目的 采用结合环论的粒子群优化算法(hybridization of ring theory-based evolutionary algorithm and particle swarm optimization, RTPSO)对数据进行均衡化处理,以构建高性能冠心病合并慢性心衰预后模型。方法 分别用SMOTE算法、RT...目的 采用结合环论的粒子群优化算法(hybridization of ring theory-based evolutionary algorithm and particle swarm optimization, RTPSO)对数据进行均衡化处理,以构建高性能冠心病合并慢性心衰预后模型。方法 分别用SMOTE算法、RTPSO算法对数据进行均衡化处理,在均衡化数据集上构建logistic回归、随机森林、支持向量机模型。结果 本研究共纳入2229例冠心病合并慢性心衰患者,依据筛选出的BMI、射血分数、N端前脑钠肽等22个变量构建模型。用灵敏度、特异度、准确率、F-measure和AUC值评价模型性能,其中RF、SVM、logistic回归、RF-RTPSO、SVM-RTPSO、Logistic-RTPSO灵敏度的中位数分别为0.0172、0.0773、0.0776、0.7568、0.7640、0.7838;F-measure的中位数分别为0.0338、0.1143、0.1283、0.3412、0.3505、0.4545;AUC的中位数分别为0.5086、0.5264、0.5313、0.8016、0.7785、0.7985。结论 RTPSO算法可以从多数类样本中选择有代表性的少数样本,从而达到数据均衡化,使分类模型具备更高的预测性能,指导临床医生发现高危患者,尽早预防不良事件的发生。展开更多
文摘目的基于网络药理学与分子对接探讨真武汤治疗慢性心力衰竭(Chronic heart failure,CHF)的作用机制并进行实验验证。方法通过TCMSP数据库检索真武汤的活性成分与作用靶点;通过OMIM、TTD与Gene Cards数据库检索CHF相关基因;构建“复方-疾病-活性成分-靶点”网络图。利用Cytoscape3.6.0软件与STRING数据库构建真武汤与CHF共同靶点的蛋白互作网络。利用Bioconductor对靶点蛋白进行GO功能注释和KEGG通路富集分析。运用Auto Dock Tools 1.5.6软件对主要成分与作用靶点进行分子对接。建造CHF大鼠模型,通过ELISA、Western blot、RT-q PCR对主要分子对接结果进行实验验证。结果获得真武汤活性成分55种,主要包括β-谷甾醇、(+)-儿茶素、豆甾醇、蛇床子素、3β-乙酰氧基苍术碱,对应靶点84个,其中与CHF共同作用靶点17个,主要为丝氨酸/苏氨酸蛋白激酶(AKT1)、白介素6(IL-6)、肿瘤坏死因子(TNF)、半胱氨酸天冬氨酸蛋白酶-3(CASP3)、过氧化物酶体增殖物激活受体γ(PPARG)。GO与KEGG功能富集分析主要涉及内皮细胞增殖、脂代谢调控、IL-17与TNF等经典炎症相关信号通路。分子对接显示主要化合物与关键靶点均有良好的结合能力。实验结果表明,真武汤可以显著改善CHF动物模型的LVEF、LVFS、LVEDD、SV心功能指标,降低血清IL-6、TNF-α水平,提高心肌组织AKT1、PPARG m RNA与蛋白表达水平,降低CASP3 m RNA与蛋白表达水平。结论AKT1、IL-6、TNF、CASP3、PPARG等可能作为真武汤治疗CHF的关键靶点,通过豆甾醇、蛇床子素、(+)-儿茶素等活性成分介导抗炎、氧化应激、细胞凋亡等信号通路发挥多靶点、多途径的协同治疗作用。
文摘目的 采用结合环论的粒子群优化算法(hybridization of ring theory-based evolutionary algorithm and particle swarm optimization, RTPSO)对数据进行均衡化处理,以构建高性能冠心病合并慢性心衰预后模型。方法 分别用SMOTE算法、RTPSO算法对数据进行均衡化处理,在均衡化数据集上构建logistic回归、随机森林、支持向量机模型。结果 本研究共纳入2229例冠心病合并慢性心衰患者,依据筛选出的BMI、射血分数、N端前脑钠肽等22个变量构建模型。用灵敏度、特异度、准确率、F-measure和AUC值评价模型性能,其中RF、SVM、logistic回归、RF-RTPSO、SVM-RTPSO、Logistic-RTPSO灵敏度的中位数分别为0.0172、0.0773、0.0776、0.7568、0.7640、0.7838;F-measure的中位数分别为0.0338、0.1143、0.1283、0.3412、0.3505、0.4545;AUC的中位数分别为0.5086、0.5264、0.5313、0.8016、0.7785、0.7985。结论 RTPSO算法可以从多数类样本中选择有代表性的少数样本,从而达到数据均衡化,使分类模型具备更高的预测性能,指导临床医生发现高危患者,尽早预防不良事件的发生。
