基于房室模型和WOA-BP 神經(jīng)網(wǎng)絡(luò)的藥效組分配比計(jì)算方法

楊婕妤 李 勇* 向 誠(chéng) 何子懿

(昆明理工大學(xué)1.信息工程與自動(dòng)化學(xué)院;2.生命科學(xué)與技術(shù)學(xué)院, 昆明 650550)

引 言

組分中藥是以傳統(tǒng)經(jīng)方為主要研究對(duì)象,根據(jù)臨床療效確定有效成分,去除無(wú)效和毒性成分,將藥材中的有效成分進(jìn)行組合構(gòu)成的復(fù)方藥物,這些有效成分既可來(lái)自單味中藥,也可從中藥復(fù)方中篩選出來(lái)[1]。 組分中藥整體綜合效應(yīng)發(fā)揮的關(guān)鍵在于藥效組分配伍配比的合理性,這對(duì)于更好地發(fā)揮中藥整體效應(yīng)的特點(diǎn)和優(yōu)勢(shì)至關(guān)重要[2]。

隨著中藥研究的不斷發(fā)展,張伯禮、王永炎院士等[3]提出了一種現(xiàn)代化中藥的研究模式,即以組分配伍的思路研究現(xiàn)代中藥,這種模式的關(guān)鍵在于如何對(duì)各個(gè)有效成分進(jìn)行組合和量化,以獲得最佳的配伍比例,從而達(dá)到預(yù)期的治療效果,這與組分中藥藥效組分配比的研究思想是一致的。目前,針對(duì)有效成分配比的實(shí)驗(yàn)設(shè)計(jì)方法主要有正交設(shè)計(jì)[4]、均勻設(shè)計(jì)[5]、基線等比增減設(shè)計(jì)[6]、權(quán)重配方法[7]、多目標(biāo)模糊優(yōu)化法[8]、網(wǎng)絡(luò)藥理學(xué)[9]等。 然而,上述實(shí)驗(yàn)方法均存在不足:正交設(shè)計(jì)、均勻設(shè)計(jì)需要進(jìn)行大量的實(shí)驗(yàn),以涵蓋各種因素組合,從而導(dǎo)致資源和時(shí)間的浪費(fèi);基線等比增減設(shè)計(jì)需要選擇適當(dāng)?shù)幕€條件,方法較為復(fù)雜,并且不同的基線會(huì)導(dǎo)致不同的結(jié)論;權(quán)重配方法需要決策者主觀地為各個(gè)指標(biāo)分配權(quán)重,使得結(jié)果易受個(gè)人偏好、經(jīng)驗(yàn)和主觀判斷的影響;多目標(biāo)模糊優(yōu)化法涉及在多個(gè)目標(biāo)之間找到一組平衡解,這需要大量的計(jì)算資源和時(shí)間;網(wǎng)絡(luò)藥理學(xué)中生物分子之間的相互作用網(wǎng)絡(luò)是不完整的,存在未知的作用關(guān)系,這會(huì)導(dǎo)致分析結(jié)果的不準(zhǔn)確性。中藥化學(xué)組成成分之所以復(fù)雜,是由于其中所含的活性成分種類繁多,不同活性成分之間存在復(fù)雜的相互作用,通過已有方法設(shè)計(jì)篩選出治療效果較好的組分配比需要進(jìn)行大量的實(shí)驗(yàn),并且只能找到實(shí)驗(yàn)組合中藥效相對(duì)較好的配比。 因此,開發(fā)一種能夠減少實(shí)驗(yàn)次數(shù)、降低實(shí)驗(yàn)成本、快速找到藥效組分配比的方法成為目前組分中藥研究的難點(diǎn)。

隨著機(jī)器學(xué)習(xí)研究的不斷發(fā)展,機(jī)器學(xué)習(xí)模型逐漸應(yīng)用于中藥的配伍機(jī)制和劑量等研究領(lǐng)域。 人工神經(jīng)網(wǎng)絡(luò)(ANN)是機(jī)器學(xué)習(xí)中常用的模型,具有強(qiáng)大的非線性擬合能力和自學(xué)習(xí)的特點(diǎn),針對(duì)中藥復(fù)方研究中面臨的復(fù)雜非線性問題,ANN 可以建立相應(yīng)的非線性藥效模型,在醫(yī)藥學(xué)領(lǐng)域中得到較為廣泛的應(yīng)用[10]。 Zhou 等[11]受中藥網(wǎng)絡(luò)藥理學(xué)理論的啟發(fā),融合表型信息和分子信息,提出了一種基于深度學(xué)習(xí)的智能配方推薦系統(tǒng)(FordNet),臨床評(píng)價(jià)結(jié)果表明,FordNet 可以很好地學(xué)習(xí)中醫(yī)專家的有效經(jīng)驗(yàn),并獲得極佳的推薦結(jié)果。 王曉燕[12]利用貝葉斯網(wǎng)絡(luò)分析了中藥寒熱藥性與正常大鼠藥物效應(yīng)指標(biāo)的相關(guān)性,圖形化顯示了二者的因果關(guān)系和起效通路,并且通過變量指標(biāo)可進(jìn)行中藥寒熱藥性預(yù)測(cè)。金滋力等[13]使用支持向量機(jī)(SVM)對(duì)方劑配伍數(shù)據(jù)進(jìn)行分析,以預(yù)測(cè)藥物配伍的可行性,該方法有助于人們了解哪些藥物在配伍時(shí)可能會(huì)出現(xiàn)不良反應(yīng),從而提高方劑的安全性和有效性。 宋小莉等[14]使用反向傳播(BP)神經(jīng)網(wǎng)絡(luò)構(gòu)建了一種擬合不同中藥配伍與藥效學(xué)指標(biāo)(胃黏液含量)之間非線性映射關(guān)系的模型,通過該模型可實(shí)現(xiàn)對(duì)半夏瀉心湯及其類似方劑中8 種中藥配伍的劑量對(duì)胃黏液分泌影響的預(yù)測(cè)。 吳純偉等[15]采用均勻設(shè)計(jì)結(jié)合人工神經(jīng)網(wǎng)絡(luò)的方法優(yōu)化腦脈通的組分配伍,使得所設(shè)計(jì)的腦脈通各組分配比均能不同程度地改善缺血性腦中風(fēng)的癥狀。

