选出满足预设药物筛选原则的初始药物组合，并确定为待处理药物组合；
药方确定模块，用于根据所述待处理药物组合中的每一药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通路的富集结果，筛选出满足预设影响程度规则的所述待处理药物组合，并确定为电子药方；
其中，所述药物筛选模块，具体用于按照所述初始药物组合中的包括相同的目标药物的药物名称，对所述初始药物组合进行拆分得到，得到多个初始药物组合集合；基于所述初始药物组合集合中的所述初始药物组合中的各个所述药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通路上的富集结果，计算所述初始药物组合的药效值；基于所述初始药物组合的药效值，筛选出所述初始药物组合的药效值满足预设药效值规则的初始药物组合，并确定为待处理药物组合；
所述药方确定模块，具体用于计算所述目标用户对每一所述背景通路的影响程度之和；计算所述待处理药物组合中的所有药物对每一所述失调通路的影响程度之和；筛选出所述目标用户对每一所述背景通路的影响程度之和、所述待处理药物组合中的所有药物对每一所述失调通路的影响程度之和的乘积均满足预设乘积结果的待处理药物组合，并确定为电子药方。
7.根据权利要求6所述的电子药方生成装置，其特征在于，数据获取模块用于获取各个药物对所述背景通路集合中的每一背景通路的影响程度时，具体用于：
获取药物对所述目标疾病对应的细胞系进行干扰前后的基因表达谱，并对干扰前后的基因表达谱进行差异基因分析，得到第一差异基因；
基于所述第一差异基因对所述每一所述背景通路进行基因富集分析，得到所述药物对每一所述背景通路的影响程度。
8.根据权利要求6所述的电子药方生成装置，其特征在于，所述数据确定模块包括：
第一分析子模块，用于对与所述目标疾病类型对应的目标用户的基因表达谱数据和正常状态下的非目标用户的基因表达谱数据进行差异基因分析，得到第二差异基因；
第二分析子模块，用于基于所述第二差异基因对每一所述背景通路进行基因富集分析，得到每一所述背景通路的基因富集结果；
筛选子模块，用于筛选出基因富集结果满足预设条件的背景通路，并确定为失调通路。
9.一种电子设备，其特征在于，包括：存储器和处理器；
其中，所述存储器用于存储程序；
处理器调用程序并用于：
获取目标疾病对应的背景通路集合以及各个药物对所述背景通路集合中的每一背景通路的影响程度；
基于与所述目标疾病类型对应的目标用户的基因表达谱数据，和正常状态下的非目标用户的基因表达谱数据，将所述背景通路集合中满足预设失调条件的背景通路确定为失调通路，以及确定出所述目标用户在每一所述失调通路上的富集结果；
对所述各个药物进行组合，得到初始药物组合；
基于各个所述药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通路上的富集结果，采用并行处理方式从初始药物组合中筛选出满足预设药物筛选原则的初始药物组合，并确定为待处理药物组合；
根据所述待处理药物组合中的每一药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通路的富集结果，筛选出满足预设影响程度规则的所述待处理药物组合，并确定为电子药方；
其中，所述从初始药物组合中筛选出满足预设药物筛选原则的初始药物组合，并确定为待处理药物组合，包括：按照所述初始药物组合中的包括相同的目标药物的药物名称，对所述初始药物组合进行拆分得到，得到多个初始药物组合集合；基于所述初始药物组合集合中的所述初始药物组合中的各个所述药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通路上的富集结果，计算所述初始药物组合的药效值；基于所述初始药物组合的药效值，筛选出所述初始药物组合的药效值满足预设药效值规则的初始药物组合，并确定为待处理药物组合；
所述根据所述待处理药物组合中的每一药物对每一所述失调通路的影响程度，以及所述目标用户在每一所述失调通路的富集结果，筛选出满足预设影响程度规则的所述待处理药物组合，并确定为电子药方，包括:计算所述目标用户对每一所述背景通路的影响程度之和；计算所述待处理药物组合中的所有药物对每一所述失调通路的影响程度之和；筛选出所述目标用户对每一所述背景通路的影响程度之和、所述待处理药物组合中的所有药物对每一所述失调通路的影响程度之和的乘积均满足预设乘积结果的待处理药物组合，并确定为电子药方。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011577985.6A CN112687370B (zh) | 2020-12-28 | 2020-12-28 | 一种电子药方生成方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011577985.6A CN112687370B (zh) | 2020-12-28 | 2020-12-28 | 一种电子药方生成方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112687370A CN112687370A (zh) | 2021-04-20 |
| CN112687370B true CN112687370B (zh) | 2023-12-22 |
Family
ID=75452594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011577985.6A Active CN112687370B (zh) | 2020-12-28 | 2020-12-28 | 一种电子药方生成方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112687370B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999058720A1 (en) * | 1998-05-12 | 1999-11-18 | Acacia Biosciences, Inc. | Quantitative methods, systems and apparatuses for gene expression analysis |
| CN101989297A (zh) * | 2009-07-30 | 2011-03-23 | 陈越 | 用于计算机上的疾病基因相关药物发掘系统 |
| CN102289606A (zh) * | 2011-07-05 | 2011-12-21 | 中国航天员科研训练中心 | 药物的筛选方法以及药物组合设计方法 |
| CN106815486A (zh) * | 2017-01-22 | 2017-06-09 | 华中农业大学 | 一种个性化用药的系统药理学方法 |
| WO2018049250A1 (en) * | 2016-09-08 | 2018-03-15 | Curematch, Inc. | Optimizing therapeutic options in personalized medicine |
| CN108986879A (zh) * | 2018-05-31 | 2018-12-11 | 平安医疗科技有限公司 | 药品推荐方法、装置、计算机设备和存储介质 |
| CN109243620A (zh) * | 2018-09-07 | 2019-01-18 | 上海交通大学医学院附属新华医院 | 基于血药浓度监测的药效优化方法及装置 |
| CN109712685A (zh) * | 2019-01-24 | 2019-05-03 | 湘潭大学 | 一种基于多目标进化算法的药方药剂构建方法及系统 |
