Цель этого исследования состоит в построении модели прогнозирования сочетаний китайских травяных лекарств (HC-GCN) на основе графовых сверточных сетей (GCN), которая объединяет традиционные фармакологические свойства китайских лекарств с современными механизмами фармакологии для прогнозирования сочетаний лекарств, обладающих конкретными эффектами, и была применена и проверена на примере травяных лекарств, которые благоприятно влияют на кровообращение. Были собраны данные о фармакологических свойствах часто используемых китайских лекарств и их вкусовых, происхождения и генетических характеристиках, основанные на методах построения наборов данных для обучения прогнозирования сочетаний лекарств. Совмещая традиционные свойства китайских лекарств с современной биологической информацией, построена графовая сверточная сеть на основе методов машинного обучения и взвешенных методов оценки эффективности, для построения модели прогнозирования сочетаний китайских лекарств HC-GCN. Было оценено качество модели HC-GCN с помощью показателей точности (ACC), полноты (Recall), точности (Precision), показателя F1-score и площади под кривой ROC (AUC), и были проведены сравнительный анализ результатов прогнозирования этой модели с результатами пяти различных моделей машинного обучения, включая экстремальный градиентный бустинг (XGBoost), логистическую регрессию (LR), наивный байесовский классификатор (Naive Bayes), метод k-ближайших соседей (KNN) и опорные векторные машины (SVM). Модель прогнозирования была построена на основе 46 сочетаний травяных лекарств, благоприятно влияющих на кровообращение в базовом наборе фармакологических свойств, и показала отличные показатели производительности в ключевых показателях, таких как ACC, Recall, Precision, F1-score и AUC. Анализ прогнозирования модели HC-GCN позволил успешно прогнозировать 60 возможных сочетаний китайских травяных лекарств, благоприятно влияющих на кровообращение. В прогнозируемых сочетаниях лекарств 44 обладают как минимум одним вкусовым свойством, благоприятным для кровообращения. Данное исследование продемонстрировало, что на основе графовых сверточных сетей можно создать модель прогнозирования сочетаний китайских травяных лекарств HC-GCN на основе машинного обучения, основанную на эффективности, что предоставляет возможность выбора и оптимизации китайских травяных лекарств и их использования в клинической практике.

Сочетание китайских лекарств; графовые сверточные сети; эффективность кровообращения; прогнозирующая модель; клиническое решение