房室模型是藥代動(dòng)力學(xué)研究中采用的一種數(shù)學(xué)模型,該模型將生物體視為一個(gè)系統(tǒng),按照動(dòng)力學(xué)特性將生物體內(nèi)部劃分為若干房室[16],房室模型的提出旨在將復(fù)雜的生物系統(tǒng)進(jìn)行簡(jiǎn)化,以便能夠定量地分析藥物在生物體內(nèi)的動(dòng)態(tài)過程。 BP 神經(jīng)網(wǎng)絡(luò)是一種常見的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),屬于多層的前饋神經(jīng)網(wǎng)絡(luò)[17],它可以通過反向傳播算法來(lái)調(diào)整網(wǎng)絡(luò)參數(shù),以使網(wǎng)絡(luò)能夠逐步逼近目標(biāo)函數(shù)的最優(yōu)解,可用于解決分類、回歸和模式識(shí)別等問題。 鯨魚優(yōu)化算法(WOA)是一種基于群體智能的算法,受鯨魚的氣泡網(wǎng)捕食機(jī)制啟發(fā)而來(lái),該算法具有操作簡(jiǎn)單、參數(shù)調(diào)整少、尋優(yōu)能力強(qiáng)等優(yōu)點(diǎn)[18]。 采用WOA 算法對(duì)BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,可以有效避免單一BP 算法容易陷入局部最優(yōu)和預(yù)測(cè)不穩(wěn)定等問題,同時(shí)還能夠提高算法搜索到全局最優(yōu)解的能力。 為了減少?gòu)?fù)方配比的實(shí)驗(yàn)次數(shù),提高實(shí)驗(yàn)效率,本研究提出了利用房室模型結(jié)合WOA-BP 神經(jīng)網(wǎng)絡(luò)計(jì)算中藥藥效組分配比的方法,通過機(jī)器學(xué)習(xí)來(lái)模擬中藥組分配比篩選的實(shí)驗(yàn)過程,從而達(dá)到計(jì)算并調(diào)整中藥組分配比的目的;然后在苯巴比妥(PHB)劑量不變的情況下,以輔助苯巴比妥抑制癲癇的青陽(yáng)參(Cynanchum otophyllum)藥效成分皂苷M1、M2 的配比計(jì)算為例進(jìn)行了實(shí)證研究。

1 基于房室模型和WOA-BP 神經(jīng)網(wǎng)絡(luò)的藥效組分配比分析模型

基于房室模型和WOA-BP 神經(jīng)網(wǎng)絡(luò)的中藥藥效成分配比分析方法的思想來(lái)源于BP 神經(jīng)網(wǎng)絡(luò)的原理[17]和Box[19]提出的調(diào)優(yōu)運(yùn)算(EVOP)。 BP 神經(jīng)網(wǎng)絡(luò)主要包括正向傳播和反向傳播兩個(gè)步驟,在正向傳播過程中,輸入的樣本信號(hào)被傳遞到隱藏層節(jié)點(diǎn)和輸出層節(jié)點(diǎn),并經(jīng)過這些節(jié)點(diǎn)處的非線性函數(shù)作用,最終從輸出節(jié)點(diǎn)獲得網(wǎng)絡(luò)的輸出結(jié)果。 如果輸出結(jié)果與期望輸出不一致,則需要建立誤差信號(hào),并將其逆向傳播回隱藏層和輸入層,以便根據(jù)誤差信號(hào)修改網(wǎng)絡(luò)的權(quán)值和節(jié)點(diǎn)閾值,以提高網(wǎng)絡(luò)的輸出精度。 這個(gè)過程反復(fù)進(jìn)行,直到網(wǎng)絡(luò)輸出誤差達(dá)到預(yù)設(shè)的精度要求,從而完成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。本研究的中藥藥效成分配比分析方法與BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程類似,即將血藥濃度作為BP 神經(jīng)網(wǎng)絡(luò)的輸入,藥效作為輸出,設(shè)置期望藥效后會(huì)產(chǎn)生誤差信號(hào),并通過反向傳播修改網(wǎng)絡(luò)的權(quán)值,從而獲得期望藥效的血藥濃度。 EVOP 是以當(dāng)前運(yùn)行過程的因子水平為中心,在其周圍很近的范圍內(nèi)選定較小變化尺度的因子進(jìn)行重復(fù)試驗(yàn),并對(duì)這些試驗(yàn)結(jié)果進(jìn)行分析;然后對(duì)于因子效應(yīng)的顯著性作出判斷,將顯著因子水平加以調(diào)整;最終通過改變基本運(yùn)行條件來(lái)改善響應(yīng)[19]。 這與本文通過以初始藥效為基準(zhǔn),依次設(shè)置期望藥效以改變藥物效應(yīng),直至獲得能夠產(chǎn)生更好藥效的血藥濃度,然后進(jìn)一步推導(dǎo)計(jì)算出對(duì)應(yīng)配比的思想相符合。

