目的:以临床常见的致病菌肺炎克雷伯菌为对象,借助深度学习技术分析中药潜在抗菌组分,进而为开发抗菌组分中药提供参考。方法:针对肺炎克雷伯菌,以化学信息学数据库中收录的分子组成训练集与测试集,在借助深度神经网络构建深度学习模型...目的:以临床常见的致病菌肺炎克雷伯菌为对象,借助深度学习技术分析中药潜在抗菌组分,进而为开发抗菌组分中药提供参考。方法:针对肺炎克雷伯菌,以化学信息学数据库中收录的分子组成训练集与测试集,在借助深度神经网络构建深度学习模型后,对中药系统药理学数据库与分析平台(Chinese medicine systems pharmacology database and analysis platform,TCMSP)中各味中药所对应的中药单体展开抗菌活性预测,进而分析中药潜在抗菌组分。结果:经过超参数优化与训练,构建的深度学习模型对于测试集的正确率、精度、召回率、F1值分别为95.8%、96%、96.7%、0.963,曲线下面积值为0.991,该模型预测18味中药含抗肺炎克雷伯菌组分比例在20%以上,其中9味具有清热功效,同时大血藤、翻白草、金樱子、南五味子、商陆的抗菌活性已得到证实。结论:以肺炎克雷伯菌为对象,基于深度学习的中药抗菌组分预测模型,能够精准地识别中药抗菌组分,进而为开发抗菌组分中药提供参考。展开更多
文摘目的:以临床常见的致病菌肺炎克雷伯菌为对象,借助深度学习技术分析中药潜在抗菌组分,进而为开发抗菌组分中药提供参考。方法:针对肺炎克雷伯菌,以化学信息学数据库中收录的分子组成训练集与测试集,在借助深度神经网络构建深度学习模型后,对中药系统药理学数据库与分析平台(Chinese medicine systems pharmacology database and analysis platform,TCMSP)中各味中药所对应的中药单体展开抗菌活性预测,进而分析中药潜在抗菌组分。结果:经过超参数优化与训练,构建的深度学习模型对于测试集的正确率、精度、召回率、F1值分别为95.8%、96%、96.7%、0.963,曲线下面积值为0.991,该模型预测18味中药含抗肺炎克雷伯菌组分比例在20%以上,其中9味具有清热功效,同时大血藤、翻白草、金樱子、南五味子、商陆的抗菌活性已得到证实。结论:以肺炎克雷伯菌为对象,基于深度学习的中药抗菌组分预测模型,能够精准地识别中药抗菌组分,进而为开发抗菌组分中药提供参考。
