第9卷第2期 智能系统学报 Vol.9 No.2 2014年4月 CAAI Transactions on Intelligent Systems Apr.2014 D0I:10.3969/j.issn.1673-4785.201307012 网络出版地址：http:/www.cmki.net/kcms/doi/10.3969/j.issn.1673-4785.201307012.html 中药方剂药物属性的组网模型 李茹12，孙正12，王崇骏12，谢俊元12 (1.南京大学计算机科学与技术系，江苏南京210046：2南京大学计算机软件新技术国家重点实验室，江苏南京210046) 摘要：传统的中药方剂配伍规律的研究通常只关注药物个体或基于复杂网络的药物结构，却忽视了药物的属性。 而建立药物属性以及药物之间的网络模型可以打破仅针对药物结构进行组网的局限性。首先，提取出药物药性中 的"性味"、"归经”、"功效"三方面的属性，在传统的药物网络的节点上添加药物属性，然后，在肺痿方剂数据库中 2I1味方剂上进行试验，使用重叠社团发现算法-CPM(clique percolation method)算法对该模型进行测试，得到一些 药物社团，验证了该模型的可行性和有效性。 关键词：中药方剂配伍规律，药物属性，网络模型，重叠社团发现 中图分类号：TP18文献标志码：A文章编号：1673-4785(2014)02-0148-06 中文引用格式：李茹，孙正，王崇骏，等.中药方剂药物属性的组网模型[J].智能系统学报，2014,9(2)：148-153. 英文引用格式：LIRu,SUN Zheng,WANG Chongjun,etal.Network model of medicinal properties of the traditional Chinese med- icine prescriptions[J].CAAI Transactions on Intelligent Systems,2014,9(2):148-153. Network model of medicinal properties of the traditional Chinese medicine prescriptions LI Ru'2,SUN Zheng'2,WANG Chongjun'2,XIE Junyuan' (1.Department of Computer Science and Technology,Nanjing University,Nanjing 210046,China;2.National Key Laboratory for No- vel Software Technology,Nanjing University,Nanjing 210046,China)) Abstract:The research on the laws of the traditional Chinese medicine prescriptions usually only focuses on herbs or herbs structure in the complex network.But the properties of herbs are of great importance,so the network model of herbs and their properties can break the limitations of the network model based on herbs.First,extract three aspects of properties,"taste","meridian tropism","efficacy".Then,add these to the network model of herbs.Finally,a test was done using the overlapping community discovery algorithm,and the test data come from 211 herbs in lung impotent prescription database.And the communities found in the test verify that the new model are feasible. Keywords:compatibility law of the traditional Chinese medicine prescription;drug properties;network model;over- lapping associations discovery algorithm 中医是中华民族千百年流传下来的精髓，而且 剂数据为探索中药方剂的配伍规律提供了很重要的 越来越得到全球医学界的认可。由于古人对中医记 依据，使中医药的发展更加科技化、体系化。 载的重大贡献使得中医体系保存得比较完整。现存 在中医药研究方面，已经有很多专家系统存在， 的有关文献中，经专家统计，方剂数量大约100000 而这些系统大都是针对方剂和药物进行表层的分 种。而正是这些相对完整的医药体系以及大量的方 析。为了发掘出大量数据中包含的隐藏、有价值的 信息，可以引用数据挖掘技术。数据挖掘可以对数 收稿日期：2013-07-05.网络出版日期：2014-03-31. 基金项目：国家“973”计划资助项目(2011CB505300):国家自然科 据进行多方面分析，包括：核心药物的发现，中药方 学基金划资助项目(61021062,61105069)：江苏省科技支 剂的配伍规律，药物之间的关联分析等。可是这种 撑计划划资助项目(BE2011171,BE2012161):南京大学研 究生科研创新基金划资助项目(2011C07)。 简单的分析不利于对药物配伍规律深层次的认识。 通信作者：李茹.E-mail:r18205188176@163.com
