麻杏石甘汤干预COVID-19肺炎的网络药理学研究及分子对接分析

目的:运用网络药理学与分子对接研究方法探讨麻杏石甘汤干预COVID-19肺炎的作用机制。方法:经TCMSP、HTDocking数据库检索麻杏石甘汤所有药物的成分并进行ADME筛选得到活性成分,在Uniport数据库检索其发挥治疗作用可能的基因靶点;借助GeneCards、PharmGKB等数据库检索COVID-19肺炎相关基因靶点,利用Cytoscape软件构建药物-活性成分-靶基因-疾病网络;借助String系统构建PPI网络,并进行拓扑学特征分析,筛选核心基因;利用R语言的clusterProfiler包对核心基因进行GO、KEGG富集分析;利用AutoDock Vina软件对疾病靶蛋白及药物活性成分进行分子对接验证。结果:共筛选出麻杏石甘汤与COVID-19肺炎交集基因靶点67个。PPI网络分析显示,其发挥治疗作用的核心基因靶点有MAPK1、MAPK3、STAT1、JUN等8个。GO富集分析显示,相关生物过程1863个,分子功能95个,细胞成分36个;KEGG富集分析显示,相关作用通路167条。分子对接结果显示,麻杏石甘汤活性成分槲皮素、山奈酚、熊果酸等与核心基因靶点JUN、MAK1、IL2等有较好的结合活性。结论:麻杏石甘汤可能以槲皮素、山奈酚等为物质基础,多成分、多靶点、多通路、相互协同发挥抑制病毒活性,降低炎症反应,保护肺部组织,从而对COVID-19肺炎起到积极的干预作用。

基于CT图像语义的COVID-19实例分割与分类网络

为了辅助临床医生进行COVID-19患者的诊断及治疗,提出了一个从患者肺部CT图像中分类、检测和分割COVID-19病变的辅助诊断网络AIS-Net。首先,该网络将语义分割与实例分割融合,提升了实例分割精度,提出了信息增强注意力模块(IEAM),用于提升输入特征关键信息的权重。为了提高网络对假阴性的关注度,提出了一个实例分割监督方法,用于不同尺度的病变进行监控。其次,设计了一个包含主分类头与辅助分类头的模块,对新冠肺炎、普通肺炎和非肺炎进行分类。在辅助分类中引入了Swin Transformer,提出了区分普通肺炎与新冠肺炎病变的方法。在CC-CCII分割数据集上实例分割的平均精度均值(mAP)为56.53%,比目前最好的方法提升了11.77%;Dice系数、灵敏度、特异度分别为80%,85.1%,99.3%,比目前最好的方法分别提升了4.7%,3.7%,1.2%。在COVIDX-CT分类数据集上实现了99.07%的总体准确度,比目前最好的方法提升了0.92%。AIS-Net可通过CT图像对COVID-19患者进行有效诊断,并对病变部位进行分割及检测。

梓木草防治COVID-19潜在作用机制的网络药理学研究

目的 运用网络药理学方法探讨梓木草治疗新型冠状病毒感染(COVID-19)的潜在作用机制。方法 文献检索梓木草的有效成分,通过DisGeNET数据库、GeneCards数据库获取COVID-19靶点;利用韦恩图获取药物-疾病交集靶点并将其导入蛋白互作网络分析数据库(STRING数据库)获取核心靶点,在注释、可视化和综合发现数据库(DAVID数据库)对交集靶点进行基因本体论(GO)分析和京都基因和基因组百科全书(KEGG)分析,最后利用AutoDock Vina及PyMOL 2.5软件进行分子对接,使用Cytoscape 3.10.0软件进行可视化呈现。结果 梓木草中的β-谷甾醇、柯伊利素、木犀草素等成分通过肿瘤坏死因子(TNF)、表皮生长因子受体(EGFR)、过氧化物酶体增殖物激活受体γ(PPARG)等关键靶点调控缺氧诱导因子-1(HIF-1)信号通路、Janus激酶(JAK)-信号转导和转录激活因子(STAT)信号等通路,从而发挥防治COVID-19的作用。结论梓木草可能通过多成分、多途径发挥抗COVID-19的作用。

基于网络药理学探讨宣肺清热方治疗COVID-19的分子机制

目的 基于网络药理学探讨宣肺清热方治疗新型冠状病毒感染(COVID-19)的潜在作用机制。方法 通过中药系统药理学数据库和分析平台(TCMSP)数据库获取宣肺清热方的活性成分及相关作用靶点;通过基因卡片(GeneCards)、在线《人类孟德尔遗传》(OMIM)、药物银行(DrugBank)数据库获取COVID-19的主要作用靶点;获得宣肺清热方与COVID-19共同靶点并制作韦恩图(Venn Diagram);利用基因/蛋白质互相作用检索分析工具(STRING)进行蛋白质-蛋白质相互作用(protein-protein interaction,PPI)分析,构建PPI网络;通过Metascape平台进行基因本体论(GO)功能富集和京都基因与基因组百科全书(KEGG)通路富集分析,采用Cytoscape 3.9.0软件构建“宣肺清热方-活性成分-共同靶点-COVID-19-信号通路”网络。结果 经筛选后获得宣肺清热方活性成分121个、靶点232个,COVID-19靶点2 255个及药物-疾病共同靶点68个,度值(Degree)最大的10个活性成分为槲皮素、山奈酚、木犀草素、β-谷甾醇、豆甾醇、柚皮素、异鼠李素、汉黄芩素、黄芩素和光甘草定,GO及KEGG富集分析结果主要涉及炎症-免疫调节、胞内信号转导、基因调控等多种生物学途径以及癌症通路、白细胞介素-17(IL-17)信号通路、腺苷酸活化蛋白激酶(AMPK)信号通路、钙信号通路、p53信号通路、过氧化物酶增殖物激活受体(PPAR)信号通路等。共同靶点根据度值排名,前10位是雄激素受体(AR)、一氧化氮合酶2(NOS2)、电压门控钠通道5α(SCN5A)、RELA、蛋白激酶B(AKT)1、B淋巴细胞瘤2(BCL2)、肿瘤坏死因子(TNF)、丝裂原激活蛋白激酶1(MAPK1)、核因子κB抑制剂α(NFKBIA)、白细胞介素-6(IL-6)。结论 宣肺清热方中主要化学成分可能作用于多靶点多通路介导炎症-免疫调节等生物学过程,发挥治疗COVID-19的作用。

化湿败毒方干预COVID-19细胞因子风暴的网络药理学研究

目的 通过网络药理学从免疫微环境、细胞因子角度探讨化湿败毒方治疗新型冠状病毒肺炎(COVID-19)的机制。方法 利用数据库筛选化湿败毒方作用靶点、COVID-19病理靶点;对交集靶点基因进行富集分析;采用基因集富集分析(GSEA)分析基因涉及的具体信号通路。结果 得到47个化湿败毒方治疗COVID-19的潜在靶点;基因本体(GO)富集分析涉及通路为对脂多糖的反应、膜筏、细胞因子活性等。京都基因与基因组百科全书(KEGG)富集涉及通路为白细胞介素-17(IL-17)信号通路、辅助性T细胞17(Th17)分化等信号通路。结论 化湿败毒方可以通过调节细胞因子活性、IL-17等通路达到调节免疫浸润微环境的作用,从而抑制细胞因子风暴,达到治疗COVID-19的作用。

基于改进U-Net的肺部CT图像COVID-19病灶分割研究

肺部CT图像是诊断患者是否新冠感染最常用的技术之一。然而,从CT图像中手动筛查COVID-19病例耗时且费力。此外,COVID-19与其他社区获得性肺炎,如病毒性、细菌性或真菌性肺炎,在肺部CT影像上具有类似的特征,仅依靠影像医师无法准确区分二者。为了解决这个问题,提出了一种基于深度学习的自动分割系统。首先对图像进行了直方图均衡化、Otsu的二值化裁剪和数据增强等预处理操作,选用改进U-Net模型SA-UNet,即在特征拼接中引入空间注意力模块,采用结构化的dropout卷积块代替U-Net的原始卷积块,获得了实验性能突出的分割改进模型。

基于网络药理学和分子对接探讨中研益肺解毒汤防治新型冠状病毒肺炎(COVID-19)的活性成分及靶点

目的基于网络药理学和分子对接探讨中研益肺解毒汤防治新型冠状病毒肺炎(COVID-19)的成分和作用机制。方法TCMSP数据库检索中研益肺解毒汤的主要成分和作用靶点;Cytoscape构建药物-活性成分-靶点网络图;对中研益肺解毒汤与COVID-19相同靶蛋白进行GO功能富集分析和KEGG通路富集分析;分子对接研究其结合活性。结果从中研益肺解毒汤共筛选出176个潜在活性成分和280相应靶点,69个靶点与疾病密切相关;靶点通路富集分析显示中研益肺解毒汤主要集中于病毒感染及炎症信号通路等。结论中研益肺解毒汤可能通过抗炎抗病毒等对COVID-19有潜在的防治作用。

基于自注意力机制LSTM的COVID-19感染预测

COVID-19因各国气候、政府政策和疫苗接种人数等因素的不同而呈现不同的发展趋势,这导致COVID-19数据不稳定,传统的机理模型无法根据历史时序数据做出准确预测。因此,提出一种在深度学习LSTM网络框架下引入Self-Attention机制的改进模型。通过仿真实验,对中国、英国和意大利的COVID-19现存病例数据进行预测,并与带有非线性传染率的SIS模型、LSTM模型和ConvLSTM模型的预测结果对比,实验证明,相比于其他三种模型,LSTM-Self-Attention模型的预测精度更高。

基于对比学习MocoV2的COVID-19图像分类

肺炎是一种常见多发感染性疾病,老年人和免疫力较弱者容易感染,尽早发现有助于后期治疗。肺部病变的位置、密度和清晰度等因素会影响肺炎图像分类的准确性。随着深度学习的发展,卷积神经网络被广泛应用于医学图像分类任务中,然而网络的学习能力依赖训练样本的数量和标签。针对电子计算机断层扫描(Computed Tomography,CT)的肺炎图像分类研究,提出一种基于自监督对比学习的网络模型(MCLSE),可以从无标记的数据中学习特征,提高网络模型的准确率。本文模型(MCLSE)首先设计辅助任务,从无标记的图像中挖掘表征完成预训练,提高模型在向量空间中学习数据映射关系的能力。其次,使用卷积神经网络提取特征,为了有效捕获更高层次的特征信息选择SENet网络改进分类模型,建模特征通道的相关性。最后,用训练好的权重加载改进后的分类模型中,下游任务中使用标记数据再次训练网络。在公开数据集SARS-CoV-2 CT和CT Scans for COVID-19 Classification上进行实验,实验结果表明MCLSE对整体样本分类的准确率分别达到99.19%和99.75%,较主流模型有很大提升。

基于多通道双注意力网络的COVID-19图像分类

针对逆转录聚合酶链反应对新冠肺炎(COVID-19)的检测存在一定的假阴性率、消耗时间过长等问题,提出了一种基于深度迁移学习的多通道双注意力网络(MDA-Net)对肺部图像进行检测。在深度迁移学习的框架下,引入了多通道双注意力模块,利用多个通道的位置关系,融合不同尺度的图像特征。将注意力机制和轻量级卷积神经网络相结合,扩大MDA-Net感受野,提高了对图像复杂区域和边缘区域的特征提取能力。MDA-Net在不同数据集上进行了实验,二分类任务和三分类任务分别能取得99.25%和99.39%的平均准确率,表现出良好的分类性能。

