探討概率神經(jīng)網(wǎng)絡(luò)在中藥有效組分丹紅配伍規(guī)律研究中的應(yīng)用

羅斌，王文瑄，王江，苗琦，朱慧淵*，董炳耀

(1.陜西中醫(yī)藥大學(xué)，陜西 咸陽 712046；2.西安醫(yī)學(xué)院第二附屬醫(yī)院，陜西 西安 710068)

近年來，隨著我國中醫(yī)藥研究的深入發(fā)展，傳統(tǒng)的中醫(yī)復(fù)方配伍研究模式(飲片配伍)具有一定的局限性。如中藥飲片的質(zhì)量標(biāo)準(zhǔn)難控、化學(xué)成分復(fù)雜、作用機(jī)制尚不明確，影響了中醫(yī)方劑配伍規(guī)律研究的發(fā)展進(jìn)程。因此，中藥有效組分配伍的相關(guān)研究成為現(xiàn)今中醫(yī)方劑配伍研究的重點(diǎn)[1]。本文將引入概率神經(jīng)網(wǎng)絡(luò)(PNN)分類模型，以中藥丹參、紅花及其組分配伍為示范，開展中藥有效組分配伍規(guī)律研究，旨在為中醫(yī)方劑配伍基礎(chǔ)研究提供一定的思路和方法。

1 概率神經(jīng)網(wǎng)絡(luò)(PNN)的含義及其應(yīng)用的研究進(jìn)展

概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network，PNN)由貝葉斯決策理論與Parzen窗概率密度估計(jì)方法發(fā)展而來，是一種能夠進(jìn)行信息處理的數(shù)學(xué)模型[2]。該模型類似于大腦神經(jīng)突觸聯(lián)接結(jié)構(gòu)，可用于一個(gè)任意函數(shù)逼近的機(jī)制研究，從輸入的數(shù)據(jù)“學(xué)習(xí)”然后自動將輸入數(shù)據(jù)進(jìn)行相關(guān)分類以及預(yù)測，按照給定的參數(shù)輸出期望指標(biāo)，最終達(dá)到客觀準(zhǔn)確地優(yōu)化篩選和評價(jià)[3-4]。與其他經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型相比，概率神經(jīng)網(wǎng)絡(luò)具有顯著的優(yōu)勢：(1)算法簡單,每個(gè)訓(xùn)練樣本只需要提供1遍，經(jīng)1次訓(xùn)練完成；(2)學(xué)習(xí)速度快，樣本處理方便,PNN由給定的訓(xùn)練樣本構(gòu)成網(wǎng)絡(luò)的模式層，利用簡單線性學(xué)習(xí)算法來解決非線性算法所要解決的復(fù)雜問題,不需要進(jìn)行誤差反向傳播計(jì)算，一定程度上節(jié)省了運(yùn)算時(shí)間；(3)精確度高,PNN能夠達(dá)到實(shí)時(shí)處理數(shù)據(jù)的要求，并顯著減少誤差[5]。

針對概率神經(jīng)網(wǎng)絡(luò)的應(yīng)用，有關(guān)學(xué)者開展了理論及應(yīng)用性相關(guān)研究，分述如下：(1)理論性研究。PNN的理論性研究主要以降低網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜性，模型改進(jìn)和算法學(xué)習(xí)等為主。研究人員利用徑向基神經(jīng)網(wǎng)絡(luò)(RBFNN)模式層神經(jīng)元個(gè)數(shù)少于訓(xùn)練樣本總數(shù)的特點(diǎn)，將RBFNN模式層和輸出層引入PNN的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中，不僅縮短了PNN的運(yùn)行時(shí)間，而且簡化了PNN因訓(xùn)練樣本過多導(dǎo)致的結(jié)構(gòu)復(fù)雜問題[6]。在概率神經(jīng)網(wǎng)絡(luò)和徑向基神經(jīng)網(wǎng)絡(luò)結(jié)合的基礎(chǔ)上，有學(xué)者使用遞歸正交最小二乘法優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)的隱中心矢量，利用微遺傳算法來求解網(wǎng)絡(luò)的最后核函數(shù)控制參數(shù)，進(jìn)行模型改進(jìn)，進(jìn)一步優(yōu)化網(wǎng)絡(luò)的結(jié)構(gòu)[7]。此外，研究人員分別采用概率神經(jīng)網(wǎng)絡(luò)(PNN)、支持向量機(jī)(SVM)和Logistics判別模型3種機(jī)器學(xué)習(xí)算法，對石林地區(qū)逐3 h時(shí)間間隔降水量的8個(gè)等級進(jìn)行回歸建模。結(jié)果表明，PNN在石林地區(qū)降水預(yù)報(bào)準(zhǔn)確率方面具有顯著的優(yōu)勢[8]。(2)應(yīng)用性研究。PNN的應(yīng)用性研究主要在模式識別、故障診斷和組合優(yōu)化等領(lǐng)域。研究人員將PNN應(yīng)用在雷達(dá)信號調(diào)制類型識別中，結(jié)果表明，PNN算法對多種雷達(dá)調(diào)制類型信號有較高的識別精度，能顯著提高其識別效率[9]。此外，PNN在尾氣分析發(fā)動機(jī)故障中具有較高的診斷效率和正確率，并且其診斷的正確率隨著樣本容量的增大而提高[2]。研究發(fā)現(xiàn)，流程工業(yè)中靜態(tài)PID參數(shù)不能跟隨被控裝置的動態(tài)過程在線優(yōu)化，研究人員利用BP神經(jīng)網(wǎng)絡(luò)對PID參數(shù)循環(huán)計(jì)算最優(yōu)解，并通過PNN對最優(yōu)解進(jìn)行貝葉斯決策，從而產(chǎn)生最佳組合的PID參數(shù)，使被控裝置在設(shè)定工況下穩(wěn)定運(yùn)行[10]。綜上所述，PNN已經(jīng)被廣泛應(yīng)用到各個(gè)領(lǐng)域，并取得了一定的成果。然而，將PNN應(yīng)用于中藥有效組分配伍規(guī)律研究鮮有報(bào)道。

2 中藥有效組分配伍的含義及其相關(guān)研究進(jìn)展

中藥有效組分是指中藥復(fù)方中具有相似化學(xué)性質(zhì)或化學(xué)結(jié)構(gòu)，并對疾病具有類似治療作用的有效成分群[11-12]。它是基于中醫(yī)方劑配伍理論，從有效方劑出發(fā)，針對有限適應(yīng)證(證候類型)，通過多組分、多靶點(diǎn)、以整合調(diào)節(jié)為基本作用方式、并將辨病辨證相結(jié)合的中藥應(yīng)用新形式[13]。中藥有效組分配伍，是一種以中醫(yī)學(xué)理論為指導(dǎo)，在明確方劑藥效物質(zhì)和作用機(jī)理的基礎(chǔ)上，提取中藥的有效組分，通過對有效組分的配伍關(guān)系、劑量進(jìn)行研究，形成優(yōu)于單味藥或原方的有效活性成分的組分配方[14-15]。

目前，人們已經(jīng)從多種中藥中提取分離了單體和有效組分，并進(jìn)行了相關(guān)藥理學(xué)研究。其中，丹參-紅花配伍是經(jīng)典的活血化瘀藥對，亦是有效組分配伍的典范，其藥理作用及臨床療效均十分顯著[16-17]。研究發(fā)現(xiàn)，丹參-紅花配伍比例為3∶1、2∶1時(shí)，可降低心肌缺血大鼠CYP1A2、CYP2E1和CYP3A2 mRNA表達(dá)，抑制酶的活性，最終減慢特異性代謝藥物的代謝周期，并且在配伍比例為3∶1時(shí)，抑制作用最強(qiáng)[18]。現(xiàn)代藥理學(xué)研究證實(shí)，丹參、紅花及其主要組分(丹參酮、丹參素、丹酚酸和羥基紅花黃色素)的作用機(jī)制主要是抗炎、抗栓、抑制細(xì)胞凋亡、改善微循環(huán)、抑制氧化應(yīng)激等[19-20]。研究表明，丹參、紅花的水溶性成分能夠減輕腦缺血再灌注損傷大鼠神經(jīng)功能的缺損癥狀，促進(jìn)神經(jīng)功能的恢復(fù)，減輕腦組織梗死程度；顯著提高腦組織中SOD活性，降低MDA含量，降低炎癥因子(IL-1β、IL-6和TNF-α等)水平，并且丹參與紅花水溶性成分組合配伍后的療效優(yōu)于丹參或紅花水溶性成分單獨(dú)使用[21]。此外，丹參和紅花配伍(比例為3∶1)制成的復(fù)方制劑——丹紅注射液，已經(jīng)被廣泛地應(yīng)用于心腦血管疾病的預(yù)防和治療[22]。丹紅注射液能有效調(diào)節(jié)血脂水平，對高脂血癥大鼠的腦缺血再灌注損傷具有明顯的緩解作用，其機(jī)制可能與抑制NLRP3炎性小體形成，降低caspase-1、IL-1β和IL-18等炎癥相關(guān)因子的表達(dá)有關(guān)[23]。研究表明，丹紅注射液能夠顯著改善臨床患者的心肌缺血狀態(tài)、修復(fù)血管內(nèi)皮損傷、穩(wěn)定動脈粥樣硬化斑塊、減小腦梗死面積、抗血小板聚集、改善腦血流等[24-25]。然而，以往針對丹參紅花的研究多以飲片配伍或中藥單一成分模式為主，定量評價(jià)丹參紅花組分配伍拮抗或協(xié)同效應(yīng)較少[26]。那么,如何從丹參紅花有效組分配伍中篩選最佳配伍組，并尋找最佳配伍組的劑量，成為丹參紅花有效組分配伍研究的關(guān)鍵。

3 概率神經(jīng)網(wǎng)絡(luò)(PNN)在丹參紅花組分配伍規(guī)律研究中的應(yīng)用

概率神經(jīng)網(wǎng)絡(luò)(PNN)屬于無監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)，具有算法簡單、訓(xùn)練速度快、精確度高等特點(diǎn)。通過Matlab 2019a軟件的PNN網(wǎng)絡(luò)數(shù)據(jù)包編寫程序，將待求的樣本輸入網(wǎng)絡(luò)，保證其在貝葉斯準(zhǔn)則下獲得最優(yōu)解[27]。采用PNN概率神經(jīng)網(wǎng)絡(luò)分類模型開展中藥有效組分配伍規(guī)律(以丹參紅花為代表)的研究，極大地節(jié)省了統(tǒng)計(jì)分析時(shí)間，能夠幫助我們獲取準(zhǔn)確、可靠的丹參紅花最佳組分配伍，闡明中藥組分配伍規(guī)律。此外，PNN網(wǎng)絡(luò)具有良好的模式分類和函數(shù)擬合能力，是一個(gè)四層的網(wǎng)絡(luò)，第一層為輸入層，第二層為徑向基層，第三層為隱含層，第四層為輸出層。篩選最佳配伍組的流程包括定義樣本、創(chuàng)建PNN網(wǎng)絡(luò)模型、進(jìn)行網(wǎng)絡(luò)訓(xùn)練、網(wǎng)絡(luò)測試、顯示結(jié)果，見圖1。

圖1 PNN概率神經(jīng)網(wǎng)絡(luò)流程圖

3.1 構(gòu)建概率神經(jīng)網(wǎng)絡(luò)(PNN)分類模型

基于MATLAB軟件，建立概率神經(jīng)網(wǎng)絡(luò)(PNN)分類模型，進(jìn)行數(shù)理統(tǒng)計(jì)分析。用于篩選丹參紅花最佳組分配伍的PNN概率神經(jīng)網(wǎng)絡(luò)模型包含M×N份輸入樣本(每個(gè)組N個(gè)樣本)，每個(gè)樣本有T個(gè)檢測指標(biāo)，分類組別為M組，建立PNN概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，見圖2。

圖2 針對樣本構(gòu)建的PNN概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

第一層輸入神經(jīng)元節(jié)點(diǎn)數(shù)與映射模型有關(guān)，本模型采用檢測配伍效果的T個(gè)因素(檢測指標(biāo))作為特征向量，用X1，X2，X3,……,XT分別表示T個(gè)自變量，形成一個(gè)T維向量：X=[X1，X2，X3,……,XT]。網(wǎng)絡(luò)的第一層輸入層包含T個(gè)神經(jīng)元，與輸入特征向量維數(shù)一致。

第二層徑向基層包含M×N個(gè)神經(jīng)元節(jié)點(diǎn)，丹紅配伍組共有M組，每組有N個(gè)樣本，對應(yīng)M×N個(gè)神經(jīng)元節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)對應(yīng)一個(gè)輸入的訓(xùn)練樣本。