基于房室模型和WOA-BP 神經(jīng)網(wǎng)絡(luò)的中藥藥效成分配比分析流程如圖1 所示。 首先基于房室模型建立藥效組分的時(shí)-量關(guān)系,得到藥效組分血藥濃度所對(duì)應(yīng)的體內(nèi)藥量比例關(guān)系;然后基于WOABP 神經(jīng)網(wǎng)絡(luò)建立藥效組分的量-效關(guān)系;最后基于帶懲罰系數(shù)的WOA-BP 神經(jīng)網(wǎng)絡(luò),利用BP 神經(jīng)網(wǎng)絡(luò)的反饋特性,建立藥效變化后的藥效組分量-效關(guān)系,得到藥效變化后藥效組分的血藥濃度,并結(jié)合房室模型確定藥效變化后血藥濃度對(duì)應(yīng)的體內(nèi)藥量比例關(guān)系,從而得到藥效變化后的給藥劑量比(藥效組分配比)。

圖1 基于房室模型和WOA-BP 神經(jīng)網(wǎng)絡(luò)的藥效組分配比分析流程圖Fig.1 Flow chart of pharmacodynamic component ratio analysis based on a compartment model and the WOABP neural network

1.1 基于單房室模型建立藥效組分時(shí)-量關(guān)系并確定體內(nèi)藥量比例

房室模型是為了定量描述藥物體內(nèi)過程的動(dòng)態(tài)變化規(guī)律性而建立的模擬數(shù)學(xué)模型,它將機(jī)體視為一個(gè)系統(tǒng),系統(tǒng)內(nèi)部按動(dòng)力學(xué)特點(diǎn)分為若干個(gè)房室,借助數(shù)學(xué)的原理和方法來(lái)系統(tǒng)地闡明體內(nèi)藥量隨時(shí)間變化的規(guī)律性。 單房室模型是最簡(jiǎn)單、最常用的房室模型[16],以血管外給藥的單房室模型為例,其示意圖如圖2 所示。

圖2 血管外給藥的單房室結(jié)構(gòu)Fig.2 Single compartment structure for extravascular administration

單房室藥物動(dòng)力學(xué)模型的時(shí)-量關(guān)系如下:

式中:C(t)為t時(shí)刻的血藥濃度,α為一級(jí)吸收速率常數(shù),β為一級(jí)消除速率常數(shù),V為表觀分布體積,F為生物利用度,X0為給藥劑量,FX0為C(t)對(duì)應(yīng)的藥效組分的體內(nèi)藥量。

如果有兩種或兩種以上的藥物組分,其中組分i的單房室藥物動(dòng)力學(xué)模型的時(shí)-量關(guān)系為

式(6)中,Xi,0Fi/Xj,0Fj為藥物組分i和j的血藥濃度所對(duì)應(yīng)的體內(nèi)藥量比,等式右側(cè)的各項(xiàng)系數(shù)可以通過非線性最小二乘法擬合求出。 另外,式(6)只給出了兩種不同藥效組分的體內(nèi)藥量比,上述推導(dǎo)方法還可以拓展到多種藥效組分的體內(nèi)藥量比。

1.2 基于WOA-BP 神經(jīng)網(wǎng)絡(luò)建立藥效組分的量-效關(guān)系

BP 神經(jīng)網(wǎng)絡(luò)的基本原理是利用已有的數(shù)據(jù)集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,用訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)未知數(shù)據(jù)樣本進(jìn)行輸出預(yù)測(cè),具有較好的自學(xué)習(xí)性、自適應(yīng)性、魯棒性和泛化性,可廣泛應(yīng)用于模式識(shí)別、圖像處理等領(lǐng)域。 BP 神經(jīng)網(wǎng)絡(luò)主要由輸入層、隱藏層和輸出層3 部分組成[17],其典型結(jié)構(gòu)如圖3 所示,其中:x為輸入?yún)?shù),y為輸出,i為輸入層中的神經(jīng)元數(shù),j為隱藏層中的神經(jīng)元數(shù),k為輸出層中的神經(jīng)元數(shù),w為將輸入層連接到隱藏層的權(quán)重,v為將隱藏層連接到輸出層的權(quán)重。

圖3 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 BP neural network structure

WOA 算法通過模擬座頭鯨的覓食行為,構(gòu)建出隨機(jī)搜索捕食、包圍捕食和氣泡網(wǎng)捕食等理論模型,以實(shí)現(xiàn)對(duì)目標(biāo)問題的優(yōu)化求解[18],該算法提出的主要數(shù)學(xué)方程如式(7)所示。

式中:D= |CX*(t) -X(t)|,C=2rp,r是[0,1]之間的隨機(jī)向量,p是[0,1]之間的隨機(jī)變量,X(t)和X*(t) 分別為當(dāng)前鯨魚的位置向量和每次迭代的最優(yōu)解;A=2ar-a,a值由2 線性地減小至0,A是在[-a,a] 之間的某隨機(jī)向量,其值在迭代過程從2 減小到0;D′為第i條鯨魚的最佳捕食位置,D′ =|X*(t) -X(t) |;b為定義螺旋形狀的常數(shù);l為[-1,1] 的隨機(jī)數(shù);t為迭代次數(shù)。

方程(7)模擬出鯨魚算法中的兩種行為:包圍機(jī)制和氣泡網(wǎng)捕獵技術(shù),通過變量p以相等的概率在這兩種行為之間進(jìn)行切換。 在鯨魚算法中,每一頭鯨魚都代表著一個(gè)可行解,而在每一代的游動(dòng)中,鯨魚們會(huì)隨機(jī)選擇3 種覓食行為向著最優(yōu)位置的獵物捕獵,或者是通過包圍收縮進(jìn)行位置的更新以逼近目標(biāo)獵物,直至找到最優(yōu)解。

將WOA-BP 神經(jīng)網(wǎng)絡(luò)的隱藏層封裝后可以得到簡(jiǎn)化的BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),如圖4 所示。 其中:x=[x1,x2,…,xn],表示n個(gè)輸入?yún)?shù);y=[y1,y2,…,ym],表示m個(gè)輸出;w1=[w1,1,w1,2,…,w1,n],表示n個(gè)輸入?yún)?shù)對(duì)輸出結(jié)果的貢獻(xiàn)權(quán)重。

圖4 簡(jiǎn)化的WOA-BP 神經(jīng)網(wǎng)絡(luò)Fig.4 Simplified WOA-BP neural network

上述模型可以用如下公式表示:

式(8)中:yi(t)為t時(shí)刻的輸出,x1,x2,…,xn為t時(shí)刻的輸入?yún)?shù),w1,1,w1,2,…,w1,n為t時(shí)刻輸入?yún)?shù)對(duì)輸出結(jié)果的貢獻(xiàn)權(quán)重。

以各藥效組分的血藥濃度作為BP 神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù),對(duì)應(yīng)產(chǎn)生的藥物效應(yīng)作為輸出,并使用WOA 算法尋找更好的模型參數(shù)進(jìn)行訓(xùn)練,建立初始的藥物量-效關(guān)系。 具體而言,式(8)中:yi(t)為t時(shí)刻的藥物效應(yīng),包括有效和無(wú)效兩種狀態(tài),分別記為1 和0;x1,x2,…,xn為t時(shí)刻輸入到網(wǎng)絡(luò)中的n種藥效組分的血藥濃度;w1,1,w1,2,…,w1,n為n個(gè)輸入?yún)?shù)(血藥濃度)對(duì)輸出結(jié)果(藥物效應(yīng))的貢獻(xiàn)權(quán)重。 為進(jìn)一步分析不同藥效組分對(duì)藥效的影響,在訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,提取網(wǎng)絡(luò)貢獻(xiàn)權(quán)重參數(shù),按照各組分對(duì)藥效的影響程度,得到t時(shí)刻藥效對(duì)應(yīng)的第i種藥效組分整合權(quán)重的血藥濃度,即整合血藥濃度w1,i xi(i∈1,2,…,n)。 使用準(zhǔn)確度(accuracy)、精確率(precision)、召回率(recall)、F1-score 這4 個(gè)性能指標(biāo)來(lái)評(píng)價(jià)模型的預(yù)測(cè)效果。 其中:準(zhǔn)確度指所有被正確預(yù)測(cè)的數(shù)據(jù)占總數(shù)據(jù)量的比例;精確率指在所有預(yù)測(cè)為正例的數(shù)據(jù)中,實(shí)際為正例的比例;召回率指在所有實(shí)際為正例的數(shù)據(jù)中,被預(yù)測(cè)為正例的比例;F1-score 為精確率和召回率的調(diào)和平均。 當(dāng)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果較好時(shí),認(rèn)為該模型是一個(gè)符合實(shí)際實(shí)驗(yàn)結(jié)果、能夠準(zhǔn)確反映各組分量-效關(guān)系的模型,可以以此作為初始的藥效組分量-效關(guān)系模型。

1.3 基于帶懲罰系數(shù)的WOA-BP 神經(jīng)網(wǎng)絡(luò)建立藥效提高后的藥物量-效關(guān)系

基于1.2 節(jié)建立的初始的藥效組分量-效關(guān)系模型,通過輸入藥效組分的血藥濃度預(yù)測(cè)相應(yīng)的藥效。 在預(yù)測(cè)過程中,為了輸出更多期望的藥效狀態(tài),在算法中加入了一個(gè)懲罰系數(shù)Q,對(duì)輸出的狀態(tài)給予懲罰,從而實(shí)現(xiàn)藥效的改變。 具體實(shí)現(xiàn)為Q(yi-oi),其中,yi為實(shí)際輸出,oi為期望輸出。 根據(jù)實(shí)際情況,可以人為調(diào)整懲罰系數(shù)。 當(dāng)輸出結(jié)果改變時(shí),輸出層與真實(shí)層之間的差值發(fā)生改變,利用BP 神經(jīng)網(wǎng)絡(luò)反向信號(hào)傳遞的特點(diǎn),依次向后傳播誤差,更新輸入?yún)?shù)對(duì)輸出結(jié)果的貢獻(xiàn)權(quán)重,對(duì)應(yīng)的整合血藥濃度也發(fā)生改變,即可以通過BP 神經(jīng)網(wǎng)絡(luò)的反向傳播過程,獲得藥物效應(yīng)改變時(shí)的血藥濃度,此時(shí)式(8)變?yōu)?/p>

式中:y′i(t)為藥效變化后t時(shí)刻的藥物效應(yīng),與初始模型相比,增加了期望藥效狀態(tài)的輸出;x=[x1,x2,…,xn],為t時(shí)刻輸入到網(wǎng)絡(luò)中的n種藥效組分的血藥濃度;w′1,1,w′1,2,…,w′1,n為藥效改變后t時(shí)刻對(duì)應(yīng)的n種藥效組分的貢獻(xiàn)權(quán)重,此時(shí)對(duì)應(yīng)的整合血藥濃度為w′1,ixi(i∈1,2,…,n)。 在藥效改變后,血藥濃度對(duì)應(yīng)的體內(nèi)藥量也隨之改變,此時(shí)對(duì)應(yīng)藥效的組分體內(nèi)藥量比例關(guān)系變?yōu)?/p>

擬合出等式右側(cè)的各項(xiàng)系數(shù)后,即可得到藥效改變后血藥濃度對(duì)應(yīng)的體內(nèi)藥量比。 最后,結(jié)合初始藥效時(shí)各組分血藥濃度對(duì)應(yīng)的體內(nèi)藥量比與配比之間的關(guān)系,可計(jì)算出藥效改變后各組分的配比。

2 實(shí)驗(yàn)驗(yàn)證

苯巴比妥是臨床上治療驚厥性癲癇的常用藥物[20],青陽(yáng)參對(duì)治療癲癇、慢性肝炎、蕁麻疹等疾病有較好的療效[21],青陽(yáng)參的主要成分為皂苷M1( Qingyangshengenin 3-O-β-D-oleandropyranosyl-(1→4)- β-D-cymaropyranosyl-(1 →4)-β-D-digitoxopyranoside)和M2(Qingyangshengenin 3-O-β-D-oleandropyranosyl-(1→4)-β-D-cymaropyranosyl-(1→4)-β-D-digitoxopyranosyl-(1 →4 )-β-D-cymaropyranoside),與PHB 聯(lián)合使用后對(duì)治療癲癇具有協(xié)同抑制作用[22]。 青陽(yáng)參成分M1 和M2 可以增加PHB 的抗癲癇強(qiáng)度,延長(zhǎng)作用時(shí)間,并且使起效時(shí)間提前。臨床上青陽(yáng)參片可以輔助PHB 治療癲癇,但是有效組分M1 和M2 的配比對(duì)藥效的影響還有待進(jìn)一步研究。 本文以輔助苯巴比妥抑制癲癇的青陽(yáng)參皂苷M1 和M2 的藥效組分配比分析為例,來(lái)驗(yàn)證所提計(jì)算方法的可行性。

2.1 實(shí)驗(yàn)材料

小鼠購(gòu)自湖南松弛精達(dá)實(shí)驗(yàn)動(dòng)物有限公司(許可證號(hào):SCXK(滇)K2013-003),體重15 ～22 g,在25 ℃、相對(duì)濕度60%的環(huán)境中飼養(yǎng),實(shí)驗(yàn)前給予正常飼料和飲水,適應(yīng)性飼養(yǎng)3 天;青陽(yáng)參購(gòu)自昆明中草藥市場(chǎng);PHB 購(gòu)自上海新亞藥業(yè)有限公司。 動(dòng)物實(shí)驗(yàn)通過昆明理工大學(xué)動(dòng)物倫理委員會(huì)審查,獲得倫理許可。

2.2 供試藥液配制

將青陽(yáng)參皂苷M1 和M2 提取[22]后用2%吐溫水配制,PHB 用生理鹽水配制。 PHB 單獨(dú)使用時(shí)給藥劑量為2 mg/L,PHB 與M1、M2 聯(lián)合使用時(shí)PHB、M1、M2 的 給 藥 劑 量 分 別 為2 mg/L、12 mg/L、6 mg/L。

2.3 實(shí)驗(yàn)數(shù)據(jù)采集

在128 只小鼠的兩耳處涂上生理鹽水,用鱷魚電極夾夾住耳朵,連續(xù)電擊,對(duì)其進(jìn)行最大電休克(MES)誘導(dǎo)實(shí)驗(yàn)。 然后將小鼠分為8 個(gè)大組,每組16 只,每個(gè)大組再劃分為2 個(gè)小組,每個(gè)小組8 只(即每個(gè)時(shí)間點(diǎn)的小鼠數(shù)量為8 只)。 分別采用PHB 單獨(dú)給藥和聯(lián)合給藥方式進(jìn)行灌胃,觀察0.17 ～24 h 內(nèi)小鼠的驚厥反應(yīng)情況:如果給藥后后肢不再出現(xiàn)強(qiáng)直性抽搐,說明該藥具有抗癲癇作用;如果給藥后后肢仍然出現(xiàn)強(qiáng)直性抽搐,說明該藥無(wú)效;如果小鼠出現(xiàn)死亡,將該組實(shí)驗(yàn)數(shù)據(jù)去掉。 采用液相色譜-串聯(lián)質(zhì)譜(LC-MS/MS)體內(nèi)多組分定量技術(shù)[22]測(cè)定各組分的血漿藥物濃度,結(jié)果用均值±標(biāo)準(zhǔn)差表示。 PHB 單獨(dú)給藥和聯(lián)合給藥方式下各組分的血藥濃度和驚厥反應(yīng)分別如表1 和表2 所示。 本研究參考消腫止痛酊的藥效學(xué)評(píng)價(jià)方法[23],設(shè)定的抑制率為小鼠在某一時(shí)間點(diǎn)發(fā)生抗驚厥反應(yīng)的概率,將其作為青陽(yáng)參抑制癲癇的藥效學(xué)評(píng)價(jià)指標(biāo),抑制率的計(jì)算方法為治療后無(wú)驚厥反應(yīng)的小鼠數(shù)量除以有驚厥反應(yīng)的小鼠和無(wú)驚厥反應(yīng)的小鼠的數(shù)量之和。

表1 小鼠血管外PHB 單獨(dú)給藥方式下PHB 的血藥濃度、MES 反應(yīng)及抑制率Table 1 Plasma concentration of PHB, MES reaction of mice and inhibition rate for extravascular PHB administration alone

表2 小鼠血管外PHB、M1 和M2 聯(lián)合給藥方式下各組分的血藥濃度、MES 反應(yīng)及抑制率Table 2 Plasma concentration of each component, MES reaction of mice and inhibition rate for the combined administration of extravascular PHB, M1 and M2

2.4 數(shù)據(jù)預(yù)處理

由于實(shí)驗(yàn)數(shù)據(jù)的獲取成本較高,獲得的樣本量較少,因此訓(xùn)練集與測(cè)試集的劃分存在一定困難,導(dǎo)致小樣本的機(jī)器學(xué)習(xí)方法的預(yù)測(cè)魯棒性較差。 為了增加樣本數(shù)量,使得單一的樣本具有多樣性,本研究采用合成少數(shù)類過采樣技術(shù)(SMOTE)[24]對(duì)原始數(shù)據(jù)進(jìn)行有效擴(kuò)充,以增強(qiáng)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力。 使用SMOTE 方法對(duì)表2 的數(shù)據(jù)進(jìn)行增強(qiáng),共得到792組數(shù)據(jù),結(jié)果見表3。

表3 數(shù)據(jù)擴(kuò)充后各組分的血藥濃度、MES 反應(yīng)及抑制率Table 3 Plasma concentration of each component, MES reaction and inhibition rate after data expansion

2.5 相關(guān)性分析

利用SPSS 軟件對(duì)上述增強(qiáng)前后的數(shù)據(jù)進(jìn)行皮爾遜相關(guān)性分析,并結(jié)合雙尾顯著性檢驗(yàn)。 在原始數(shù)據(jù)(表2)中,PHB 質(zhì)量濃度與M1 質(zhì)量濃度、M2質(zhì)量濃度、時(shí)間、MES 反應(yīng)的相關(guān)系數(shù)分別為0.447、0.280、-0.411、0.268,P值分別為0、0.035、0.001、0.044,整體看,PHB 質(zhì)量濃度與4 個(gè)變量具有相關(guān)關(guān)系(P＜0.05)。 在增強(qiáng)后的數(shù)據(jù)(表3)中,PHB 質(zhì)量濃度與M1 質(zhì)量濃度、M2 質(zhì)量濃度、時(shí)間、MES 反應(yīng)的相關(guān)系數(shù)分別為0.568、0.407、-0.471、0.282,P值均為0,整體看,增強(qiáng)后的數(shù)據(jù)中PHB 質(zhì)量濃度與4 個(gè)變量具有相關(guān)關(guān)系(P＜0.05)。 可以看出,原始數(shù)據(jù)在進(jìn)行擴(kuò)充前后的相關(guān)系數(shù)相差較小,PHB 質(zhì)量濃度與4 個(gè)變量之間的線性關(guān)系沒有發(fā)生顯著性變化,能夠支撐進(jìn)一步的分析。

3 結(jié)果與討論

3.1 初始的藥效組分體內(nèi)藥量比例關(guān)系分析

當(dāng)多種藥物聯(lián)合使用時(shí),藥物之間可能會(huì)發(fā)生相互作用,使得藥效增強(qiáng)或減弱。 這種相互作用一般可以分為協(xié)同作用和拮抗作用兩種類型:協(xié)同作用指當(dāng)兩種或多種藥物同時(shí)使用時(shí),它們的藥效可以相互增強(qiáng),或者其中一種藥物能夠增強(qiáng)另一種藥物的效果;拮抗作用指當(dāng)兩種或多種藥物同時(shí)使用時(shí),它們的藥效可以相互減弱,或者其中一種藥物能夠減弱另一種藥物的效果。 藥代動(dòng)力學(xué)參數(shù)指標(biāo)中,血藥濃度-時(shí)間的曲線下面積(AUC)代表一次用藥后的吸收總量,反映藥物的吸收程度。 依據(jù)生物等效性原理,在相同的實(shí)驗(yàn)條件下,AUC 相同意味著藥物效應(yīng)相同。 通過計(jì)算PHB 單獨(dú)使用以及PHB 與M1、M2 聯(lián)合使用時(shí)的AUC,比較兩種給藥方式下PHB 藥物活性成分的吸收程度有無(wú)差異,來(lái)考察PHB 與M1、M2 聯(lián)合給藥對(duì)PHB 吸收和藥效的影響。 根據(jù)表1 和表2的數(shù)據(jù),使用Phoenix 軟件計(jì)算得到PHB 單獨(dú)使用和聯(lián)合使用時(shí)的AUC 分別為31.89 mg·h/L 和40.55 mg·h/L。結(jié)果表明,與PHB 單獨(dú)用藥時(shí)相比,PHB 與M1、M2 聯(lián)合使用時(shí),PHB 在小鼠體內(nèi)的藥物吸收程度更大,藥效更強(qiáng),因此M1、M2 與PHB 之間具有協(xié)同促進(jìn)作用。

根據(jù)單房室藥代動(dòng)力學(xué)模型中血藥濃度與時(shí)間的關(guān)系,使用表3 中的數(shù)據(jù),借助非線性最小二乘法擬合得到初始配比下M1 和M2 的藥代動(dòng)力學(xué)模型,其時(shí)-量關(guān)系分別如式(11)和(12)所示,回歸分析的決定系數(shù)R2分別為0.905、0.860,表明模型的擬合程度較好。

通過擬合得到M1 的α、β和γ分別為11.457、0.072 和5.186,M2 的α、β和γ分別為11.398、0.198 和0.409。 通過式(6)計(jì)算出藥效未改變時(shí)M1、M2 血藥濃度對(duì)應(yīng)的體內(nèi)藥量比為12.83∶1。

3.2 WOA-BP 神經(jīng)網(wǎng)絡(luò)模型評(píng)價(jià)

使用表3 中的數(shù)據(jù)以M1、M2 和PHB 的血藥濃度作為輸入,藥效作為輸出,利用BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)對(duì)應(yīng)血藥濃度下的藥效,建立初始藥效下的量-效模型。 采用WOA 算法分別在[0.000 01,0.01]和[100,1 000]的范圍內(nèi)對(duì)模型的最佳學(xué)習(xí)率和迭代次數(shù)尋優(yōu),其中634 組數(shù)據(jù)作為訓(xùn)練集,158 組數(shù)據(jù)作為測(cè)試集,得到最佳學(xué)習(xí)率為0.000 1,迭代次數(shù)為700,模型的精確率、召回率、F1-score、準(zhǔn)確度分別為0.97、0.98、0.98、0.97。 結(jié)果表明,網(wǎng)絡(luò)的貢獻(xiàn)權(quán)重能較好地反映出M1、M2 和PHB 的血藥濃度對(duì)藥效的影響,模型能較準(zhǔn)確地描述血藥濃度與藥物效應(yīng)的關(guān)系(量-效關(guān)系)。

3.3 藥效提高后藥效組分配比分析

在3.2 節(jié)建立的初始藥效下量-效模型的基礎(chǔ)上,在預(yù)測(cè)過程中加入懲罰因子以調(diào)整藥效,期望輸出更多藥效組分有效的狀態(tài),對(duì)輸出為無(wú)效的狀態(tài)給予懲罰,將部分輸出為無(wú)效的狀態(tài)懲罰為有效狀態(tài),以提高有效狀態(tài)的輸出,從而提高藥效。 然后通過BP 神經(jīng)網(wǎng)絡(luò)的反向傳播過程更新M1、M2 和PHB 的血藥濃度對(duì)藥效影響的貢獻(xiàn)權(quán)重,從而調(diào)整對(duì)應(yīng)的整合血藥濃度,并將其作為藥效提升后對(duì)應(yīng)的血藥濃度,建立藥效提高情況下的量-效模型。藥效提高后各組分的血藥濃度、MES 反應(yīng)及抑制率如表4 所示。

表4 藥效提高后各組分的血藥濃度、MES 反應(yīng)及抑制率Table 4 Plasma concentration of each component,MES reaction and inhibition rate after the efficacy was improved

將藥效提高后的血藥濃度分別作為WOA-BP模型與BP、XGBoost[25]網(wǎng)絡(luò)模型的輸入,對(duì)提高后的藥效進(jìn)行預(yù)測(cè),經(jīng)過訓(xùn)練后所有模型的損失函數(shù)的誤差均趨向于收斂。 表5 為藥效提高后不同量-效模型的各項(xiàng)評(píng)價(jià)指標(biāo),可以看出,3 種模型對(duì)提高后的藥效的預(yù)測(cè)效果均較好,BP 和XGBoost 模型預(yù)測(cè)的藥效與通過WOA-BP 網(wǎng)絡(luò)調(diào)整后的藥效的吻合度較高。 因此,通過WOA-BP 神經(jīng)網(wǎng)絡(luò)建立的藥效提高后的量-效關(guān)系模型,是一個(gè)穩(wěn)定、準(zhǔn)確的網(wǎng)絡(luò),可以反映實(shí)際藥效提高后組分的量-效關(guān)系變化規(guī)律。