基于结构重参数化与多尺度深度监督的COVID-19胸部CT图像自动分割

基于深度学习模型的胸部CT(Computed Tomography)图像自动分割有助于辅助医生诊疗.但随着网络宽度与深度的加深,网络训练困难且推理减慢.为提高隐藏层的学习能力,深度监督机制被用于网络训练.但以往的深度监督方法没有考虑模型中多尺度特征图的分层表示以及上采样对参与损失计算的特征图质量的影响.为加强隐藏层学习过程的直接性同时加快网络推理,本文提出一种结构重参数化与多尺度深度监督分割网络(Structural Reparameterization and Multi-scale Deep Supervision Network,SR&MDS-Net),以实现COVID-19(COrona VIrus Disease 2019)胸部CT图像的高效准确分割.首先构建一种结构重参数化特征变异(Structure Reparameterized Featurev ariation,SRFV)模块将网络的训练与推理进行解耦,在提高模型表达能力的同时加快推理速度;然后,提出一种新颖的多尺度深度监督机制,以加强网络监督效果,提高网络性能.在公开的COVID-19胸部CT图像数据集上进行实验,SR&MDSNet的灵敏度、特异性、准确率、Dice分别达到了91.5%、99.5%、72.8%、80.1%,与同类其他方法比较,具有更优的性能.

基于多尺度特征融合与反向注意力的COVID-19病灶分割

针对新型冠状病毒肺炎(COVID-19)分割问题中感染区域具有高变异性以及病灶与背景对比度低等问题,提出一种基于多尺度特征融合与反向注意力的COVID-19感染分割网络。首先,利用残差网络作为主干网络进行特征提取,并使用全局上下文聚合策略对不同层次特征进行融合得到粗略的分割结果;其次,在网络瓶颈处添加多尺度特征融合模块,利用空洞卷积与多核池化增强网络分割不同尺度病变的能力;最后,设计一种级联结构的反向注意力模块,利用互补区域的细节特征增强背景与目标的对比度。本文方法在COVID-19 CT分割测试集上的准确率、特异性、灵敏度分别达到0.714、0.700和0.958,误检和漏检区域明显减少,细小病灶的分割能力显著提升。

基于U-Net的COVID-19病灶医学影像ZMINet分割模型

针对COVID-19病灶医学影像边缘模糊及小病灶丢失的问题,基于多尺度多层级特征集成与多分支交互式学习策略对U-Net进行改进,提出一种基于U-Net的COVID-19病灶医学影像ZMINet分割模型。原图被缩放至多个尺度输入编码器;利用SIU-AIM模块多分支交互式地逐层学习融合层内与层间的多尺度关键特征,并将特征传入由SIM组成的解码器之对应层;SIM利用交互式学习策略以获取更丰富的多尺度信息表征,并自下而上集成多层特征;使用UAL作为损失函数指导模型输出更清晰的预测结果。在公开数据集上的对比实验表明,ZMINet分割模型在Dice、精确率、特异性和平均绝对误差等指标分别达到了79.2%、81.8%、96.8%和6.3%,与其他算法相比其性能得到了明显的提升。

基于半监督深度学习的COVID-19病灶分割研究

从计算机断层扫描(CT)图像中自动检测出肺部感染区域,为传统的医疗保健策略应对诊断COVID-19疾病提供了巨大的可能性。但是获得大量标注数据非常困难,如何利用少量标注数据和大量未标注数据来进行COVID-19诊断变得尤为重要。文章对半监督深度学习医学图像分割方法进行梳理,并深入分析了其中具有代表性的工作,最后提出基于熵的COVID-19病灶分割方法。

基于UNet++的自动分割COVID-19病灶模型在CT切片中的应用

针对肺部病变的多样性和区域分割复杂化的问题,提出了一种新的UNet++模型,包括在U-Net基础上进行了改进,主要由挤压和注意模块、空洞空间金字塔池模块、下采样、上采样、跳过连接和损失函数组成.首先,引入了挤压和注意模块来加强像素分组的注意力,充分利用全局上下文信息,让网络更好地挖掘像素之间的差异和联系.其次,设计空洞空间金字塔池模块,用于捕获COVID-19病变的多尺度信息.下采样获得高维信息,然后使用四次上采样将特征图恢复到原始大小,并使用四个跳跃连接来合并特征图.此外,广义骰子损失可以降低病变大小与骰子损失之间的相关性,从而解决小区域分割问题.使用来自不同数据集的CT扫描数据对UNet++模型进行了广泛的实验.在实验中,UNet++模型和GDL分别与典型分割模型和流行的损失函数进行了比较,实验数据表明提出的新的UNet++模型最接近黄金标准.