第 ９ 卷第 ２ 期 智 能 系 统 学 报 Ｖｏｌ．９ №．２ ２０１４ 年 ４ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ａｐｒ． ２０１４ ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１３０７０１２ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｏｉ ／ １０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１３０７０１２．ｈｔｍｌ 中药方剂药物属性的组网模型 李茹１，２ ，孙正１，２ ，王崇骏１，２ ，谢俊元１，２ （１．南京大学 计算机科学与技术系，江苏 南京 ２１００４６； ２．南京大学 计算机软件新技术国家重点实验室，江苏 南京 ２１００４６） 摘 要：传统的中药方剂配伍规律的研究通常只关注药物个体或基于复杂网络的药物结构，却忽视了药物的属性。 而建立药物属性以及药物之间的网络模型可以打破仅针对药物结构进行组网的局限性。 首先，提取出药物药性中 的＂性味＂ 、＂归经＂ 、＂功效＂三方面的属性，在传统的药物网络的节点上添加药物属性，然后，在肺痿方剂数据库中 ２１１ 味方剂上进行试验，使用重叠社团发现算法－ＣＰＭ（ ｃｌｉｑｕｅ ｐｅｒｃｏｌａｔｉｏｎ ｍｅｔｈｏｄ）算法对该模型进行测试，得到一些 药物社团，验证了该模型的可行性和有效性。 关键词：中药方剂配伍规律，药物属性，网络模型，重叠社团发现 中图分类号： ＴＰ１８ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１４）０２⁃０１４８⁃０６ 中文引用格式：李茹，孙正，王崇骏，等． 中药方剂药物属性的组网模型［Ｊ］． 智能系统学报， ２０１４， ９（２）： １４８⁃１５３． 英文引用格式：ＬＩ Ｒｕ， ＳＵＮ Ｚｈｅｎｇ， ＷＡＮＧ Ｃｈｏｎｇｊｕｎ， ｅｔ ａｌ． Ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｏｆ ｍｅｄｉｃｉｎａｌ ｐｒｏｐｅｒｔｉｅｓ ｏｆ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ Ｃｈｉｎｅｓｅ ｍｅｄ⁃ ｉｃｉｎｅ ｐｒｅｓｃｒｉｐｔｉｏｎｓ［Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１４， ９（２）： １４８⁃１５３． Ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｏｆ ｍｅｄｉｃｉｎａｌ ｐｒｏｐｅｒｔｉｅｓ ｏｆ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ Ｃｈｉｎｅｓｅ ｍｅｄｉｃｉｎｅ ｐｒｅｓｃｒｉｐｔｉｏｎｓ ＬＩ Ｒｕ １，２ ， ＳＵＮ Ｚｈｅｎｇ １，２ ， ＷＡＮＧ Ｃｈｏｎｇｊｕｎ １，２ ， ＸＩＥ Ｊｕｎｙｕａｎ １，２ （１． Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， Ｎａｎｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ， Ｎａｎｊｉｎｇ ２１００４６， Ｃｈｉｎａ； ２．Ｎａｔｉｏｎａｌ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｆｏｒ Ｎｏ⁃ ｖｅｌ Ｓｏｆｔｗａｒｅ Ｔｅｃｈｎｏｌｏｇｙ， Ｎａｎｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ， Ｎａｎｊｉｎｇ ２１００４６， Ｃｈｉｎａ）） Ａｂｓｔｒａｃｔ：Ｔｈｅ ｒｅｓｅａｒｃｈ ｏｎ ｔｈｅ ｌａｗｓ ｏｆ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ Ｃｈｉｎｅｓｅ ｍｅｄｉｃｉｎｅ ｐｒｅｓｃｒｉｐｔｉｏｎｓ ｕｓｕａｌｌｙ ｏｎｌｙ ｆｏｃｕｓｅｓ ｏｎ ｈｅｒｂｓ ｏｒ ｈｅｒｂｓ ｓｔｒｕｃｔｕｒｅ ｉｎ ｔｈｅ ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋ． Ｂｕｔ ｔｈｅ ｐｒｏｐｅｒｔｉｅｓ ｏｆ ｈｅｒｂｓ ａｒｅ ｏｆ ｇｒｅａｔ ｉｍｐｏｒｔａｎｃｅ， ｓｏ ｔｈｅ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｏｆ ｈｅｒｂｓ ａｎｄ ｔｈｅｉｒ ｐｒｏｐｅｒｔｉｅｓ ｃａｎ ｂｒｅａｋ ｔｈｅ ｌｉｍｉｔａｔｉｏｎｓ ｏｆ ｔｈｅ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｈｅｒｂｓ． Ｆｉｒｓｔ， ｅｘｔｒａｃｔ ｔｈｒｅｅ ａｓｐｅｃｔｓ ｏｆ ｐｒｏｐｅｒｔｉｅｓ， ＂ ｔａｓｔｅ＂ ， ＂ｍｅｒｉｄｉａｎ ｔｒｏｐｉｓｍ＂ ， ＂ ｅｆｆｉｃａｃｙ＂ ． Ｔｈｅｎ， ａｄｄ ｔｈｅｓｅ ｔｏ ｔｈｅ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｏｆ ｈｅｒｂｓ． Ｆｉｎａｌｌｙ， ａ ｔｅｓｔ ｗａｓ ｄｏｎｅ ｕｓｉｎｇ ｔｈｅ ｏｖｅｒｌａｐｐｉｎｇ ｃｏｍｍｕｎｉｔｙ ｄｉｓｃｏｖｅｒｙ ａｌｇｏｒｉｔｈｍ， ａｎｄ ｔｈｅ ｔｅｓｔ ｄａｔａ ｃｏｍｅ ｆｒｏｍ ２１１ ｈｅｒｂｓ ｉｎ ｌｕｎｇ ｉｍｐｏｔｅｎｔ ｐｒｅｓｃｒｉｐｔｉｏｎ ｄａｔａｂａｓｅ． Ａｎｄ ｔｈｅ ｃｏｍｍｕｎｉｔｉｅｓ ｆｏｕｎｄ ｉｎ ｔｈｅ ｔｅｓｔ ｖｅｒｉｆｙ ｔｈａｔ ｔｈｅ ｎｅｗ ｍｏｄｅｌ ａｒｅ ｆｅａｓｉｂｌｅ． Ｋｅｙｗｏｒｄｓ： ｃｏｍｐａｔｉｂｉｌｉｔｙ ｌａｗ ｏｆ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ Ｃｈｉｎｅｓｅ ｍｅｄｉｃｉｎｅ ｐｒｅｓｃｒｉｐｔｉｏｎ； ｄｒｕｇ ｐｒｏｐｅｒｔｉｅｓ； ｎｅｔｗｏｒｋ ｍｏｄｅｌ； ｏｖｅｒ⁃ ｌａｐｐｉｎｇ ａｓｓｏｃｉａｔｉｏｎｓ ｄｉｓｃｏｖｅｒｙ ａｌｇｏｒｉｔｈｍ 收稿日期：２０１３⁃０７⁃０５． 