文摘

研究药物的关系可以提供更深层次的信息生物医学数据库的建设和维护,并提供更多的疾病治疗和药物开发的重要参考。研究模式已从之前的关注某一药物的系统分析制药药物之间形成网络。网络模型适用于制药的非线性关系的研究通过建模数据学习的关系。关联规则挖掘是用于查找潜在的各种大量数据之间的相关性。因此,网络模型的基础上,本研究提出了一个算法改进的关联规则下的药物相互作用,实现了准确的分析和决策的药物的关系。与此同时,本研究建立了关联规则算法应用于讨论中国医学和精神疾病医学之间的关系并进行了算法研究与仿真分析的关联关系。结果显示,基于网络模型构造的关联规则算法比其他关联算法。在提高可靠性和优越性在决策过程中药物之间的关系。它还促进了药物的合理使用和在医药研究起到了引导的作用。这为科研人员提供了研究基础和研究思想疾病诊断。

1。介绍

与连续增长类型的药物在药物治疗和药物新品种的出现,结合药物被广泛使用,药物之间的相互作用也吸引了越来越多的关注。目前,在静脉注射或口服和手术药物,几乎没有情况下只使用一个单一类型的药物在治疗病人。结合药物治疗是提高药物的治疗效果,同时减少药物不良反应和剂量(1]。然而,由于目前使用的越来越多的组合药物,不良反应药物之间的频率也在不断上升。药物相互作用在联合政府是一个非常重要的因素导致药物不良反应。因此,研究药物的相互作用和药物的关系具有重要的指导和实践意义。

数据挖掘与传统的数据处理方法不同。它可以在线性和非线性的方式分析数据,也可以将高维的知识。尤其擅长处理模糊和nonquantified数据。其优点是,它可以反映之间的相互映射关系多维数据通过数据挖掘方法如聚类、分类、歧视和协会。这是符合多层次医疗记录相关因素的特点,符合要求的药物剂量和剂量的研究,可以分析和处理药物剂量和兼容性数据的前提下保留医学理论的逻辑,所以它可以作为一种有效的方法为研究病历数据信息。其可行性和适用性在医学领域已被许多研究人员。特别是在药物双的量效关系的研究,模糊关联规则和聚类分析是非常符合处方的特点,和知识挖掘有很高的准确率。

基于模式识别的三个功能,预测和模拟,并以其独特的模拟,学习,和分类功能,网络模型已经被广泛应用于药物分析和测试,智能药物设计、药物控释系统研究,中药功效分类。数据挖掘中的关联规则算法是发现有趣的大量数据中项集之间的相关性。关联规则算法的前提是假定每个项目集中在数据库中有相同的重要性。实际应用的药物疗效、药物分析、药物制剂,不同的数据对这些方面有不同程度的影响,有时,他们不能提供所需的先验知识。这就要求网络能够学习本身(2]。较常见的聚类方法的药房法律因素分析和复杂系统熵聚类等,药物聚类的过程(即发现集群社区)利用关联规则算法基于药物关系的复杂网络模型可以使相同的药物出现在多个聚类结果从不同的角度提供数据结果。复杂网络算法基于网络模型描述了通过网络系统结构的角度,重点是探索系统的内部机制和内涵,更有助于发现药房的复杂性和杜甫(3]。

药物开发和评价的关键一步是发现潜在的副作用的药物在临床试验中。然而,大规模的临床试验是昂贵,技术复杂,和测试的人口规模是有限的,和一些微小的或罕见的副作用是不容易被发现。许多副作用才发现市场上的药物是多年以后,这是一个病人和药物开发者的主要损失。因此,分析和预测药物的副作用通过生物信息学方法已经引起了学术界的注意。

早期药物关系决策主要是限于确定模型和方法,和药物疗效和药物动力学之间的关系是随机的。信息分析方法使用关联规则可以提高药物相互作用的效率,吸毒,和药物开发4]。然而,传统的关联规则方法的缺陷是低效率和大错误处理庞大的数据信息在当前大规模药物开发过程。

