Le but de cette étude est de développer un modèle de prédiction des combinaisons de médicaments à base de plantes chinois (HC-GCN) basé sur les réseaux de convolution graphique (GCN), qui intègre les caractéristiques pharmacologiques traditionnelles des médicaments chinois avec les mécanismes pharmacologiques modernes pour prédire des combinaisons de médicaments spécifiques ayant des effets spécifiques, et a été appliqué et testé sur les médicaments à base de plantes bénéfiques pour la circulation sanguine en tant qu'exemple. Des données sur les caractéristiques pharmacologiques des médicaments chinois couramment utilisés, y compris leurs saveurs, leurs attributions et leurs gènes cibles, ont été collectées pour construire un ensemble de données d'entraînement de prédiction de combinaisons de médicaments. En combinant les caractéristiques traditionnelles des médicaments chinois avec les informations biologiques modernes, un réseau de convolution graphique a été construit en utilisant des méthodes d'apprentissage automatique et des méthodes pondérées pour évaluer l'efficacité, et pour construire le modèle de prédiction des combinaisons de médicaments HC-GCN. La performance du modèle HC-GCN a été évaluée à l'aide des mesures de précision (ACC), de rappel (Recall), de précision (Precision), du score F1 et de la zone sous la courbe ROC (AUC), et une comparaison et une analyse des résultats de prédiction de ce modèle ont été effectuées avec les résultats de cinq modèles d'apprentissage automatique différents, notamment le gradient extrême (XGBoost), la régression logistique (LR), le classificateur bayésien naïf (Naive Bayes), le k-plus proche voisin (KNN) et les machines à vecteurs de support (SVM). Un modèle de prédiction a été construit en utilisant 46 combinaisons de médicaments à base de plantes bénéfiques pour la circulation sanguine dans l'ensemble de données de base des caractéristiques pharmacologiques, et le modèle HC-GCN a montré d'excellentes performances dans les mesures clés telles que ACC, Recall, Precision, F1-score et AUC. Une analyse de la prédiction du modèle HC-GCN a permis de prédire avec succès 60 combinaisons de médicaments à base de plantes chinois possibles bénéfiques pour la circulation sanguine. Dans les combinaisons de médicaments prédites, 44% ont au moins une saveur bénéfique pour la circulation sanguine. Cette étude a montré qu'il est possible de construire un modèle de prédiction des combinaisons de médicaments à base de plantes chinois HC-GCN basé sur les réseaux de convolution graphique et l'efficacité basés sur l'apprentissage automatique, offrant ainsi une nouvelle méthode de sélection et d'optimisation intelligente des combinaisons de médicaments à base de plantes chinois et de leur utilisation en pratique clinique.

Combinaison de médicaments chinois; réseaux de convolution graphique; efficacité de la circulation sanguine; modèle de prédiction; décision clinique