网络出版日期：２０１４⁃０３⁃３１． 基金项目：国家“９７３” 计划资助项目（ ２０１１ ＣＢ５０５３００）；国家自然科 学基金划资助项目（ ６１０２１０６２，６１１０５０６９）；江苏省科技支 撑计划划资助项目（ＢＥ２０１１１７１，ＢＥ２０１２１６１）；南京大学研 究生科研创新基金划资助项目（２０１１ＣＬ０７）。 通信作者：李茹． Ｅ⁃ｍａｉｌ：ｌｒ１８２０５１８８１７６＠ １６３．ｃｏｍ． 中医是中华民族千百年流传下来的精髓，而且 越来越得到全球医学界的认可。 由于古人对中医记 载的重大贡献使得中医体系保存得比较完整。 现存 的有关文献中，经专家统计，方剂数量大约 １００ ０００ 种。 而正是这些相对完整的医药体系以及大量的方 剂数据为探索中药方剂的配伍规律提供了很重要的 依据，使中医药的发展更加科技化、体系化。 在中医药研究方面，已经有很多专家系统存在， 而这些系统大都是针对方剂和药物进行表层的分 析。 为了发掘出大量数据中包含的隐藏、有价值的 信息，可以引用数据挖掘技术。 数据挖掘可以对数 据进行多方面分析，包括：核心药物的发现，中药方 剂的配伍规律，药物之间的关联分析等。 可是这种 简单的分析不利于对药物配伍规律深层次的认识
第2期 李茹，等：中药方剂药物属性的组网模型 .149. 最近研究表明，中药药物之间的互相联系可以用网 更好地发现中医药的配伍规律，数据处理是不可缺 络来描述，在药物上建立复杂网络模型，可以更加直 少的重要环节之一。 观地展示药物间的联系。而传统中药方剂的复杂网 1.1药物同异名处理 络模型的构建只是关注药物间的联系而不考虑药物 医药同异名是一个很严重的问题，经过对医药 自身属性，这样就会忽略一些药物之间潜在的关联。 数据的分析，可以将药物名分为以下几种情况： 本文的主要思想是在复杂网络模型的基础上，加入 1)一名独正：一个正名不存在任何异名：2)一 药物本身的属性，结合药物的属性和药物间的联系 名多异：一个正名有一个或者多个异名：3)一正一 构建一个新的组网模型，让药物属性信息作为社团 异：一个异名只属于一个正名：4)多正同异：一个异 划分的依据。这样不仅能够得到药物之间的联系， 名属于多个正名。 而且还能得出药物属性之间的一些隐藏的信息，更 为了解决上述所有问题，本文针对一名独正不 能深入了解药物之间内在的链接关系。 做处理，对于一名多异和一正一异统一用正名来代 在对中医药方剂数据组网进行数据挖掘方 替，对于多正多异这种情况，采用上下文（功能、主 面，国内外已有大量学者进行了相关的研究)， 治等)判断识别本体再进行正名替换。 如周学忠等通过完全图的方式对中药方剂数据 1.2药物术语处理 进行组网，发现网络的节点度分布特性符合幂律 中医药方剂中还存在另一个问题是功能术语的 分布，从而将其划分到无尺度网络：李稍等[从 规范问题。在中医药的一些文献中，中药的功效存 网络药理学、系统生物学角度提出了“网络靶标” 在很多歧义，而且针对同种功效具有多种不同的表 的概念，并将方药、病症映射于生物分子网络，以 述。如“祛风除湿”、“祛风湿”、“祛风散寒”等功效 网络为基础建立方药与病证的关联机制：孙道平 表达意义都是相同的。由于传统文化的影响，为保 等[5]基于贡献度和同方率构建传统中药方剂 证工整优美，在方剂存储中，功效大多都是“四字为 traditional Chinese medicine formula.TCMF) 文”的形式。因功效术语存在一些复杂性，所以几 络，提出了高重叠的社区发现算法，划分了药物 乎没有文献提供一种统一的方法去规范用语。本文 社区结构。而在复杂网络[)的研究中，更是涉及 的主要思想是首先将原始功能字段分别以2字、3 到诸多领域，如细胞网络、蛋白质作用网络、神经 字和4字集合进行排序。之后对4字形式的功能术 网络、社会网络[1o]等。复杂网络具有一些重要 语进行拆分，将其分为2字形式，如将“清热解毒” 的统计特征，如Wats和Strogatz]在Nature杂志 拆为“清热”和“解毒”。如若有不符合这个形式的 提出的小世界网络模型，体现了“小世界”特征： 拆为，可以将4字形式转换成3字形式，如“补益元 Barabasi和Albert!12]提出著名的BA模型，提出 气”改成“补元气”。 “无标度”网络这个概念：Newman[]提出了复杂 将4字形式拆分后，接下来是合并意思相同的 网络的社团结构的概念。其中，也有很多学者提 功效术语。本文采用的根据混合相似度的方法来进 出了很多基于复杂网络的经典重叠性聚类算法， 行合并。混合相似度的定义为 如Palla等u)提出了最大团过滤理论，并提出了 SimUnion(A,B)=(SimContext(A,B)+ 能够识别重叠网络簇结构的CPM(clique percola- SimLiterally(A,B))/2 (1) tion method)算法；B.Yang等ti提出基于马尔可 式中：SimContext(A,B)表示上下文相似度，定义为 夫随机游走模型的FEC(finding and extracting SimContext(A,B)= communities)聚类算法， ContextOf A Join ContextOf B/K 1数据处理 ContextOfA表示A的前K个同现术语组成的集合， ContextOf B表示B的前K个同现术语组成的集合， 在数据挖掘中，数据处理对后续的数据挖掘工 SimLiterally(A,B)表示字面相似度，定义为 作很重要。中医药的原始数据存在一些问题，由于 A Join B SimLiterally(A,B)=- 方剂通过不同文献的记载，而且历经历史的变迁，很 max(A.length,B.length) 多药方中药物的名字发生了各种变化，这样就出现 经实验发现，5个同现术语中如果3个相同并 了药物同异名、药名重名、药效术语不规范问题，同 且字面一半相似，就可以说明问题。因此，可以设置 时药方中存在一些空缺值和错误记录。因此，为了 SimUnion(A,B)阈值为0.55，如果2个术语的混合