因此,基于网络模型的结合,本研究提出了一个算法的基础药物相互作用的主动改进的关联规则来实现准确的分析和决策的药物相互作用,药物研发,药物使用信息。同时,本研究也进行了研究和仿真分析中医药治疗药物之间关系的关联规则算法和化学药品。数据挖掘中关联规则的应用分析药物的相互作用促进药物的合理使用,从而起到一定的指导作用,药品研究和合理使用药物。这也扮演了一定的角色在揭示复杂的药物制剂研究、药物分析和药理机制,促进疾病的治疗和预防。

2。建模关联规则算法的网络模型下药物的关系

在当前网络模型的实际应用,其中大部分是使用基于误差反向传播算法的BP网络。在制剂的研究,很难把握和准确地模拟它们之间的复杂关系使用传统方法,而网络模型非常适合处理这种复杂的多元非线性关系。赵等人准备蒜素壳聚糖微球通过乳化交联法和优化微球的制备过程使用一个网络模型。因此,制备微球大小合适,球形的形状,而且分散,从而满足肺靶向微球的要求(5]。在药物分析和测试中,由于多个组件和组件之间的相互干扰,定量分析比较困难。在某种程度上,网络模型可以同时或分别定量确定组件,具有一定的参考价值确定药物的内容重叠的吸收光谱。帕等人这种方法适用于多组分nonseparated测定酮前体的研究内容重叠的紫外吸收光谱,用准确的结果和良好的性能6];在智能药物设计中,Xiaorui胡锦涛等人使用8-6-1 BP神经网络和C语言编写程序,选择药物与已知的结构活性关系进行训练和预测。结果表明,与培训模式的增加,网络的智能模型逐渐增强,和网络模型可以用于智能药物设计(7]。关联规则是数据挖掘的主要方法,以及关联规则的数据挖掘问题的核心是发现最大的一组项目。如今,有许多串行算法寻找最大项目集。通常的串行算法首先生成候选项集,然后计算他们生成最大项目集的支持。通过这种方式,生成所需的时间和空间开销最大项目集通常是非常大的,和大规模的数据库通常非常大(GB甚至TB) (8]。并行数据挖掘可以明显提高效率。因此,数据挖掘已经成为一个重要的研究方向。

这部分是基于关联规则算法和自组织竞争网络模型,建模和改善药物的关联规则算法的关系,为了获得一个更好的应对药物之间的关系关联规则,进一步为药物研究提供服务和合理用药。

2.1。关联规则算法的原型

关联规则算法用于布尔关联规则挖掘大数据。它的原则是一项集 ,这是由米布尔属性数据。有一个数据库组成的n交易,也就是说, ,使用一组二进制向量来表示f。让一个是的一个子集l,让 ,那么这个布尔关联规则表示为 。然后 ,和 。锤头代表的支持布尔关联规则 ,其中包括之间的交易总数的比例一个和B和交易的数量9]:

其中, 事务支持的数量吗A∩;事务的总数量n。续代表的信心布尔关联规则 ,其中包括交易的数量的比例一个和B交易的数量一个:

树投影算法、FP-growth算法和先验的算法都是典型的布尔关联规则挖掘算法。FP-growth树算法和投影算法不产生候选集,只有先天算法候选集的方法生成和测试(10]。本文使用先验的挖掘算法的算法,提高了原有算法。

2.2。药物相互作用网络的优化模型

先验的算法也被称为一个多级算法。每一层都取决于上一层的结果,但是每一层的数据量将低于前一层。合并的结果,它是由每一层的结果,也就是说,随着层的加深,逐步扩大,每一层后再不会搜索搜索,因此这类算法也是一个广泛的搜索算法。提出了先验的算法可以进行规则挖掘0和1的数据。

基于网络的计算方法可以分析整个异构网络(如drug-disease-gene网络)通过将文献中的有用信息分解为小子网模型。这种模式称为网络主题(NMs)。NMs是统计学意义重复的结构模式,最小单位的基本功能和保守的进化在制药研究网络,也是一个重要的子网模式。它代表的骨干网络和节点的一个重要组成部分(如基因和药物),而这些NMs模块也可以形成一个大总结和利用协会成立于重叠NMs实现特定功能和内隐联想。可视化这些复杂网络模型,定义表达式之间的相似性的基础上评价的相关性,从而形成一个网络数据分析范式,这有利于分析复杂系统和高维数据的网络节点之间的交互。自组织神经网络中,神经元附近的“赢”神经元均有不同程度的兴奋,而区域外的神经元抑制。网络的学习过程是一个过程的自适应和自组织网络的连接权根据训练样本(11]。一定数量的训练后,网络可以类似的输入样本映射到输出节点在拓扑意义上相似。

如图1自组织竞争网络分为输入层和输出层。输入层组成N神经元,输出层组成米神经元。连接网络的重量 ,和 。神经元的状态j在输出层是由以下方程:

其中,是i输入样本向量的元素,神经元f最大的重量在竞争层赢得竞争,和输出如下:

竞争是修改后的重量根据方程(5)。对所有我,有

其中,一个是学习参数,一般0.01 ~ 0.03。米是神经元的数量,它的输出是1在输入层。当= 1,体重也在不断增加。当= 0,重量减少12]。

药物关系的提取是一个multiclassification任务不区分方向实体之间的关系(13]。在这方面,上述网络模型的基础上,本研究提出了一种药物的关系网络提取模型,集成了依赖信息的注意机制,它使用注意力机制融合原句信息和最短路径SDP信息的依赖。这种方法可以测量每个部分的重要性,原句的实体从句法结构的角度之间的关系。该模型结构如图2。(1)输入层:模型是一个多输入模型和最短路径依赖SDP信息代表了两个实体之间的依赖关系。它可以包含的主要信息表达的句子而丢弃多余的噪声信息。(2)嵌入层:输入句子转换成相应的词向量序列通过查询词向量训练表。为了获得语言的句法和语义信息,输入序列中的词需要转化成词向量。原句的词向量输入表示序列 的向量表示这个词吗我th单词句子,n句子的长度,d是这个词向量维度。最短的词向量SDP序列表示为依赖路径 ,的向量是哪一个jth词的最短路径米SDP序列的长度。最后,这个句子向量表示一个和最短路径依赖词向量表示B作为模型的输入编码层。(3)编码层:使用两个独立的Bi-GRUs学习抽象的原句的语义表示和SDP序列,分别。递归神经网络(RNN)是一种常用的网络模型进行自然语言处理,在处理时间序列和独特优势语言文本序列问题。为了获得序列的上下文信息,本研究使用双向格勒乌(Bi-GRU)获得抽象的语义表示。如方程所示(6),最后一个隐层的表示米_t(x)的每个句子连接获得的正向和反向的输出网络: 在这项研究中,原句输入序列X和SDP输入序列年代被用来学习他们的语义信息和上下文信息通过两个独立的Bi-GRU模型,见以下方程: Bi-GRU输出序列的原句 。SDP的Bi-GRU输出序列 ,在哪里l在Bi-GRU隐层单元的数量。(4)注意层:计算原句子之间的相似度矩阵和SDP,保险丝SDP信息关注体重,并添加原句的重量最后一句表示。本研究提出了一种融合机制的相关信息(14]。图3显示了信息融合的过程。其中,每一个单位P_森和γ代表一个向量,其他单位代表一个值。使用获得注意体重和原句进行加权求和,见方程(8),这句话一直与SDP融合信息表示为 : (5)输出层:使用注意的输出层,即句子表示融合SDP信息分类预测。模型的输出层发送输出γ注意层作为最终分类特征为分类完全连接层。的概率T(y=c),候选药物之间的关系y属于类型 所示如下方程:

其中,W和b分别权重矩阵和偏见。完全连接层的激活函数是softmax,和c是一家集DDI类型标签,c={否定,防治效果、mechhanism adview, int}。最后,下列方程是用来计算概率最高的类别标签,这是一对候选药物之间的关系类型(15]:

2.3。关联规则算法基于网络模型的药物的关系

由于大量的专业词汇在生物医学和制药文学,如果文本(如抽象)开采,数据首先必须清洁。同现的方法可以确定两个药物的概念之间的关系。如果他们出现在同一篇文章中,他们可以被认为是相关的。目前,最重要的算法找到两个人之间的隐式关系基于同现是ABC理论。的基本思想如下:假设一个和C有关B,可能有关系一个和C,甚至这种关系可能不会被发现。确认和量化的过程之间的联系药物词汇隐藏在巨大的生物医学和制药文学通过假设药物协会的词汇一个和C被称为“封闭探索()”过程;在这个过程中,如果有相关性一个和C,然后一个共享的药物的概念B在文献中发现支持这一假说。这个过程称为“开放探索()”的过程(见图4)(16]。

2.3.1。改进的关联规则

根据上面提到的关联规则算法的“原型”,当测量生物实体的协会,因为支持和信心是不够的,过滤掉无用的关联规则,相关测量可以用来扩大关联规则框架,见以下方程:

我们使用电梯的相关程度的相关性。电梯定义如下:如果问(∪B)=问P (A) (B),那么项目集的出现一个独立的项目集的外观吗B;否则,项目集的事件一个和B是相互依存和联系。根据定义,电梯可以评估预测模型是否有效,反映的重要性设置{一个},{B}。如果该值为0,这意味着{之间没有相关性一个},{B};如果该值是正数,{的概率B}增加;如果该值是负的,{的概率B}减少:

如果该值为1,这意味着一个和B是独立的,没有连接;如果该值小于1,这意味着一个和B是负相关的,外观的一个可能导致的缺席B;如果该值大于1,一个和B呈正相关,这意味着每一个发生的一个暗示的发生B值越大,发生的概率就越大。的外观一个“促进”出现的程度B。人们普遍认为,提升的价值越高,越有价值的关联规则(17]。在这项研究中,考虑到实体可能偶尔提到或文献相比,不是研究内容,生活阈值被设置为3,所以获得的结果可能会更有意义。

2.3.2。阈值设置

使用毒品网络相关数据库(如DrugBank、TDD和KEGG药物)来过滤”词汇项目集“这已经标准化。设定阈值时,应该考虑的“设置”一词可能只是偶尔提到的文献还是比较介绍,没有具体的研究。因此,在实际应用中,阈值Support_count可以设置为大于或等于3;使用数据库执行全文搜索下载并清理有关文件,并设置药品Support_count阈值大于或等于3。

2.3.3。网络模型的算法

基于上述理论,可以构造药物实体的网络模型。其拓扑结构包含不同的子网模式,相同类型的网络特殊处理任务。在相关的网络,所有连接的子网节点组织成一个一致的模式和使用模式的频率的计算方法。总之,本文算法构造一个毒品网络框架如下:首先,考虑到最小支持度阈值,计算所有项集大于或等于支持(本文主要指的是“设置”一词过滤后文档),并获得单一的项目集项;然后,基于相关指标,项目之间的相关性项计算,不符合最低的项目电梯阈值过滤掉;最后,根据第二步和ABC理论生成新的项目集和关联,过滤掉那些不满足最低电梯价值,获得网络模型的数据集(18]。

2.3.4。网络拓扑和社区药物作用的分析

药物作用网络可以直接从SIDER2编译数据库。这种药物行动网络显然是一个二进制图像,也就是说,它的节点可以分为两个部分,药物和行动,每条边从一个部分的一个节点一个节点的另一部分。

