[发明专利]基于复杂网络社区发现的层次重叠核心药群发现方法

说明书

技术领域

本发明涉及一种构建中药方剂(TCMF)网络的方法和一种适用TCMF网络的层次重叠核心药群发现方法。

背景技术

目前利用数据挖掘技术探讨方剂配伍规律的研究主要有以下三种模式：以分类为主的数据挖掘研究模式，以聚类为主的数据挖掘研究模式和以关联规则挖掘为主的研究模式。这三种模式多集中在药对、药组或药症、症证关联等局部信息的分析上，在揭示中医理论体系的“复杂性”与方剂配伍规律的“内隐性”方面还有些不足之处，例如以聚类为主的数据挖掘研究模式很难解决药物(或方剂)聚类的单分配问题，以关联规则挖掘为主的数据挖掘研究模式很难发现低频繁的核心药群等。

用网络的观点描述客观世界起源于1736年德国数学家Eular解决哥尼斯堡七桥问题。Watts DJ和Barabasi AL分别向人们展示了复杂网络的特征：小世界和无标度，同时他们还建立了对应的数学模型来阐释特征形成的原因。利用网络的拓扑结构来挖掘其功能模块和组织结构是社团结构发现的主要目标，迄今为止有大量的研究者投入了很大的努力，学术界已提出了许多社团发现算法，Fortunato对这些算法提供了一个较为全面的总结，给出了三个较为常见的社区结构定义：局部定义、全局定义和结点相似度定义，事实上还有边相似度定义。算法优劣的衡量大多是建立在对人工网络社区结构划分准确性的基础上，对于现实世界中的真实复杂网络还需要与之相适应的社区发现算法。

现实世界中有很多的真实复杂网络，如社会网络、互联网页面间互相链接网络、文献引用网络、生物学网络(如蛋白质相互作用网络)、论文合著网络等等。不同的真实网络结构代表其研究方向的现实意义，如在蛋白质相互作用网络中的社区结构代表功能相近的蛋白质，而社交网络中的社区结构代表因某种关系(如朋友，家人等)或兴趣相近而形成的群体。

为了进一步揭示中医理论体系的“复杂性”与方剂配伍规律的“内隐性”，我们从复杂网络社团发现的角度出发用复杂网络的模型来探索方剂配伍规律，提出一种新的真实复杂网络，中医药方剂(Traditional Chinese Medicine Formula，简写TCMF)网络，由于存在方剂“单方->基本方->复方”的衍变及存在加减方等因素，TCMF网络是一种区别于传统复杂网络的高重叠网络，不仅具有重叠结点，还具有重叠边，传统的重叠社区发现算法并不适用于TCMF网络，因此，我们又提出适用该网络的重叠层次社区发现算法。

发明内容

本发明目的是提出一种构建TCMF网络的方法和一种适用TCMF网络的层次重叠核心药群发现方法。

本发明目的还在于：提出一种从另一个角度(TCMF复杂网络)来描述中药方剂配伍规律的方法，一是提供一种构建TCMF网络的方法以更好的展现方剂配伍规律，二是提供一种适用TCMF网络的重叠层次核心药群发现方法以挖掘药群潜在配伍关系。

本发明技术方案：为解决上述问题，本发明提出一种构建TCMF网络的方法和一种适用于TCMF网络社区发现的层次重叠核心药群发现方法，主要技术包括如下步骤：

步骤一TCMF网络的构建方法：

a)对给定数量的方剂计算每味药物的AC值(贡献度，用量)并删掉AC值小于一定阈值的药物；

b)计算二元组药物的AC值做删减，再计算三元组药物的AC值做删减；

c)剩余三元组构建TCMF网络；

d)结束；

步骤二TCMF网络层次重叠核心药群发现方法：

a)预处理步骤1得到的TCMF网络；

b)对预处理后的TCMF网络执行MAIGA算法进行药群发现；

c)返回药群划分结果；

d)结束；

其中：

步骤一和步骤二所说的TCMF网络为中医药方剂(Traditional Chinese Medicine Formula，简写TCMF)网络。

步骤一-a中所说的药物在方剂中的AC值为出现贡献度(Appear Contribution，简写AC)，药物x的出现贡献度p_x，计算公式为：