最近研究表明，中药药物之间的互相联系可以用网 络来描述，在药物上建立复杂网络模型，可以更加直 观地展示药物间的联系。 而传统中药方剂的复杂网 络模型的构建只是关注药物间的联系而不考虑药物 自身属性，这样就会忽略一些药物之间潜在的关联。 本文的主要思想是在复杂网络模型的基础上，加入 药物本身的属性，结合药物的属性和药物间的联系 构建一个新的组网模型，让药物属性信息作为社团 划分的依据。 这样不仅能够得到药物之间的联系， 而且还能得出药物属性之间的一些隐藏的信息，更 能深入了解药物之间内在的链接关系。 在对中医药方剂数据组网进行数据挖掘方 面，国内外已有大量学者进行了相关的研究［ １⁃３］ ， 如周学忠等通过完全图的方式对中药方剂数据 进行组网，发现网络的节点度分布特性符合幂律 分布，从而将其划分到无尺度网络；李稍等［ ４］ 从 网络药理学、系统生物学角度提出了“ 网络靶标” 的概念，并将方药、病症映射于生物分子网络，以 网络为基础建立方药与病证的关联机制；孙道平 等［ ５］ 基于 贡 献 度 和 同 方 率 构 建 传 统 中 药 方 剂 （ ｔｒａｄｉｔｉｏｎａｌ Ｃｈｉｎｅｓｅ ｍｅｄｉｃｉｎｅ ｆｏｒｍｕｌａ， ＴＣＭＦ ） 网 络，提出了高重叠的社区发现算法，划分了药物 社区结构。 而在复杂网络［ ６］ 的研究中，更是涉及 到诸多领域，如细胞网络、蛋白质作用网络、神经 网络、社会网络［ ７⁃１０］ 等。 复杂网络具有一些重要 的统计特征，如 Ｗａｔｔｓ 和 Ｓｔｒｏｇａｔｚ ［ １１］ 在 Ｎａｔｕｒｅ 杂志 提出的小世界网络模型，体现了“ 小世界” 特征； Ｂａｒａｂａｓｉ 和 Ａｌｂｅｒｔ ［ １２］ 提出著名的 ＢＡ 模型，提出 “无标度”网络这个概念；Ｎｅｗｍａｎ ［ ７］ 提出了复杂 网络的社团结构的概念。 其中，也有很多学者提 出了很多基于复杂网络的经典重叠性聚类算法， 如 Ｐａｌｌａ 等［ １３］ 提出了最大团过滤理论，并提出了 能够识别重叠网络簇结构的 ＣＰＭ（ ｃｌｉｑｕｅ ｐｅｒｃｏｌａ⁃ ｔｉｏｎ ｍｅｔｈｏｄ）算法；Ｂ．Ｙａｎｇ 等［ １４］ 提出基于马尔可 夫随 机 游 走 模 型 的 ＦＥＣ （ ｆｉｎｄｉｎｇ ａｎｄ ｅｘｔｒａｃｔｉｎｇ ｃｏｍｍｕｎｉｔｉｅｓ）聚类算法． １ 数据处理 在数据挖掘中，数据处理对后续的数据挖掘工 作很重要。 中医药的原始数据存在一些问题，由于 方剂通过不同文献的记载，而且历经历史的变迁，很 多药方中药物的名字发生了各种变化，这样就出现 了药物同异名、药名重名、药效术语不规范问题，同 时药方中存在一些空缺值和错误记录。 因此，为了 更好地发现中医药的配伍规律，数据处理是不可缺 少的重要环节之一。 １．１ 药物同异名处理 医药同异名是一个很严重的问题，经过对医药 数据的分析，可以将药物名分为以下几种情况： １）一名独正：一个正名不存在任何异名；２） 一 名多异：一个正名有一个或者多个异名；３） 一正一 异：一个异名只属于一个正名；４）多正同异：一个异 名属于多个正名。 为了解决上述所有问题，本文针对一名独正不 做处理，对于一名多异和一正一异统一用正名来代 替，对于多正多异这种情况，采用上下文（功能、主 治等）判断识别本体再进行正名替换。 １．２ 药物术语处理 中医药方剂中还存在另一个问题是功能术语的 规范问题。 在中医药的一些文献中，中药的功效存 在很多歧义，而且针对同种功效具有多种不同的表 述。 如“祛风除湿”、“祛风湿”、“祛风散寒”等功效 表达意义都是相同的。 由于传统文化的影响，为保 证工整优美，在方剂存储中，功效大多都是“四字为 文”的形式。 因功效术语存在一些复杂性，所以几 乎没有文献提供一种统一的方法去规范用语。 本文 的主要思想是首先将原始功能字段分别以 ２ 字、３ 字和 ４ 字集合进行排序。 之后对 ４ 字形式的功能术 语进行拆分，将其分为 ２ 字形式，如将“清热解毒” 拆为“清热”和“解毒”。 如若有不符合这个形式的 拆为，可以将 ４ 字形式转换成 ３ 字形式，如“补益元 气”改成“补元气”。 将 ４ 字形式拆分后，接下来是合并意思相同的 功效术语。 本文采用的根据混合相似度的方法来进 行合并。 混合相似度的定义为 ＳｉｍＵｎｉｏｎ（Ａ，Ｂ） ＝ （ＳｉｍＣｏｎｔｅｘｔ（Ａ，Ｂ） ＋ ＳｉｍＬｉｔｅｒａｌｌｙ（Ａ，Ｂ）） ／ ２ （１） 式中：ＳｉｍＣｏｎｔｅｘｔ（ Ａ，Ｂ ）表示上下文相似度，定义为 ＳｉｍＣｏｎｔｅｘｔ（Ａ，Ｂ） ＝ ＣｏｎｔｅｘｔＯｆ Ａ Ｊｏｉｎ ＣｏｎｔｅｘｔＯｆ Ｂ ／ Ｋ ＣｏｎｔｅｘｔＯｆ Ａ 表示 Ａ 的前 Ｋ 个同现术语组成的集合， ＣｏｎｔｅｘｔＯｆ Ｂ 表示 Ｂ 的前 Ｋ 个同现术语组成的集合， ＳｉｍＬｉｔｅｒａｌｌｙ（ Ａ，Ｂ ）表示字面相似度，定义为 ＳｉｍＬｉｔｅｒａｌｌｙ（Ａ，Ｂ） ＝ Ａ Ｊｏｉｎ Ｂ ｍａｘ（Ａ．ｌｅｎｇｔｈ，Ｂ．ｌｅｎｇｔｈ） 经实验发现，５ 个同现术语中如果 ３ 个相同并 且字面一半相似，就可以说明问题。 因此，可以设置 ＳｉｍＵｎｉｏｎ（ Ａ，Ｂ ）阈值为 ０．５５，如果 ２ 个术语的混合 第 ２ 期 李茹，等：中药方剂药物属性的组网模型 ·１４９·
·150 智能系统学报 第9卷 相似度超过该阈值就认为这2个术语可以合并。 构相似性和属性相似性结合起来，将属性作为节点 添加到组网中，通过药物属性可以使药物建立更多 2药物属性的定义 的连接，从而发现隐藏的药物之间的联系。 2.1药物属性基本内容 3.1 组建中药方剂(TCMF)网络 药物属性（药性），即所谓的药物属性中药与治 在组建TCMF网络之前，需要一些准备工作。 疗有关的性能，概括为四气五味、归经、升降沉浮、 通过计算药物之间的关联度定义一个阈值，关联 毒性]等。本文中主要选择药物表中“性味”、“归 度比该阈值高，则组网中有边连接，反之则认为 经”、“功效”3个方面作为药物属性定义的基础。其 无连接。 中“性味”包含了四气五味、毒性等描述，而“功效” 3.1.1基于药物依赖度的关联度 上体现了“升降沉浮”等。 常用的组网方式有很多，如完全图山、基于频 2.2药物属性向量 次[)、基于Jaccard相似度[16、基于熵)、基于互信 药物属性向量的具体构建方法是：假定每个字 息[]等。而在中药方剂数据组网应用场景下，上述 段有N个离散取值，将其定义成N维的属性向量， 相似度量方法存在不均衡情况下的单向依赖关系和 每维取值0或1(0代表没有出现该取值，1代表出 对组方长度不敏感等不足，为了解决这些问题，本文 现该取值)。据此方法，可以得到“性味”、“归经”、 提出了药物依赖度的关联度。 “功效”3个方面的属性向量如表1~3所示。 定义药物X对Y的依赖度为 表1性味向量 Ind(YI X)= Table 1 Vector of properties and flavors of herbs (∑，/(Formula(X,Y).length-)/X|(2) F1 F2 F3 F4 F5 F6 F7 F8 F9 F10...F21 式中：Formula(X,Y)表示X和Y的共同组方集合， 苦甘辛平温寒凉涩毒咸…臭 Formula(X,Y),.length表示组方集合中第i个方剂 表2归经向量 的长度，减一是为了消除自身对方剂长度影响。药 Table 2 Vector of meridian tropism of herbs 物关联度的公式为 TI T2 T3 T4 T5 T6 T7 T8 T9 T10...F18 sim(X,Y)=max Ind(I Y)Ind(YIX)= 肝肺脾肾心胃大肠膀胱胆小肠…命门 ∑，l/(Formula(x,Y).length-l) 表3功效向量 (3) min, Table 3 Vector of efficacy of herbs 为了解决X和Y频次不均衡的问题，取X、Y相 E1 E2 E3 E4 E5 E6 E7 E8 E9 E10....E255 互依赖度中的最大值，同时还考虑了方剂长度的影 清热解毒祛风止痛消肿活血止血祛湿利水祛瘀·助运 响。 但是，通过式(2)和式(3)不难发现：直接取药 3 组建中药方剂属性网络模型 对依赖度中的最大值是有问题的，如果分母本身过 本文的目的是在传统中医药基于结构相似性或 小，也会导致结果很高。所以为了解决这个问题，本 属性相似性进行聚类的研究基础上进行改进，将结 文对药物关联度做了改进： ∑，1/(Formula(X,Y).length-l) min(In(I Y),In(YIX))= max{,I YI) ，min{lXl,1Y1<k} sim(I Y)= ∑，/(Formula(X,Y).length-1) max(In(I Y),In(YIX))= ,min{lX1,1Y1≥k} min Y 最终的关联度定义为一个分段函数，当X、Y最 算当前方剂对药物关联度的增益，并将其加到原关 小频次小于某个阈值时，取依赖度中的较小者：当 联度上。最后，查询所有关联度大的药对进行组网。 X、Y最小频次大于阈值时，取依赖度中的较大者，这 组网算法如下：TCMFCreat(DrugSet,Formula- 样就避免了频次过低导致依赖度过高的错误。 Set,k,x) 3.1.2组网算法 Input:药物集合DrugSet,方剂集合FormulaSet, 本文的组网算法的思想是：遍历所有的方剂，计 频次阈值k,关联度阈值x:
相似度超过该阈值就认为这 ２ 个术语可以合并。 ２ 药物属性的定义 ２．１ 药物属性基本内容 药物属性（药性），即所谓的药物属性中药与治 疗有关的性能，概括为四气五味、归经 、升降沉浮、 毒性［１５］等。 本文中主要选择药物表中“性味”、“归 经”、“功效”３ 个方面作为药物属性定义的基础。 其 中“性味”包含了四气五味、毒性等描述，而“功效” 上体现了“升降沉浮”等。 ２．２ 药物属性向量 药物属性向量的具体构建方法是：假定每个字 段有 Ｎ 个离散取值，将其定义成 Ｎ 维的属性向量， 每维取值 ０ 或 １（０ 代表没有出现该取值，１ 代表出 现该取值）。 据此方法，可以得到“性味”、“归经”、 “功效”３ 个方面的属性向量如表 １～３ 所示。 表 １ 性味向量 Ｔａｂｌｅ １ Ｖｅｃｔｏｒ ｏｆ ｐｒｏｐｅｒｔｉｅｓ ａｎｄ ｆｌａｖｏｒｓ ｏｆ ｈｅｒｂｓ Ｆ１ Ｆ２ Ｆ３ Ｆ４ Ｆ５ Ｆ６ Ｆ７ Ｆ８ Ｆ９ Ｆ１０ ．．． Ｆ２１ 苦 甘 辛 平 温 寒 凉 涩 毒 咸 ．．．． 臭 表 ２ 归经向量 Ｔａｂｌｅ ２ Ｖｅｃｔｏｒ ｏｆ ｍｅｒｉｄｉａｎ ｔｒｏｐｉｓｍ ｏｆ ｈｅｒｂｓ Ｔ１ Ｔ２ Ｔ３ Ｔ４ Ｔ５ Ｔ６ Ｔ７ Ｔ８ Ｔ９ Ｔ１０ ．．． Ｆ１８ 肝 肺 脾 肾 心 胃 大肠 膀胱 胆 小肠 ．．．． 命门 表 ３ 功效向量 Ｔａｂｌｅ ３ Ｖｅｃｔｏｒ ｏｆ ｅｆｆｉｃａｃｙ ｏｆ ｈｅｒｂｓ Ｅ１ Ｅ２ Ｅ３ Ｅ４ Ｅ５ Ｅ６ Ｅ７ Ｅ８ Ｅ９ Ｅ１０ ．．．． Ｅ２５５ 清热解毒 祛风 止痛 消肿 活血 止血 祛湿 利水 祛瘀 ．．． 助运 ３ 组建中药方剂属性网络模型 本文的目的是在传统中医药基于结构相似性或 属性相似性进行聚类的研究基础上进行改进，将结 构相似性和属性相似性结合起来，将属性作为节点 添加到组网中，通过药物属性可以使药物建立更多 的连接，从而发现隐藏的药物之间的联系。 ３．１ 组建中药方剂（ＴＣＭＦ）网络 在组建 ＴＣＭＦ 网络之前，需要一些准备工作。 通过计算药物之间的关联度定义一个阈值，关联 度比该阈值高，则组网中有边连接，反之则认为 无连接。 ３．１．１ 基于药物依赖度的关联度 常用的组网方式有很多，如完全图［１］ 、基于频 次［５］ 、基于 Ｊａｃｃａｒｄ 相似度［１６］ 、基于熵［１７］ 、基于互信 息［１８］等。 而在中药方剂数据组网应用场景下，上述 相似度量方法存在不均衡情况下的单向依赖关系和 对组方长度不敏感等不足，为了解决这些问题，本文 提出了药物依赖度的关联度。 