| KR20190089376A (ko) * | 2018-01-22 | 2019-07-31 | 주식회사 온코크로스 | 약제를 조합하는 방법 및 장치 |
| CN110859932A (zh) * | 2019-11-21 | 2020-03-06 | 博奥生物集团有限公司 | 抗肾纤维化的药物及其制备方法 |
| CN111048173A (zh) * | 2019-12-19 | 2020-04-21 | 博奥生物集团有限公司 | 一种用药数据推送方法及装置 |
| KR20200042295A (ko) * | 2018-10-15 | 2020-04-23 | 연세대학교 산학협력단 | 네트워크 기반의 유전자 세트 증강 분석 방법을 이용한 약물 재창출 방법 |
| KR20200107841A (ko) * | 2019-03-07 | 2020-09-16 | 한국과학기술원 | 환자 전사체 샘플의 유의 유전자 발현 지표 조합 점수 기반 질병 표현형 판별 방법 |
| CN111714555A (zh) * | 2020-07-27 | 2020-09-29 | 张跃 | 防治新冠病毒肺炎的中药消毒组合物及消毒方法、装置 |
| CN111773308A (zh) * | 2020-04-07 | 2020-10-16 | 李瑞玉 | 防治新冠肺炎“宣肺排毒汤”的中药组合物及制备方法 |
| CN111951924A (zh) * | 2020-08-14 | 2020-11-17 | 江苏云脑数据科技有限公司 | 一种异常用药行为检测方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060058966A1 (en) * | 2004-09-15 | 2006-03-16 | Bruckner Howard W | Methods and systems for guiding selection of chemotherapeutic agents |
| WO2007038792A2 (en) * | 2005-09-28 | 2007-04-05 | H. Lee Moffitt Cancer Center | Individualized cancer treatments |
| US20110294693A1 (en) * | 2008-11-17 | 2011-12-01 | The George Washington University | Compositions and Methods for Identifying Autism Spectrum Disorders |
| US20190259482A1 (en) * | 2018-02-20 | 2019-08-22 | Mediedu Oy | System and method of determining a prescription for a patient |
| US11942189B2 (en) * | 2019-01-16 | 2024-03-26 | International Business Machines Corporation | Drug efficacy prediction for treatment of genetic disease |
-
2020
- 2020-12-28 CN CN202011577985.6A patent/CN112687370B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999058720A1 (en) * | 1998-05-12 | 1999-11-18 | Acacia Biosciences, Inc. | Quantitative methods, systems and apparatuses for gene expression analysis |
| CN101989297A (zh) * | 2009-07-30 | 2011-03-23 | 陈越 | 用于计算机上的疾病基因相关药物发掘系统 |
| CN102289606A (zh) * | 2011-07-05 | 2011-12-21 | 中国航天员科研训练中心 | 药物的筛选方法以及药物组合设计方法 |
| WO2018049250A1 (en) * | 2016-09-08 | 2018-03-15 | Curematch, Inc. | Optimizing therapeutic options in personalized medicine |
| CN106815486A (zh) * | 2017-01-22 | 2017-06-09 | 华中农业大学 | 一种个性化用药的系统药理学方法 |
| KR20190089376A (ko) * | 2018-01-22 | 2019-07-31 | 주식회사 온코크로스 | 약제를 조합하는 방법 및 장치 |
| CN108986879A (zh) * | 2018-05-31 | 2018-12-11 | 平安医疗科技有限公司 | 药品推荐方法、装置、计算机设备和存储介质 |
| CN109243620A (zh) * | 2018-09-07 | 2019-01-18 | 上海交通大学医学院附属新华医院 | 基于血药浓度监测的药效优化方法及装置 |
| KR20200042295A (ko) * | 2018-10-15 | 2020-04-23 | 연세대학교 산학협력단 | 네트워크 기반의 유전자 세트 증강 분석 방법을 이용한 약물 재창출 방법 |
| CN109712685A (zh) * | 2019-01-24 | 2019-05-03 | 湘潭大学 | 一种基于多目标进化算法的药方药剂构建方法及系统 |
| KR20200107841A (ko) * | 2019-03-07 | 2020-09-16 | 한국과학기술원 | 환자 전사체 샘플의 유의 유전자 발현 지표 조합 점수 기반 질병 표현형 판별 방법 |
| CN110859932A (zh) * | 2019-11-21 | 2020-03-06 | 博奥生物集团有限公司 | 抗肾纤维化的药物及其制备方法 |
| CN111048173A (zh) * | 2019-12-19 | 2020-04-21 | 博奥生物集团有限公司 | 一种用药数据推送方法及装置 |
| CN111773308A (zh) * | 2020-04-07 | 2020-10-16 | 李瑞玉 | 防治新冠肺炎“宣肺排毒汤”的中药组合物及制备方法 |
| CN111714555A (zh) * | 2020-07-27 | 2020-09-29 | 张跃 | 防治新冠病毒肺炎的中药消毒组合物及消毒方法、装置 |
| CN111951924A (zh) * | 2020-08-14 | 2020-11-17 | 江苏云脑数据科技有限公司 | 一种异常用药行为检测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| A Classification-based Approach to Prediction of Dengue Virus and Human Protein-Protein Interactions using Amino Acid Composition and Conjoint Triad Features;Lopamudra Dey et al.;2019 IEEE Region 10 Symposium (TENSYMP);1-6 * |