灵感来自于理论,一个二进制网络可以被映射到一个单变量无向图,我们进一步改进网络构建一个药物副作用。如果两个副作用常常相伴发生,那么他们很可能有某种内在联系。我们忽略这个连接的内在的分子生物学机制,只有收集这些连接成一个网络。

最基本的想法是计算两个副作用发生的次数作为联系两个副作用的程度。这种方法是很自然的。但显然是一个问题,那就是,这些常见的副作用更相关,而罕见的副作用不太相关。一方面,这是不符合实际情况。另一方面,它不是我们有意忽略罕见的副作用。

2.4。分析系统的设计开发的药物相互作用挖掘关联规则

药物中心医疗机构分配环境设计符合国际标准的要求和特点的药物和严格训练的药学技术人员进行集中科学合理使用一些药物按照操作程序。它的合理使用药物和临床治疗(19]。因此,将数据挖掘中的关联规则算法应用于药物相互作用具有非常重要的现实和指导意义。通过前面的算法的改进、药物相互作用的关联规则的数据挖掘流程图如图5。

2.5。R语言实现和ROC曲线

本研究利用R语言,一个开源的数据分析系统,为主要研究工具。它有非常强大的为特定的统计分析和图形绘制功能问题,适用于数据清理、统计分析和网络模型可视化操作在这个研究。ROC曲线的同时,目前广泛应用于医学诊断的性能实验的评价,也适用于诊断判别模型的效果(20.),因此本研究使用ROC曲线来判断算法的性能。

3所示。模拟药物关系的关联规则算法的网络模型

3.1。建立一个实验环境

本研究使用1 - 8电脑口水和1惠普服务器的主人。整个网络由一个以太网交换机连接,和电脑都是独立的,除了网络连接。的编程语言使用Visual c++ 2017,和数据库使用SQL Server 2018。MPI消息传递库标准。MPI是一个基于消息传递库,它定义了命名方法,调用序列,可以调用库函数C / c++程序。MPI程序设计的主从方式采用当地和全球的观点(21]。的特点,计算过程可以描述如下:(1)数据业务:主过程广播数据仓库的数据表奴隶的过程通过随机抽样和分裂奴隶过程分为记录事件根据更新时间的差异(2)每个奴隶的过程我独立计算当地的大项目集X与支持程度的一口sublocal大型项目集Y之间的支持程度锤头/ n~锤头在本地数据(3)奴隶流程使用MPI发送交换计算当地大型项目集X与其他进程,每个进程都有X(4)每个流程交流计数X与其他进程,sublocal大型项目集Y直接用于交换,从而避免另一个扫描数据库,最后得到一个全球数无处不在(5)主收集各种频繁集的过程MPI Recv从奴隶的过程口水并检查是否达到最低的支持,和最后的大项目集年代获得

3.2。算法的性能分析

在这项研究中,通过改善网络模型和关联规则,加速比 和效率 介绍了分析该算法的性能。其中,问是词的数量节点,K_p的时间是k频繁集和k +1每个单词时生成候选集节点执行的算法研究,K_米是时候为每个节点发送和接收频繁集的k项目(22]。表1显示统计信息的主要过程。

从表可以看出1词节点数量的增加,算法的加速比的增加,和总执行时间减少,但效率降低。因此,改进后的算法具有一定程度的可伸缩性和可以提高计算效率。

3.3。比较基于网络模型的关联规则算法与其他算法

为了验证本研究的比较算法和其他算法,以反映其性能优势,我们使用一个随机抽样方法,使用8计算机工作站,并生成测试数据库8日电脑,每个包含6000条记录信息。结果如图所示6。

根据测试结果,基于网络模型的关联规则算法在这项研究是有效的。在相同程度的支持,数据库扫描的数量和执行时间减少;这是优于其他算法的计算方法和同步时间。和支持的减少,关联规则算法的性能优势更加明显。

4所示。仿真分析药物关系的关联规则算法在网络模型

4.1。法律的算法和模拟使用中医和中药之间的关系网络模型

数据挖掘是一个分析和处理中药信息的有力工具。它可以分析和庞大的数据实现有效信息的合理使用。特别是,处方中的研究和应用兼容性法律也是一个热点问题中医药数据挖掘(23]。数据挖掘可以提供一个可靠的方法科学、合理、高效的兼容性分析法律中包含目标处方数据从多个角度和水平,如处方药品的频率组合,结果提供重要指导临床用药和新药开发(24]。

这部分使用“中药检索系统”,“中国知识网络”和“Yaozhi数据”三个数据库收集药方治疗脾虚,排除处方只包含单一的医学,186收集有效的处方。使用关联规则算法在上面构建的网络模型,进行关联规则挖掘分析186年处方治疗脾虚证的(25]。处方的药物处理的名称依照中华人民共和国药典》(2020年版),然后模拟和分析Matlab(26,27]。

以下4.4.1。频率分析处方药物的图书馆

的频率统计共有359个中药186年处方进行。有151个中药≥3次的频率。一些药物的名字如表所示2。

挖掘结果的频率使用的药物处方中显示,医生在历代治疗脾虚,最常用的药物是云苓、地黄、山药、杜仲、乌头,等。云苓和山药在本质上是平静的和甜的,也可以补充阴阳和振兴气和本质。子午线表明他们可以作用于肺,脾,肾。因此,这两种中药可以结合其他药物来治疗各种类型的脾虚。

4.1.2。分析自然、风味和子午线的药物处方图书馆

六十七(频率≥5)中药处方的最高频率选择图书馆,中药的类型计算根据它们的属性,五香味,和经络的分布,分别计算和频率和比例。结果如图所示7。根据药用价值的内容的第一部分的中华人民共和国药典(2020年版)的经络分布属性和每个总结了中药的味道。

分析的结果的性质和风味的高频药物处方库显示药物治疗脾虚证的性质主要是“温暖”,“萍”,和“冷”;药用味道主要是“甜蜜的”和“辛辣”;主要的经络是“肾”和“脾”。根据药物组合和有效性之间的关系,根据药物回报的特点,得出结论,大部分的治疗脾虚证的药物直接作用于脾脏或脾脏和肾脏;根据药物的性质和风味的特点,得出最处方治疗脾虚使用医学来滋养肾脏和使用“辛辣”“甜”医学来滋养气和肾脏中获益。

4.1.3。关联规则算法的仿真

本研究使用关联规则算法基于网络模型构造如上所述,设置支持度≥0.1和信心度≥0.5和处方数据库关联规则的分析治疗脾虚证的(28- - - - - -30.]。挖掘的结果如图所示8(一个)。与此同时,Matlab软件是用于可视化药物的强关联规则,如图8 (b)。

结果在图8表明,云苓处方的核心库治疗脾虚。尽管云苓没有补肾益肾的作用,它可以结合许多药物(如:山药、地黄、山茱萸、五味子、牛膝、人参)构成的核心医学脾加强。云苓和山药可以加强脾和胃,滋养脾胃,振兴肾脏,并利用精华,特别适合缺乏患者脾脏和肾脏。云苓和山茱萸的兼容性已经变暖和补充肝脏和肾脏的影响,腑病,和固化,适用于治疗患者肾精不足、肾阳。本研究使用相关规范算法,充分挖掘传统中医文化的宝库,系统和深入研究古代的处方医生将为临床治疗有非常重要的指导意义。探索中药处方医生用来治疗脾虚在医学书籍,总结规则的处方,可以提供一个参考临床治疗脾虚。