第三層隱含層中用y表示丹紅效應(yīng)作為因變量，影響丹紅效應(yīng)的因素X作為自變量，分別為上述T個(gè)檢測指標(biāo)，丹紅效應(yīng)因變量y與T個(gè)自變量X的函數(shù)關(guān)系為：y=f(X1，X2，X3,……,XT)。隱含層包含M個(gè)神經(jīng)元節(jié)點(diǎn)，對應(yīng)M種分類模式。

第四層輸出層，由于輸出的結(jié)果是最佳丹紅組分配伍組，故第四層輸出層的神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)為1。

3.2 篩選樣本數(shù)據(jù)

3.2.1 PNN網(wǎng)絡(luò)訓(xùn)練

M+3個(gè)組、每組N個(gè)樣本(假手術(shù)組、模型組、M個(gè)丹紅組分配伍組、陽性對照組)的實(shí)驗(yàn)數(shù)據(jù)，設(shè)置M個(gè)丹紅配伍組，其中T個(gè)檢測指標(biāo),指標(biāo)的檢測結(jié)果分別用A、B、C、D、E、F、G、H、I、J、K、L、M、N、O、P、Q……表示，每組N個(gè)樣本，以丹紅組1中樣本1為示例，實(shí)驗(yàn)數(shù)據(jù)編號為{A11、B11、C11、D11、E11、F11、G11、H11、I11、J11、K11、L11、M11、N11、O11、P11、Q11……}，因此總計(jì)M組丹紅配伍組，每組N個(gè)樣本，每個(gè)樣本T個(gè)檢測指標(biāo)，共得到網(wǎng)絡(luò)訓(xùn)練樣本為T×M×N的矩陣，總計(jì)訓(xùn)練數(shù)據(jù)T×M×N個(gè),見表1。

表1 PNN網(wǎng)絡(luò)訓(xùn)練樣本

把該矩陣的M×N組訓(xùn)練實(shí)驗(yàn)數(shù)據(jù)按照丹紅配伍組別，依次輸入PNN 網(wǎng)絡(luò)進(jìn)行訓(xùn)練，進(jìn)行網(wǎng)絡(luò)分類誤差的優(yōu)化，從而提升后面的測試精確度。

3.2.2 PNN網(wǎng)絡(luò)測試

在PNN網(wǎng)絡(luò)測試環(huán)節(jié)，M×N組樣本數(shù)據(jù)按照M組分類篩選，選取樣本為T×M的矩陣，依次輸入PNN網(wǎng)絡(luò)進(jìn)行自動最佳丹紅配伍組別的篩選，見表2。

表2 PNN網(wǎng)絡(luò)測試樣本

3.2.3 顯示篩選結(jié)果

PNN網(wǎng)絡(luò)輸出對應(yīng)的組號，即為丹紅組分配伍最佳劑量組。

4 討論

綜上所述，本文通過構(gòu)建PNN概率神經(jīng)網(wǎng)絡(luò)分類模型，開展中藥有效組分配伍規(guī)律(以中藥丹紅配伍為示范)的相關(guān)研究，有利于更好地獲取準(zhǔn)確、可靠的中藥有效組分配伍組和配伍劑量，為臨床合理用藥提供一定的理論依據(jù)。然而，PNN應(yīng)用于中藥有效組分配伍規(guī)律的研究尚存在一些不足，如：(1)訓(xùn)練樣本數(shù)量較大時(shí)，會造成隱含層神經(jīng)元個(gè)數(shù)增多，導(dǎo)致PNN分類模型網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜化；(2)由于配伍組的藥理、毒理作用機(jī)制尚不明確，PNN優(yōu)化篩選的中藥組分配伍組仍需后續(xù)做進(jìn)一步的完善。因此，我們將引入網(wǎng)絡(luò)藥理學(xué)，結(jié)合基因敲除技術(shù)，探討中藥及其有效組分配伍發(fā)揮作用的潛在信號通路，尋找合適的藥物作用靶點(diǎn)，揭示其作用特征和分子機(jī)制[28-29]，為后續(xù)中醫(yī)方劑配伍規(guī)律研究提供一定的新思路、新方法，為臨床防治相關(guān)疾病提供一定的理論指導(dǎo)。