| A New Concept on Quality Marker for Quality Assessment and Process Control of Chinese Medicines;Chang-xiao Liu et al.;Chinese Herbal Medicines;3-13 * |
| 运用数据挖掘和网络药理学探讨肝衰竭用药规律及机制分析;吕建林;柳琳琳;张文富;王光耀;胡振斌;毛德文;;广西大学学报(自然科学版)(06);307-317 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112687370A (zh) | 2021-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Exploring the mechanism of TCM formulae in the treatment of different types of coronary heart disease by network pharmacology and machining learning | |
| Ung et al. | Are herb-pairs of traditional Chinese medicine distinguishable from others? Pattern analysis and artificial intelligence classification study of traditionally defined herbal properties | |
| Yang et al. | New drug R&D of traditional Chinese medicine: Role of data mining approaches | |
| Dahmen et al. | Disorders of calculation in aphasic patients—spatial and verbal components | |
| Sheel | Sex differences in the physiology of exercise: an integrative perspective. | |
| CN110246550B (zh) | 基于药物相似性网络数据的药物组合预测方法 | |
| Hu et al. | An analysis model of diagnosis and treatment for COVID-19 pandemic based on medical information fusion | |
| CN112216364A (zh) | 一种基于人工智能的用药处方推送方法和系统 | |
| CN108034708A (zh) | 通过多个mRNA的表达量确定雷公藤多苷片治疗类风湿性关节炎的个体有效性的系统 | |
| CN111613297A (zh) | 基于网络药理学的中药作用机制模型的建立方法、系统及装置 | |
| CN105574340A (zh) | 一种中医方剂性味归经定量方法及系统 | |
| CN112687370B (zh) | 一种电子药方生成方法、装置及电子设备 | |
| Monroe et al. | Physical activity and its association with insulin resistance in multicenter AIDS cohort study men | |
| Hatfield et al. | Critical assessment of high-circulation print newspaper coverage of the Institute of Medicine report Dietary Reference Intakes for Calcium and Vitamin D | |
| CN111429978A (zh) | 一种快速发现中药复方有效组分的方法和应用 | |
| Shen et al. | Bioinformatics and network pharmacology analysis of drug targets and mechanisms related to the comorbidity of epilepsy and migraine | |
| He et al. | Development of image similarity strategy based on targeted filtration for non-targeted HS-SPME/GC× GC fingerprints of volatile oils from Chinese patent medicines: A case of Chaihu Shugan Wan | |
| CN107145757A (zh) | 中医减肥决策支持系统及方法 | |
| Amoako et al. | Evaluation of use of epinephrine and time to first dose and outcomes in pediatric patients with out-of-hospital cardiac arrest | |
| CN111599487A (zh) | 一种基于关联分析的中药配伍辅助决策方法 | |
| Wang et al. | Study on the synergistic and attenuating mechanism of the combination of Epimedium and Ligustri lucidi fructus based on pharmacokinetics | |
| CN107423347A (zh) | 一种中药配方有效成分分析方法及终端设备 | |
| Ma et al. | Exploration of the pharmacological mechanism of Bufei Nashen pill in treating chronic obstructive pulmonary disease using network pharmacology integrated molecular docking | |
| Hossain et al. | Prediction of plant-disease relations based on unani formulas by network analysis | |
| CN114420257A (zh) | 中医辅助诊疗方法、系统、设备和存储介质 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220331 Address after: 102200 b201-1, No. 18, shengshengyuan Road, Life Science Park, Changping District, Beijing Applicant after: Beijing Boao Jingfang Biotechnology Co.,Ltd. Address before: 102206 No. 18, life science Road, Beijing, Changping District Applicant before: CAPITALBIO Corp. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |