CN114530212B - 一种中药化学成分肾毒性预测与评价方法 - Google Patents

一种中药化学成分肾毒性预测与评价方法 Download PDF

Info

Publication number
CN114530212B
CN114530212B CN202210029069.1A CN202210029069A CN114530212B CN 114530212 B CN114530212 B CN 114530212B CN 202210029069 A CN202210029069 A CN 202210029069A CN 114530212 B CN114530212 B CN 114530212B
Authority
CN
China
Prior art keywords
traditional chinese
nephrotoxicity
cells
descriptors
chinese medicine
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
CN202210029069.1A
Other languages
English (en)
Other versions
CN114530212A (zh
Inventor
李晗
张广平
宋玲
高云航
陈腾飞
彭博
侯红平
张钟秀
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.)
Institute of Materia Medica of CAMS
Original Assignee
Institute of Materia Medica of CAMS
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 Institute of Materia Medica of CAMS filed Critical Institute of Materia Medica of CAMS
Priority to CN202210029069.1A priority Critical patent/CN114530212B/zh
Publication of CN114530212A publication Critical patent/CN114530212A/zh
Application granted granted Critical
Publication of CN114530212B publication Critical patent/CN114530212B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4845—Toxicology, e.g. by detection of alcohol, drug or toxic products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/50—Mutagenesis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
    • 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

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biotechnology (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Veterinary Medicine (AREA)
  • Toxicology (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Surgery (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

本发明公开了一种中药化学成分肾毒性预测与评价方法，基于计算毒理学技术构建对中药化学成分的肾毒性进行预测的模型，并将构建肾毒性预测模型与高内涵分析肾小球内皮细胞毒性评价相结合，实现对含有潜在肾毒性成分的中药方剂进行预测与评价。本发明利用毒性替代方法，将精准预测与有效评价相联合，成功发明了从模型构建‑毒性测试‑毒性评价的全景式动态中药肾毒性毒性发现与评价，致力于更科学、更精准、更全面地评价、降低和预防中药不良反应事件的发生，提高临床用药的安全性。

Description

一种中药化学成分肾毒性预测与评价方法
技术领域
本发明涉及毒理学技术领域，具体涉及一种基于计算毒理学技术的中药化学成分肾毒性预测与评价方法。
背景技术
现阶段，我国对中药毒性早期预测模型的相关研究尚在起步阶段，且多集中于肝毒性研究，对肾毒性研究报道较少。并且，虽然计算毒理学技术是体外毒性早期预测替代法的核心内容之一，但任何理论预测都离不开实验验证，计算毒理学研究亦是如此。而现阶段，肾毒性预测技术多只聚焦于纯粹的计算机算法，并没有后续生物学实验确证。然而，只有对毒性预测结果进行生物学实验，才能验证预测结果的准确性和可靠度。与此同时，应用单一化合物的毒性预测外推到实际环境的评价可能导致不可靠的结论。因此，将精准预测与有效评价联合的毒性发现与评价技术的建立对于中药的安全性研究具有重要意义。
发明内容
针对现有技术的不足，本发明旨在提供一种中药化学成分肾毒性预测与评价方法。
为了实现上述目的，本发明采用如下技术方案：
一种中药化学成分肾毒性预测与评价方法，具体过程为：
一、预测
首先收集来自西药不良反应数据库中的药物不良反应信息，所述药物不良反应信息主要包括有肾毒不良反应记录的化合物以及无肾毒不良反应记录的化合物；
另外通过查阅文献，找出文献收集的已知肾毒性的中药成分化合物；
利用Pubchem下载从西药不良反应数据库收集到的有肾毒不良反应记录的化合物、无肾毒不良反应记录的化合物以及通过查阅文献收集的文献收集的已知肾毒性的中药成分化合物的sdf文件，然后建立这些化合物的数学模型训练集，并利用Mold2软件对训练集中的每个化合物进行分子结构描述符计算，得到描述符矩阵数据；
利用得到的描述符，建立最优的中药肾毒性早期预测模型：
1)使用R软件对描述符，首先剔除在超过总数90％的化合物中计算值都为恒定值的描述符；在此基础上除去两两相关系数高于0.9的两个描述符中的一个,确保各个描述符之间没有严重的依赖关系；然后对余下的描述符之间存在的多元相关性进行剔除；
2)分子结构描述符筛选步骤：①利用Bootstrap重采样方法将描述符数据分成训练集和测试集两类；②基于训练集数据,利用所有的描述符,构建预测模型,并对测试集数据进行预测评价,同时基于预测结果对参与构建预测模型的变量进行评价并排序；③选取不同个数的最重要描述符,并基于训练集数据利用随机森林算法构建模型,利用Leave-10％-out方法交叉验证方法进行比较,选择最优模型用来对测试集数据进行预测评价；重复步骤①、②、③，统计分析不同个数的最重要描述符所构建模型的预测情况,并决定最优描述符集以及最优的预测模型；
利用最优预测模型对《中华人民共和国药典》记录的有毒中药包含的化学成分进行肾毒性预测，初步预测得到具有肾毒性的化学成分；
二、评价
将HRGEC细胞以8000个/孔的密度接种在96孔黑色透底培养板，于37℃、5％CO2培养到对数期，实施评价时加入利用所述最优预测模型预测得到的具有肾毒性的化学成分处理HRGEC细胞24h构成实验组；另外增加一个空白组，空白组中接种细胞不加药，48h后弃去原培养基，用PBS洗细胞，重复洗两次；将Hoechst33342、Green Reagents及MitoTrackerTMRed CMXRos染料根据说明书用含10％FBS的DMEM稀释至合适浓度的染料混合液，分别加入到实验组和空白组的细胞孔板内，37℃、5％CO2培养箱中继续孵育45min后弃染料混合液，用PBS缓冲液清洗细胞2次，最后每孔加入100μL的PBS缓冲液上机检测；
采用Gen5软件采集并分析图像：
选择20倍物镜，采集条件如下：第一通道波长为350/461nm检测Hoechst33342标记的细胞核并记录细胞数目、细胞核内DNA含量；第二道波长为485/520nm检测Green Reagents标记的ROS；第三通道波长为579/599nm检测MitoTrackerTMRed CMXRos标记的线粒体膜电位；
运用Gen5软件分析图像的荧光强度，其中细胞数目为第一通道的荧光数目，细胞核内DNA含量为第一通道的荧光强度，ROS为细胞质和细胞核中第二通道荧光强度，线粒体膜电位为细胞质内第三通道的荧光强度；
Hoechst33342可穿过细胞膜，可结合于活细胞，因此用于活细胞标记；
CellROX Oxidative Stress Reagents用来检测活细胞内活性氧ROS；当处于还原态时无荧光或极弱荧光，一旦被氧化后发出强荧光。氧化自由基过度积累导致细胞膜中脂质过氧化使细胞膜的完整性和通透性发生改变、导致细胞中蛋白质多肽链断裂及诱发基因突变导致细胞凋亡；MitoTrackerTMRed CMXRos染料作为一种具有细胞通透性的X-rosamine衍生物能够特异性地标记细胞中具有生物活性的线粒体，检测线粒体膜电位；
ROS可促进线粒体膜通透性转移孔开放，一方面导致线粒体内钙离子浓度升高，打破钙离子稳态，阻断呼吸链传递电子，使ATP生成终止，能量代谢等发生改变导致线粒体功能紊乱，继而引发细胞凋亡；另一方面线粒体膜间隙的细胞色素C释放激活相关caspase蛋白，从而激活下游凋亡途径，导致细胞凋亡。因此，细胞膜完整性和通透性、线粒体膜电位(MMP)和氧化应激损伤等都可以作为高内涵检测受试物肾毒性的指标。
实验以空白组的相应参数为100％，实验组数值表示为相对于溶剂对照的百分数。实验数据以均数±标准差的形式表示，采用SPSS Statistics 21统计软件对各组数据进行统计分析，多组间比较采用单因素方差分析进行统计处理，以P<0.05表示差异具有统计学意义。
进一步地，在预测模型的构建中，设定迭代次数为10次。
本发明的有益效果在于：本发明基于计算毒理学技术构建对中药化学成分的肾毒性进行预测的模型，并将构建肾毒性预测模型与高内涵分析肾小球内皮细胞毒性评价相结合，实现对含有潜在肾毒性成分的中药方剂进行预测与评价。本发明利用毒性替代方法，将精准预测与有效评价相联合，成功发明了从模型构建-毒性测试-毒性评价的全景式动态中药肾毒性毒性发现与评价，致力于更科学、更精准、更全面地评价、降低和预防中药不良反应事件的发生，提高临床用药的安全性。
附图说明
图1为本发明实施例的方法原理示意图。
具体实施方式
以下将结合附图对本发明作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实施例。
本实施例提供一种中药化学成分肾毒性预测与评价方法，首先通过全面收集国内外有关中药化合物肾毒性数据，建立基于计算毒理学技术的中药肾毒性早期预测模型。同时本实施例构建基于高内涵分析技术的肾小球内皮细胞HRGEC评价模型，模拟肾小球滤过屏障的关键成分和功能，用于评价中药肾毒性早期预测模型预测出的风险物质的肾毒性，在校正该模型预测准确率的基础上进一步对风险物质的毒性进行确认，形成全景式的中药化学成分肾毒性预测与评价方法。
如图1所示，所述方法的具体过程包括：
一、预测
首先收集来自西药不良反应数据库(side effect resource，SIDER)中的药物不良反应信息，所述药物不良反应信息主要包括有肾毒不良反应记录的化合物以及无肾毒不良反应记录的化合物。
另外通过查阅文献，找出文献收集的已知肾毒性的中药成分化合物；
利用Pubchem下载从西药不良反应数据库收集到的有肾毒不良反应记录的化合物、无肾毒不良反应记录的化合物以及通过查阅文献收集的文献收集的已知肾毒性的中药成分化合物的sdf文件，然后建立这些化合物的数学模型训练集，并利用Mold2软件对训练集中的每个化合物进行分子结构描述符计算，得到的描述符矩阵数据。
利用得到的描述符，建立中药肾毒性早期预测模型：
1)使用R软件对所有的2D描述符，首先剔除在超过总数90％的化合物中计算值都为恒定值的描述符；在此基础上除去两两相关系数高于0.9的两个描述符中的一个,确保各个描述符之间没有严重的依赖关系；然后对余下的描述符之间存在的多元相关性进行剔除。
2)分子结构描述符筛选步骤：①利用Bootstrap重采样方法将描述符数据分成训练集和测试集两类；②基于训练集数据,利用所有的描述符,构建预测模型,并对测试集数据进行预测评价,同时基于预测结果对参与构建预测模型的变量进行评价并排序；③选取不同个数的最重要描述符,并基于训练集数据利用随机森林算法构建模型,利用Leave-10％-out方法交叉验证方法进行比较,选择最优模型(准确率最高)用来对测试集数据进行预测评价；重复步骤①、②、③，统计分析不同个数的最重要描述符所构建模型的预测情况,并决定最优描述符集以及最优的预测模型；
本实施例利用最优预测模型对《中华人民共和国药典》记录的有毒中药包含的化学成分进行肾毒性预测，初步预测得到具有肾毒性的化学成分。
二、评价
将HRGEC细胞以8000个/孔的密度接种在96孔黑色透底培养板，于37℃、5％CO2培养到对数期，实施评价时加入利用所述最优预测模型预测得到的具有肾毒性的化学成分处理HRGEC细胞24h构成实验组；另外增加一个空白组，空白组中接种细胞不加药，48h后弃去原培养基，用PBS洗细胞，重复洗两次。将Hoechst33342、CellROX Oxidative StressReagents及MitoTrackerTMRed CMXRos染料根据说明书用含10％FBS的DMEM稀释至合适浓度的染料混合液，分别加入到实验组和空白组的细胞孔板内(100μL/孔)，37℃、5％CO2培养箱中继续孵育45min后弃染料混合液，用PBS缓冲液清洗细胞2次，最后每孔加入100μL的PBS缓冲液上机检测。
采用Gen5软件采集并分析图像：
选择20倍物镜，采集条件如下：第一通道波长为350/461nm检测Hoechst33342标记的细胞核并记录细胞数目、细胞核内DNA含量；第二道波长为485/520nm检测Green Reagents标记的ROS；第三通道波长为579/599nm检测MitoTrackerTMRed CMXRos标记的线粒体膜电位(MMP)；
运用Gen5软件分析图像的荧光强度，其中细胞数目为第一通道的荧光数目，细胞核内DNA含量为第一通道的荧光强度，ROS为细胞质和细胞核中第二通道荧光强度，线粒体膜电位(MMP)为细胞质内第三通道的荧光强度。
Hoechst33342可穿过细胞膜，可结合于活细胞，因此用于活细胞标记；
CellROX Oxidative Stress Reagents用来检测活细胞内活性氧ROS；当处于还原态时无荧光或极弱荧光，一旦被氧化后发出强荧光。氧化自由基过度积累导致细胞膜中脂质过氧化使细胞膜的完整性和通透性发生改变、导致细胞中蛋白质多肽链断裂及诱发基因突变导致细胞凋亡；MitoTrackerTMRed CMXRos染料作为一种具有细胞通透性的X-rosamine衍生物能够特异性地标记细胞中具有生物活性的线粒体，检测线粒体膜电位；
ROS可促进线粒体膜通透性转移孔开放，一方面导致线粒体内钙离子浓度升高，打破钙离子稳态，阻断呼吸链传递电子，使ATP生成终止，能量代谢等发生改变导致线粒体功能紊乱，继而引发细胞凋亡；另一方面线粒体膜间隙的细胞色素C释放激活相关caspase蛋白，从而激活下游凋亡途径，导致细胞凋亡。因此，细胞膜完整性和通透性、线粒体膜电位(MMP)和氧化应激损伤等都可以作为高内涵检测受试物肾毒性的指标。
实验以空白组的相应参数为100％，实验组数值表示为相对于溶剂对照的百分数。实验数据以均数±标准差的形式表示，采用SPSS Statistics 21统计软件对各组数据进行统计分析，多组间比较采用单因素方差分析(One-way ANOVA)进行统计处理，以P<0.05表示差异具有统计学意义。
对于本领域的技术人员来说，可以根据以上的技术方案和构思，给出各种相应的改变和变形，而所有的这些改变和变形，都应该包括在本发明权利要求的保护范围之内。

Claims (2)

1.一种中药化学成分肾毒性预测与评价方法，其特征在于，具体过程为：
一、预测
首先收集来自西药不良反应数据库中的药物不良反应信息，所述药物不良反应信息主要包括有肾毒不良反应记录的化合物以及无肾毒不良反应记录的化合物；
另外通过查阅文献，找出文献收集的已知肾毒性的中药成分化合物；
利用Pubchem下载从西药不良反应数据库收集到的有肾毒不良反应记录的化合物、无肾毒不良反应记录的化合物以及通过查阅文献收集的文献收集的已知肾毒性的中药成分化合物的sdf文件，然后建立这些化合物的数学模型训练集，并利用Mold2软件对训练集中的每个化合物进行分子结构描述符计算，得到描述符矩阵数据；
利用得到的描述符，建立最优的中药肾毒性早期预测模型：
1）使用R软件对所有的2D描述符进行筛选：首先剔除在超过总数90%的化合物中计算值都为恒定值的描述符；在此基础上除去两两相关系数高于0.9的两个描述符中的一个, 确保各个描述符之间没有严重的依赖关系；然后对余下的描述符之间存在的多元相关性进行剔除；
2）分子结构描述符筛选步骤：① 利用Bootstrap重采样方法将描述符数据分成训练集和测试集两类；② 基于训练集数据,利用所有的描述符,构建预测模型,并对测试集数据进行预测评价,同时基于预测结果对参与构建预测模型的变量进行评价并排序；③ 选取不同个数的最重要描述符,并基于训练集数据利用随机森林算法构建模型, 利用Leave-10%-out方法交叉验证方法进行比较, 选择最优模型用来对测试集数据进行预测评价；重复步骤①、②、③，统计分析不同个数的最重要描述符所构建模型的预测情况,并决定最优描述符集以及最优的预测模型；
利用最优预测模型对《中华人民共和国药典》记录的有毒中药包含的化学成分进行肾毒性预测，初步预测得到具有肾毒性的化学成分；
二、评价
将HRGEC细胞以8000个/孔的密度接种在96孔黑色透底培养板，于37℃、5% CO2培养到对数期，实施评价时加入利用所述最优预测模型预测得到的具有肾毒性的化学成分处理HRGEC细胞24h构成实验组；另外增加一个空白组，空白组中接种细胞不加药，48 h后弃去原培养基，用PBS洗细胞，重复洗两次；将Hoechst33342、CellROX® Green Reagents及MitoTrackerTMRed CMXRos染料根据说明书用含10% FBS的DMEM稀释至合适浓度的染料混合液，分别加入到实验组和空白组的细胞孔板内37℃、5%CO2培养箱中继续孵育45 min后弃染料混合液，用PBS缓冲液清洗细胞2次，最后每孔加入100 μL的PBS缓冲液上机检测；
采用Gen5软件采集并分析图像：
选择20倍物镜，采集条件如下：第一通道波长为350/461 nm检测Hoechst33342标记的细胞核并记录细胞数目、细胞核内DNA含量；第二道波长为485/520 nm检测CellROX®Green Reagents标记的ROS；第三通道波长为 579/599 nm检测MitoTrackerTMRed CMXRos标记的线粒体膜电位；
运用Gen5软件分析图像的荧光强度，其中细胞数目为第一通道的荧光数目，细胞核内DNA含量为第一通道的荧光强度，ROS为细胞质和细胞核中第二通道荧光强度，线粒体膜电位为细胞质内第三通道的荧光强度；
Hoechst33342可穿过细胞膜，可结合于活细胞，因此用于活细胞标记；
CellROX Oxidative Stress Reagents用来检测活细胞内活性氧ROS；当处于还原态时无荧光或极弱荧光，一旦被氧化后发出强荧光；氧化自由基过度积累导致细胞膜中脂质过氧化使细胞膜的完整性和通透性发生改变、导致细胞中蛋白质多肽链断裂及诱发基因突变导致细胞凋亡；MitoTrackerTMRed CMXRos染料作为一种具有细胞通透性的X-rosamine衍生物能够特异性地标记细胞中具有生物活性的线粒体，检测线粒体膜电位；
ROS可促进线粒体膜通透性转移孔开放，一方面导致线粒体内钙离子浓度升高，打破钙离子稳态，阻断呼吸链传递电子，使ATP 生成终止，能量代谢等发生改变导致线粒体功能紊乱，继而引发细胞凋亡；另一方面线粒体膜间隙的细胞色素C释放激活相关 caspase 蛋白，从而激活下游凋亡途径，导致细胞凋亡；因此，细胞膜完整性和通透性、线粒体膜电位和氧化应激损伤等都可以作为高内涵检测受试物肾毒性的指标；
实验以空白组的相应参数为100%，实验组数值表示为相对于溶剂对照的百分数；实验数据以均数±标准差的形式表示，采用SPSS Statistics 21统计软件对各组数据进行统计分析，多组间比较采用单因素方差分析进行统计处理，以P<0.05表示差异具有统计学意义。
2.根据权利要求1所述的方法，其特征在于，在预测模型的构建中，设定迭代次数为10次。
CN202210029069.1A 2022-01-11 2022-01-11 一种中药化学成分肾毒性预测与评价方法 Active CN114530212B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210029069.1A CN114530212B (zh) 2022-01-11 2022-01-11 一种中药化学成分肾毒性预测与评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210029069.1A CN114530212B (zh) 2022-01-11 2022-01-11 一种中药化学成分肾毒性预测与评价方法

Publications (2)

Publication Number Publication Date
CN114530212A CN114530212A (zh) 2022-05-24
CN114530212B true CN114530212B (zh) 2024-05-31

Family

ID=81620617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210029069.1A Active CN114530212B (zh) 2022-01-11 2022-01-11 一种中药化学成分肾毒性预测与评价方法

Country Status (1)

Country Link
CN (1) CN114530212B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115662538B (zh) * 2022-12-27 2023-03-28 北京晶泰科技有限公司 毒性预测模型的构建方法及预测模型、预测方法及装置
CN116313115B (zh) * 2023-05-10 2023-08-15 浙江大学 基于线粒体动态表型和深度学习的药物作用机制预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005111228A1 (ja) * 2004-05-18 2005-11-24 Mitsubishi Pharma Corporation ミトコンドリアの膜電位を変化させる物質の評価方法
CN101788480A (zh) * 2010-01-29 2010-07-28 浙江大学 基于荧光标记的肝毒性物质筛选和评价方法
CN104346513A (zh) * 2013-08-09 2015-02-11 苏州润新生物科技有限公司 基于推进式决策树的中药成分及化合物肝毒评价系统
CN105928913A (zh) * 2016-04-14 2016-09-07 天津中医药大学 一种基于细胞表型的高内涵多指标肾毒性的检测方法及其应用

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005111228A1 (ja) * 2004-05-18 2005-11-24 Mitsubishi Pharma Corporation ミトコンドリアの膜電位を変化させる物質の評価方法
CN101788480A (zh) * 2010-01-29 2010-07-28 浙江大学 基于荧光标记的肝毒性物质筛选和评价方法
CN104346513A (zh) * 2013-08-09 2015-02-11 苏州润新生物科技有限公司 基于推进式决策树的中药成分及化合物肝毒评价系统
CN105928913A (zh) * 2016-04-14 2016-09-07 天津中医药大学 一种基于细胞表型的高内涵多指标肾毒性的检测方法及其应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
中药肾毒性评价模型与技术的研究进展;蒋霞;何成章;黄银妹;刘华钢;;广西医科大学学报;20170715(07);全文 *

Also Published As

Publication number Publication date
CN114530212A (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
CN114530212B (zh) 一种中药化学成分肾毒性预测与评价方法
US11965871B2 (en) Method and system for intelligent source tracing of organic pollution of water body
Chiang et al. Paper spray ionization mass spectrometry: recent advances and clinical applications
DeHaven et al. Software techniques for enabling high-throughput analysis of metabolomic datasets
CN110349630A (zh) 血液宏基因组测序数据的分析方法、装置及其应用
CN108319813A (zh) 循环肿瘤dna拷贝数变异的检测方法和装置
CN105223290B (zh) 一种测定血红蛋白α与β珠蛋白链比率的方法及应用
US11879880B2 (en) Integrated machines and methods for performing fully-automated biological evaluation and chemical analysis
CN108588210A (zh) 包含生物小分子及基因的肝损伤生物标志物、方法及应用
Tsutsui et al. Identifying single particles in air using a 3D-integrated solid-state pore
CN113899702A (zh) 一种基于量子傅里叶变换的疫苗多光谱快速检测方法
Lao et al. How to establish detection limits for environmental microplastics analysis
Achilles et al. Analysis of living S. cerevisiae cell states—A three color approach
WO2023185067A1 (zh) 用于检测肺结核的血清代谢标志物及其试剂盒
Li et al. Chemo‐Selective Single‐Cell Metabolomics Reveals the Spatiotemporal Behavior of Exogenous Pollutants During Xenopus Laevis Embryogenesis
CN113930526B (zh) 用于鉴别甲基苯丙胺涉毒人群的方法、组合物及其应用
CN116678975A (zh) 一种毛发中精神药物的检测方法及建立监测网络的方法
CN115961034A (zh) 一种基于umi技术的肺癌患者外周血基因突变检测分析方法
CN114255824A (zh) 甄别复杂环境样品中毒性效应化合物并优先级排序的方法
CN111383740B (zh) 一种基于多任务深度神经网络的中药功效预测方法
Folcarelli et al. Multi-set pre-processing of Multicolor flow cytometry Data
CN114486780B (zh) 自然环境水体中有机磷农药含量快速检测方法
Sha et al. HerbMet: Enhancing metabolomics data analysis for accurate identification of Chinese herbal medicines using deep learning
CN116202918B (zh) 大气颗粒物组分混合暴露的关键毒性组分的识别方法及系统
CN116087394B (zh) 一种甘草蜜炙增效活性成分的筛选方法及其应用

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