定义药物 Ｘ 对 Ｙ 的依赖度为 Ｉｎｄ（Ｙ ｜ Ｘ） ＝ （∑ｉ １／ （Ｆｏｒｍｕｌａ （Ｘ，Ｙ）ｉ ．ｌｅｎｇｔｈ － １）） ／ Ｘ （２） 式中： Ｆｏｒｍｕｌａ（Ｘ，Ｙ） 表示 Ｘ 和 Ｙ 的共同组方集合， Ｆｏｒｍｕｌａ （Ｘ，Ｙ）ｉ ．ｌｅｎｇｔｈ 表示组方集合中第 ｉ 个方剂 的长度，减一是为了消除自身对方剂长度影响。 药 物关联度的公式为 ｓｉｍ（Ｘ，Ｙ） ＝ ｍａｘ｛Ｉｎｄ（Ｘ ｜ Ｙ），Ｉｎｄ（Ｙ ｜ Ｘ）｝ ＝ ∑ｉ １ ／ （Ｆｏｒｍｕｌａ （Ｘ，Ｙ）ｉ ．ｌｅｎｇｔｈ － １） ｍｉｎ｛｜ Ｘ ｜ ， ｜ Ｙ ｜ ｝ （３） 为了解决 Ｘ 和 Ｙ 频次不均衡的问题，取 Ｘ、Ｙ 相 互依赖度中的最大值，同时还考虑了方剂长度的影 响。 但是，通过式（２）和式（３）不难发现：直接取药 对依赖度中的最大值是有问题的，如果分母本身过 小，也会导致结果很高。 所以为了解决这个问题，本 文对药物关联度做了改进： ｓｉｍ（Ｘ ｜ Ｙ） ＝ ｍｉｎ{Ｉｎ（Ｘ ｜ Ｙ），Ｉｎ（Ｙ ｜ Ｘ）} ＝ ∑ｉ １／ （Ｆｏｒｍｕｌａ （Ｘ，Ｙ）ｉ ．ｌｅｎｇｔｈ － １） ｍａｘ{｜ Ｘ ｜ ， ｜ Ｙ ｜ } ，ｍｉｎ{｜ Ｘ ｜ ， ｜ Ｙ ｜ ＜ ｋ} ｍａｘ{Ｉｎ（Ｘ ｜ Ｙ），Ｉｎ（Ｙ ｜ Ｘ）} ＝ ∑ｉ １／ （Ｆｏｒｍｕｌａ （Ｘ，Ｙ）ｉ ．ｌｅｎｇｔｈ － １） ｍｉｎ{｜ Ｘ ｜ ， ｜ Ｙ ｜ } ，ｍｉｎ{｜ Ｘ ｜ ， ｜ Ｙ ｜ ≥ ｋ} ì î í ï ï ï ï ï ï 最终的关联度定义为一个分段函数，当 Ｘ、Ｙ 最 小频次小于某个阈值时，取依赖度中的较小者；当 Ｘ、Ｙ 最小频次大于阈值时，取依赖度中的较大者，这 样就避免了频次过低导致依赖度过高的错误。 ３．１．２ 组网算法 本文的组网算法的思想是：遍历所有的方剂，计 算当前方剂对药物关联度的增益，并将其加到原关 联度上。 最后，查询所有关联度大的药对进行组网。 组网算法如下：ＴＣＭＦＣｒｅａｔ （ＤｒｕｇＳｅｔ， Ｆｏｒｍｕｌａ⁃ Ｓｅｔ， ｋ，ｘ ） Ｉｎｐｕｔ：药物集合 ＤｒｕｇＳｅｔ，方剂集合 ＦｏｒｍｕｌａＳｅｔ， 频次阈值 ｋ， 关联度阈值 ｘ； ·１５０· 智 能 系 统 学 报 第 ９ 卷
第2期 李茹，等：中药方剂药物属性的组网模型 ·151 Output:所要构建网络中的边EdgeSet: V代表网络中的节点，E代表网络中的边，A= Description:遍历方剂集合，每一个方剂根据定 {a1,a2,,am}表示V中节点的m个属性，每个属 义的药物关联度计算对相关药对的关联度的增益： 性a:的值域为Dom(a,)={aa,a2,…,an},其中 方剂集合遍历完之后，再遍历所有药对，根据输 |Dom(a,)=n,即在属性a:上有n:种取值可能。对 入阈值判断药物间是否有边： 节点：∈V来说，其属性向量为 1)For each drugl,drug2 in DrugSet [a1(u)a2(e)…an(:)],其中a()表示 2)If drugl≠drug2 节点在属性a:上的取值。 3)Sim(drugl,drug2)=0 那么原图G的“属性扩展图”定义为G。= 4)For each formula in FormulaSet do (WUV。,EUE),其中V。={V}=1表示新加 5)If formula.length>1 入的“属性节点”集合，属性节点V∈V。表示属性 6)For each drugi,drugj in formula do a:取值为a:。E。表示原始网络节点与属性节点相 7)If drugi≠dnug 连的边，边(V:,V)∈E当且仅当a,(:)=a,意即 8)If min(count(drugi),count(drugj))x 4实验 15)EdgeSet.add(drugl,drug2) 4.1实验设置 16)Return EdgeSet 为了分析基于药物属性的中药方剂组网模型的 其中，count(drugi)为计算第i个药物的频次， 可行性和有效性，本文在肺痿方剂数据库中的211 即它在所有方剂当中出现的次数。在肺痿方剂数据 味方剂上进行了试验，并和传统的组网方式进行了 上运行组网算法，通过对网络的性质进行统计，发现 对比。试验环境如下：处理器Intel(R)Pentium(R) 网络节点的度分布是符合幂律分布的]，因此可以 G6402.8GHz,内存2GB,硬盘500GB,操作系统 将TCMF网络加入到复杂网络的范畴，这样就可以 Windows732位版，编程语言为Java6.0。 运用复杂网络的分析方法。 4.2CPM算法 通过对网络的性质统计，发现网络节点的度分 K-clique派系过滤算法(CPM)3]是由Palla提 布是符合幂律分布的，因此可以将TCMF网络加 出的第1个发现重叠社区的算法。它的简要思想是 入到复杂网络的范畴，这样就可以运用复杂网络的 将相邻的K-clique进行合并，有些节点会属于多个 分析方法。 K-clique,因此构成了网络中的社区重叠部分。主 3.2属性扩展图的构建 要实现步骤是，给定一个K值，计算出网络中所有 在中医药组成的TCMF网络中，试图权衡结构 的K-团，建立团-团之间的重叠矩阵，然后通过重叠 和属性相似度得到结果。也就是说经常在一起的药 矩阵来得到重叠的网络簇结构。在本实验中，设置 物划分在同一社团，并且它们的药性也大致相似。 K=4。 为了达到这个目的，本文提出一种将结构和属性一 4.3实验数据 体化度量的方法，即“属性扩展图”的做法。具体思 本文实验所采用的数据集为肺痿方剂数据库中 想是：将节点的每个属性的离散取值作为一个“虚 的211味方剂，从中提取了125种药物、13种性味、 拟”节点，加到原网络中，称为“属性节点”，然后在 12种归经、90种功效。属性扩展图上有(125+13+ 新网络上利用节点间度量的方式进行聚类。 12+90)240个节点，254条两两药物组成的“结构 关于“属性扩展图”的形式化定义： 边”、339条“性味边”、493条“归经边”、679条“功 G=(V,E,A)为带属性的节点组成的图，其中 效边
Ｏｕｔｐｕｔ：所要构建网络中的边 ＥｄｇｅＳｅｔ； Ｄｅｓｃｒｉｐｔｉｏｎ：遍历方剂集合，每一个方剂根据定 义的药物关联度计算对相关药对的关联度的增益； 方剂集合遍历完之后，再遍历所有药对，根据输 入阈值判断药物间是否有边： １）Ｆｏｒ ｅａｃｈ ｄｒｕｇ１，ｄｒｕｇ２ ｉｎ ＤｒｕｇＳｅｔ ２）Ｉｆ ｄｒｕｇ１≠ｄｒｕｇ２ ３）Ｓｉｍ（ｄｒｕｇ１，ｄｒｕｇ２） ＝ ０ ４）Ｆｏｒ ｅａｃｈ ｆｏｒｍｕｌａ ｉｎ ＦｏｒｍｕｌａＳｅｔ ｄｏ ５）Ｉｆ ｆｏｒｍｕｌａ．ｌｅｎｇｔｈ＞１ ６）Ｆｏｒ ｅａｃｈ ｄｒｕｇｉ，ｄｒｕｇｊ ｉｎ ｆｏｒｍｕｌａ ｄｏ ７）Ｉｆ ｄｒｕｇｉ≠ｄｒｕｇｊ ８）Ｉｆ ｍｉｎ（ｃｏｕｎｔ（ｄｒｕｇｉ），ｃｏｕｎｔ（ｄｒｕｇｊ））＜ｋ ９）Ｓｉｍ（ｄｒｕｇｉ， ｄｒｕｇｊ） ＝ Ｓｉｍ（ｄｒｕｇｉ， ｄｒｕｇｊ）＋１／ ｆｏｒ⁃ ｍｕｌａ．ｌｅｎｇｔｈ∗ｍａｘ（ｃｏｕｎｔ（ｄｒｕｇｉ），ｃｏｕｎｔ（ｄｒｕｇｊ）） １０）Ｅｌｓｅ １１） Ｓｉｍ（ｄｒｕｇｉ， ｄｒｕｇｊ） ＝ Ｓｉｍ（ｄｒｕｇｉ， ｄｒｕｇｊ） ＋１／ ｆｏｒｍｕｌａ．ｌｅｎｇｔｈ∗ｍｉｎ（ｃｏｕｎｔ（ｄｒｕｇｉ），ｃｏｕｎｔ（ｄｒｕｇｊ）） １２）Ｆｏｒ ｅａｃｈ ｄｒｕｇ１，ｄｒｕｇ２ ｉｎ ＤｒｕｇＳｅｔ ｄｏ １３）Ｉｆ ｄｒｕｇ１≠ｄｒｕｇ２ １４）Ｉｆ Ｓｉｍ（ｄｒｕｇ１，ｄｒｕｇ２）＞ｘ １５）ＥｄｇｅＳｅｔ．ａｄｄ（ｄｒｕｇ１，ｄｒｕｇ２） １６）Ｒｅｔｕｒｎ ＥｄｇｅＳｅｔ 其中，ｃｏｕｎｔ（ ｄｒｕｇｉ） 为计算第 ｉ 个药物的频次， 即它在所有方剂当中出现的次数。 在肺痿方剂数据 上运行组网算法，通过对网络的性质进行统计，发现 网络节点的度分布是符合幂律分布的［２］ ，因此可以 将 ＴＣＭＦ 网络加入到复杂网络的范畴，这样就可以 运用复杂网络的分析方法。 通过对网络的性质统计，发现网络节点的度分 布是符合幂律分布的［２］ ，因此可以将 ＴＣＭＦ 网络加 入到复杂网络的范畴，这样就可以运用复杂网络的 分析方法。 ３．２ 属性扩展图的构建 在中医药组成的 ＴＣＭＦ 网络中，试图权衡结构 和属性相似度得到结果。 也就是说经常在一起的药 物划分在同一社团，并且它们的药性也大致相似。 为了达到这个目的，本文提出一种将结构和属性一 体化度量的方法，即“属性扩展图”的做法。 具体思 想是：将节点的每个属性的离散取值作为一个“虚 拟”节点，加到原网络中，称为“属性节点”，然后在 新网络上利用节点间度量的方式进行聚类。 关于“属性扩展图”的形式化定义： Ｇ ＝ （Ｖ，Ｅ，Λ） 为带属性的节点组成的图，其中 Ｖ 代表网络中的节点， Ｅ 代表网络中的边， Λ ＝ ａ１ ，ａ２ ，．．．，ａｍ { } 表示 Ｖ 中节点的 ｍ 个属性，每个属 性 ａｉ 的值域为 Ｄｏｍ ａｉ ( ) ＝ ａｉ１ ，ａｉ２ ，．．．，ａｉｎ { } ， 其中 Ｄｏｍ（ａｉ） ＝ ｎｉ 即在属性 ａｉ 上有 ｎｉ 种取值可能。 对 节 点 ｖｉ ∈ Ｖ 来 说， 其 属 性 向 量 为 ａ１ ｖｉ ( ) ａ２ ｖｉ ( ) ．．． ａｍ ｖｉ [ ( ) ] ，其中 ａｊ ｖｉ ( ) 表示 节点在属性 ａｊ 上的取值。 那么原图 Ｇ 的 “ 属 性 扩 展 图” 定 义 为 Ｇａ ＝ Ｖ ∪ Ｖａ ，Ｅ ∪ Ｅａ ( ) ，其中 Ｖａ ＝ Ｖｉｊ { } ｍ，ｎｉ ｉ ＝ １，ｊ ＝ １ 表示新加 入的“属性节点”集合，属性节点 Ｖｉｊ ∈ Ｖａ 表示属性 ａｉ 取值为 ａｉｊ 。 Ｅａ 表示原始网络节点与属性节点相 连的边，边 Ｖｉ，Ｖｊｋ ( ) ∈ Ｅ 当且仅当 ａｊ ｖｉ ( ) ＝ ａｊｋ， 意即 与某个属性节点相连的原始网络节点，它在该属性 维度上的取值一定等于该属性节点代表的值。 将原 始网络中的边 Ｖｉ，Ｖｊ ( ) ∈ Ｅ 称为“结构边”，将新加 入的与属性节点相连的边 Ｖｉ，Ｖｊｋ ( ) ∈ Ｅａ 称为“属性 边”。 根据以上定义，将提取出的药物属性作为属 性节点加入到原 ＴＣＭＦ 网络中，加入性味、归经、功 效等属性节点度。 ４ 实验 ４．１ 实验设置 为了分析基于药物属性的中药方剂组网模型的 可行性和有效性，本文在肺痿方剂数据库中的 ２１１ 味方剂上进行了试验，并和传统的组网方式进行了 对比。 试验环境如下：处理器 Ｉｎｔｅｌ（Ｒ） Ｐｅｎｔｉｕｍ（Ｒ） Ｇ ６４０ ２．８ＧＨｚ，内存 ２ ＧＢ，硬盘 ５００ ＧＢ，操作系统 Ｗｉｎｄｏｗｓ７ ３２ 位版，编程语言为 Ｊａｖａ６．０。 ４．２ ＣＰＭ 算法 Ｋ ⁃ｃｌｉｑｕｅ 派系过滤算法（ＣＰＭ） ［１３］是由 Ｐａｌｌａ 提 出的第 １ 个发现重叠社区的算法。 它的简要思想是 将相邻的 Ｋ ⁃ｃｌｉｑｕｅ 进行合并，有些节点会属于多个 Ｋ ⁃ｃｌｉｑｕｅ，因此构成了网络中的社区重叠部分。 主 要实现步骤是，给定一个 Ｋ 值，计算出网络中所有 的 Ｋ⁃团，建立团－团之间的重叠矩阵，然后通过重叠 矩阵来得到重叠的网络簇结构。 在本实验中，设置 Ｋ ＝ ４。 ４．３ 实验数据 本文实验所采用的数据集为肺痿方剂数据库中 的 ２１１ 味方剂，从中提取了 １２５ 种药物、１３ 种性味、 １２ 种归经、９０ 种功效。 属性扩展图上有（１２５＋１３＋ １２＋９０）２４０ 个节点， ２５４ 条两两药物组成的“结构 边”、 ３３９ 条“性味边”、４９３ 条“归经边”、６７９ 条“功 效边”。 第 ２ 期 李茹，等：中药方剂药物属性的组网模型 ·１５１·