表5 藥效提高后不同量-效模型的各項(xiàng)評(píng)價(jià)指標(biāo)Table 5 Evaluation indexes of different dose-effect models after the efficacy was improved

為了驗(yàn)證WOA-BP 網(wǎng)絡(luò)的性能,本文使用遺傳算法(GA)優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)(GA-BP)[26]、麻雀搜索算法(SSA)優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)(SSA-BP)[27]、粒子群算法(PSO)優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)(PSO -BP)[28]與WOA-BP 進(jìn)行對(duì)比,將藥效提高后的血藥濃度輸入這4 種模型進(jìn)行藥效預(yù)測(cè),統(tǒng)計(jì)預(yù)測(cè)準(zhǔn)確度和預(yù)測(cè)時(shí)間,結(jié)果如表6 所示。 由表6 可知,WOA-BP 和SSA-BP 的預(yù)測(cè)準(zhǔn)確度相同并且略高于GA-BP 和PSO-BP,但WOA-BP 的預(yù)測(cè)時(shí)間更短,效率更高。

表6 不同模型的性能指標(biāo)Table 6 Performance indexes of different models

使用表4 中的數(shù)據(jù),借助非線性最小二乘法擬合出藥效提高后M1、M2 的單房室藥代動(dòng)力學(xué)模型,得到藥效提高后的時(shí)-量關(guān)系,分別如式(13)和(14)所示,回歸分析的決定系數(shù)R2分別為0.863 和0.794,表明模型的擬合程度較好。

通過擬合得到M1 對(duì)應(yīng)的α、β和γ分別為7.503、0.264 和3.776,M2 對(duì)應(yīng)的α、β和γ分別為7.243、0.182 和0.258。 使用公式(10)計(jì)算出抑制率提高時(shí)M1 和M2 的血藥濃度對(duì)應(yīng)的體內(nèi)藥量比為14.49∶1。

未調(diào)整藥效時(shí),M1、M2 血藥濃度對(duì)應(yīng)的體內(nèi)藥量比為12.83 ∶1 時(shí),M1 和M2 的給藥劑量分別為12 mg/L 和6 mg/L,即初始配比為2∶1。 相應(yīng)地可以得出,青陽(yáng)參的藥效增強(qiáng)后,當(dāng)M1 和M2 的血藥濃度對(duì)應(yīng)的體內(nèi)藥量比為14.49∶1時(shí),M1 和M2 的配比為2.26∶1。

基于EVOP 的思想,運(yùn)用機(jī)器學(xué)習(xí)的方法,對(duì)大量的中藥配方和功效數(shù)據(jù)進(jìn)行分析,尋找其中的規(guī)律,并結(jié)合房室模型,可以進(jìn)一步理解中藥配比與功效之間的關(guān)系。 本文將初始M1 與M2 的配比2∶1作為基準(zhǔn)線,利用上述方法進(jìn)行實(shí)驗(yàn),反復(fù)調(diào)整藥效,最后得到藥效提升4%和5%時(shí)M1 與M2 的配比分別為2.17∶1和2.26∶1。 基于以上結(jié)果,認(rèn)為M1 與M2 的配比為2.26∶1時(shí),PHB 可以發(fā)揮更好的藥效。 本文的方法為確定藥效與藥物配比之間的非線性關(guān)系提供了一種途徑。

4 結(jié)論

本文基于房室模型建立藥效組分的時(shí)-量關(guān)系,推導(dǎo)出藥效組分的血藥濃度所對(duì)應(yīng)的體內(nèi)藥量比例,利用WOA-BP 神經(jīng)網(wǎng)絡(luò)建立藥效組分的量-效關(guān)系,最后基于帶懲罰系數(shù)的WOA-BP 神經(jīng)網(wǎng)絡(luò)建立藥效變化后的藥效組分量-效關(guān)系,并結(jié)合時(shí)-量關(guān)系得到藥效變化后的藥效組分配比。 以青陽(yáng)參皂苷M1 和M2 輔助苯巴比妥抑制癲癇的藥效組分配比分析為例,通過建立的基于房室模型和WOABP 神經(jīng)網(wǎng)絡(luò)的藥效組分配比計(jì)算方法,確定了在藥效提升5%時(shí)M1 和M2 的配比為2.26∶1。

通過WOA-BP 神經(jīng)網(wǎng)絡(luò)結(jié)合房室模型,可以擬合中藥組分配比與功效之間復(fù)雜的非線性關(guān)系,能夠在有限的實(shí)驗(yàn)條件下快速確定藥效提高時(shí)所對(duì)應(yīng)藥效組分的配比,避免了大量的實(shí)驗(yàn)和時(shí)間成本,為中藥的配伍研究提供了一種新的方法和思路。 但本文仍存在一些局限,例如只分析了兩種藥效組分的配比,缺乏實(shí)際的臨床試驗(yàn)證明該方法在實(shí)際應(yīng)用中的可行性。 今后將會(huì)對(duì)該方法進(jìn)行拓展,進(jìn)一步研究更加復(fù)雜的中藥組分配比以及中西藥結(jié)合用藥時(shí)藥效成分配比的計(jì)算方法,并對(duì)優(yōu)化后的中藥組分配比進(jìn)行驗(yàn)證。