4.2。关联规则算法和仿真网络模型下的精神疾病药物的关系

这部分需要药物治疗精神分裂症的一个例子。首先,与精神分裂症相关的生物医学文献从PubMed数据库,获得医学之间的相关性和医学治疗精神分裂症是通过数据清洗。ABC理论和关联规则是用来量化之间是否有一个协会精神分裂症药物和协会的程度,然后意识到网络的可视化模型,最后,分析了网络节点协会和模型结构,和ROC曲线用于验证算法的可靠性。

4.2.1。准备治疗精神分裂症药物之间的关系

关联规则算法,基于上述的网络模式电梯计算价值的精神分裂症的基因。为了更好地分析相关性高的药物,我们设置的门槛提升价值154和85年获得药物和高之间的相关性和生成一个精神分裂症药物网络模型(图9)。重复数据删除后,共有109 schizophrenia-related药物并得到他们的支持值。见表3在一些相关药物的信息。

在药物协会网络图9,大多数的节点有一个小的程度,很大程度上和几个节点。这符合幂律分布,属于无标度网络。这种网络的特点是其鲁棒性随机故障和针对性的蓄意攻击的漏洞。在生物医学领域,该特性说明了关键节点的重要性。在关键节点舒必利,tiapride等等。这些关键节点研究热点在精神分裂症药物研究,可能与其他药物相互作用。在图921药物的孤立的节点(氟奋乃静等)已被删除,留下88种药品。它可以发现,这两种药物,阿司匹林、双氯芬酸是最特别的,只有一个相关性,与其它药物无相关性,相关性是最高的。

4.2.2。ROC曲线评价

这部分之间的相关性结果验证所有上述药物治疗精神分裂症和使用ROC曲线来判断算法的性能在SPSS(图22的环境10)。可以获得,ROC曲线下的面积是0.895,相关精度比较高,相应的标准误差是0.049, ,95%置信区间是(0.730,0.996)。

从结果可以看出ROC曲线的管理规则算法基于网络模型构建的研究比其他生物实体关联提取算法。这为研究人员提供了研究基础和研究思想未来schizophrenia-related诊断和治疗疾病候选基因筛查,靶向药物,药物重新定位,个性化医疗。同样,该算法模型还可以用于分析其他临床疾病。

5。结论

大规模的生物医学文献中,有大量的生物实体之间的关联。这些异构数据的系统分析生物学家带来了前所未有的机遇,使他们能够推断出的程度不同的生物实体之间的联系的个性化医学和转化医学。然而,这些联系是非常复杂的和稀疏,直接查询的计算量是非常具有挑战性的。网络模型的建设拓宽了研究人员的思想重新定位药物。从传统的一种疾病对应于一个目标,它已经开发出从整体的角度来看,存在疾病发生的复杂的生物学过程和法律的作用药物在体内。这是一个集成了整个系统分析,动态、全面。它已经达到了一个新的高度挖掘获得的数据中隐藏的信息资源。关联规则挖掘是用来发现的潜在相关性的各种大规模数据集。它是一种重要的数据挖掘算法。它已广泛应用于各种行业近年来。 Therefore, based on the combination of the network model, this research proposed an algorithm for drug interaction based on improved association rules, which realized accurate analysis and decision-making of drug interaction, drug development, and drug use information. At the same time, this research applied the established association rule algorithm to the relationship between Chinese medicine and mental illness treatment drugs and conducted algorithm research and simulation analysis of related association relationships. The results showed that the association rule algorithm based on the network model constructed in this study was better than other association extraction algorithms. In improving the decision-making in the drug-drug relationship, it has high reliability and intelligence, which promotes the rational use of drugs, and thus plays a certain guiding role in pharmaceutical research. This also provides research basis and research ideas for scientific researchers on the repositioning of disease-related diagnosis and treatment drugs and personalized medicine.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。

确认

这项工作得到了吉林省社会科学基金项目:研究儒家文化的影响机制在公司治理(没有。2018 b71)。