Das Ziel dieser Studie ist es, ein Modell zur Vorhersage der Kombination von chinesischen Arzneimitteln (HC-GCN) auf der Grundlage eines Graph-Convolutional-Networks (GCN) zu entwickeln. Dieses Modell integriert traditionelle chinesische Arzneimitteleigenschaften und moderne pharmakologische Mechanismen, um die Kombination von Arzneimitteln mit spezifischen Wirkungen vorherzusagen, und wird zur Vorhersage und Wirksamkeitsvalidierung von blutaktivierenden chinesischen Arzneimitteln verwendet. Die Methode sammelt systematisch Daten zu häufig verwendeten chinesischen Arzneimittelkombinationen und deren Merkmalen wie Geschmack, TCM-Eigenschaften, Zielgenen usw., um einen Trainingsdatensatz für die Vorhersage von Arzneimittelkombinationen zu erstellen. Unter Verwendung der traditionellen Merkmale von chinesischen Arzneimitteln und moderner Bioinformatik wird ein Graph-Convolutional-Network aufgebaut. Mithilfe von maschinellem Lernen der komplexen Beziehungen zwischen Arzneimittelkombinationen und der Gewichtung von Wirkungsmerkmalen wird das HC-GCN-Modell zur Vorhersage von Wirkungseffekten der Arzneimittelkombinationen aufgebaut. Die Leistung des HC-GCN-Modells wird anhand von Schlüsselkennzahlen wie Genauigkeit (ACC), Wiedererinnerung (Recall), Präzision, F1-Score und der Fläche unter der ROC-Kurve (AUC) bewertet und mit der Vorhersagewirkung von fünf gängigen maschinellen Lernmodellen (Extreme Gradient Boosting (XGBoost), logistische Regression (LR), Naive Bayes, K-nearest neighbor (KNN), Support Vector Machine (SVM)) verglichen. Anhand von 46 blutaktivierenden Arzneimittelkombinationen und den Merkmalen Geschmack, TCM-Eigenschaften und Zielgene wurde ein Vorhersagemodell erstellt. Das HC-GCN-Modell übertrifft die anderen gängigen maschinellen Lernmodelle in Bezug auf ACC, Recall, Präzision, F1-Score und AUC. Durch die Vorhersageanalyse des HC-GCN-Modells wurden erfolgreich 60 mögliche blutaktivierende chinesische Arzneimittelkombinationen vorhergesagt. In den vorhergesagten Arzneimittelkombinationen enthalten mindestens 1 Wirkstoff 44 der Arzneimittelkombinationen mit blutaktivierenden Eigenschaften. Diese Studie hat ein Modell zur Vorhersage von Arzneimittelkombinationen mit Wirkungseffekten unter Verwendung von graph convolutional networks und der Integration traditioneller chinesischer Arzneimitteleigenschaften und moderner pharmakologischer Mechanismen aufgebaut und zeigt eine hohe Vorhersageleistung, die neue Möglichkeiten für die intelligente Auswahl und Optimierung chinesischer Arzneimittelrezepte und deren klinische Anwendung bietet.

chinesische Arzneimittelkombination; graph convolutional network; blutaktivierende Wirkung; Vorhersagemodell; klinische Entscheidungsfindung