COVID-19网络新词形态学构词与多产性分析

作为全球性的重大公共卫生事件,COVID-19所引发的社会经济、生活、文化等剧烈变化,皆在语言中得以表征。从构词法和多产性分析发现,混合词在词形、语音、语义上具有较高的透明度,占据了新冠新词中的绝大多数;经由词缀法派生的新词占比相对较低;截短词和首字母缩略词在病毒命名和别称中使用频率较高,实用性不可小觑。网络新词的层出不穷与再架构是人们创造性地使用语言和其他符号资源渡过危机的语言应对机制。

基于长短时记忆网络的COVID-19预测研究

目的:探讨长短时记忆网络(Long Short Term Memory,LSTM)在新冠肺炎(Corona Virus Disease 2019,COVID-19)预测中的应用,实现对新冠肺炎更准确的预测。方法:以美国亚利桑那州新冠肺炎累计确诊病例数据为实验样本,采用基于长短时记忆网络构建的新冠肺炎预测模型进行预测,并分析不同因素对新冠肺炎预测模型预测效果的影响。结果:基于长短时记忆网络构建的新冠肺炎预测模型的均方根误差为3955.77,平均绝对误差为2959.85,平均绝对百分比误差为0.62%,均优于循环神经网络(Recurrent Neural Network,RNN)模型和反向传播(Back Propagation,BP)模型的预测效果。结论:基于长短时记忆网络构建的新冠肺炎预测模型准确率较高,对新冠肺炎疫情预测具有一定的实用价值。

基于神经网络的COVID-19数据分析与预测

文章针对新型冠状病毒(COVID-19)管控难以及疫情治理难等普遍性问题,对国内外疫情数据进行预处理并实现数据的可视化显示,然后通过时序分析方法中的趋势分析和突变分析识别,建立基于神经网络的数据分析模型——ANN模型和LSTM模型。通过训练模型展示出疫情相关结果,预测疫情发展趋势。其结果与实际趋势能够很好地对应起来,进一步验证了两种模型的有效性和实用性。

COVID-19疫情期间网络教学在新生儿科临床实习中的应用

目的探索新型冠状病毒肺炎(COVID-19)疫情期间采取网络教学进行新生儿科实习教学的优势及可行性。方法对2020年2月至5月因受COVID-19疫情影响而采用网络授课教学进行新生儿科实习的北京协和医学院学生(网络组),以及2019年11月至2020年1月在儿科新生儿病房采取传统面授模式实习的北京协和医学院学生(对照组),发放教学质量评价系统(SETQ)问卷以及儿科应知应会项目自评表进行问卷调查;比较其调查结果,分析两组在教学质量和所学知识掌握情况的差异。结果网络组以及线下组在教学质量各方面差异均没有统计学意义;在所学知识掌握上,网络组在发病率较低的疾病、复杂临床操作以及辅助检查的判读更具优势(P<0.05)。结论在新生儿科实习教学方面,网络教学与面授教学各有千秋,优势互补。

基于加权平均樽海鞘群算法和BP神经网络的COVID-19预测

新型冠状病毒肺炎以其高传染性和高致病性成为全球关注的问题之一.有效预测COVID-19的累计确诊人数对COVID-19的防控具有重要价值.本文提出加权平均樽海鞘群算法(AVSSA),通过23个基准函数验证了AVSSA的有效性,进而利用AVSSA优化BP神经网络建立预测模型AVSSA-BP,实现COVID-19的预测.实验结果表明预测模型AVSSA-BP有最小的误差和最高的确定性系数,验证了AVSSA-BP的有效性.