.152. 智能系统学报 第9卷 的分析后提出了α优势关系及其相应的粗糙集模 5 结果分析 型，以使得对不完备序信息系统的数据分析更加合 实验结果获得药物社团如表4~5所示。 理。此外，在基于α优势关系的粗糙集模型上，给出 表4肺痿药物（未添加属性）社团 了不完备序信息系统的优势区分矩阵以及不完备序 Table 4 The communities of herbs for lung impotent 决策系统的优势决策区分矩阵，从而实现了属性约 without herbs properties) 简，同时也表明了区分矩阵只能运用属性集的幂集 编号 药物列表 进行构造，而不能运用单个属性集进行构造。 1 黄芩，黄连，黄柏，栀子 需要指出的是，在α优势关系的基础上，还可以 2 巴豆，黄柏，大黄，牵牛子 进一步研究不协调不完备序决策系统的属性约简算 3 麦冬，莱菔，白茅根，藕，鲜地黄梨 法，这是本文的下一步工作任务。 4 半夏，干姜，寒水石，白矾，天南星，白附子 参考文献： 表5肺痿药物（添加属性）社团 Table 5 The communities of herbs for lung impotent(with [1]周雪忠，刘保延，王映辉，等复方剂药物配伍的复杂网络 herbs properties) 方法研究[J].中国中医药信息杂志，2008,15(11)：98- 药物 相关 相关 相关 100 编号 列表 性味 归经 功效 [2]FALOUTSOS M,FALOUTSOS P,FALOUTSOS C.On pow- 1黄芩，黄连，黄柏，梔子苦，寒心，大肠，膀胱清热，燥湿 er-law relationships of the internet topology[C]/ACM SIG- 2巴豆，黄柏，大黄，牵牛子苦，寒 大肠，肾 泻下 COMM Computer Communication Review.ACM,1999,29 (4)：251-262. 3 麦冬，莱菔，白茅根 甘，寒肺，胃，肝 清热，凉血 [3]BARABASI A L,BONABEAU E.Scale-free networks[J]. 藕，鲜地黄，梨 Scientific American,2003,288(5):50-59. 4旋复花，刺蒺藜，紫菀温 心，肺 理气 [4]李稍.网络靶标中药方剂网络药理学研究的一个切入点 5粳米，杏仁，蜂蜜，酥甘脾，肺，大肠 补益 [J].中国中药杂志，2011,15(36)：2017-2020. 在未添加属性的组网中社团划分个数为4个， LI Shao.Network target:a starting point for traditional Chi- 如表4所示。在添加属性之后，同样根据CPM(K= nese medicine network pharmacology[J].China Journal of 4)算法，发掘出来的社团数目为19个，在表5中， Chinese Materia Medica,2011,15(36):2017-2020. [5]孙道平.复杂网络方剂配伍研究[M].南京：南京大学出 列出了具有代表性的5个数据。 版社，2012：1-5. 将表4和表5中的社团进行比较，可以发现： [6]STROGATZ S H.Exploring complex networks[J].Nature, 1)最明显的一点是：添加上属性之后，可以明 2001,410(6825):268-276. 显的看到一个药物群属于哪些“性味”，“归经”和 [7]GIRVAN M,NEWMAN M E J.Community structure in so- “功效”，这样更方便获得药物的属性信息。 cial and biological networks[]].Proceedings of the National 2)在未添加属性的组网中，通过PCM算法仅仅获 Academy of Sciences,2002,99(12):7821-7826 得4个社团，而在添加属性之后，获得了19个社团。实 [8]STROGATZ S H.Exploring complex networks[J].Nature, 验结果表明添加属性这种组网方式是可行的。 2001,410(6825):268-276. 3)对表4和表5中社团进行比较发现，表5中 [9]PALLA G.DERENYI I,FARKAS I,et al.Uncovering the 的第4、5社团在表4中是不存在的。从此可以说 overlapping community structure of complex networks in na- 明，通过添加属性可以使药物之间在原基础上增加 ture and society[]].Nature,2005,435(7043):814-818. 更多的关联。这也是采用这种组网方式的目的。 [10]WILKINSON D M,HUBERMAN B A.A method for find- 结果分析表明将药物的属性添加到网络中进行组 ing communities of related genes[J].Proceedings of the 网的模型是可行的，并且比传统的组网方式更有效。 National Academy of Sciences of the United States of A- merica,2004.101(Suppl1):5241-5248. 6结束语 [11]WATTS D J.Six degrees:the science of a connected age [M].Cambridge:Cambridge Univ Press,2004:32-36. 由于现实中处理的数据很多是不完备的且存在 [12]BARABASI A L,ALBERT R.Emergence of scaling in 偏序性，因此研究处理这种复杂数据情况的粗糙集 random networks[J].Science,1999,286(5439):509- 方法是很有实际意义的。本文通过对现有优势关系 512
５ 结果分析 实验结果获得药物社团如表 ４～５ 所示。 表 ４ 肺痿药物（未添加属性）社团 Ｔａｂｌｅ ４ Ｔｈｅ ｃｏｍｍｕｎｉｔｉｅｓ ｏｆ ｈｅｒｂｓ ｆｏｒ ｌｕｎｇ ｉｍｐｏｔｅｎｔ （ｗｉｔｈｏｕｔ ｈｅｒｂｓ ｐｒｏｐｅｒｔｉｅｓ） 编号 药物列表 １ 黄芩，黄连，黄柏，栀子 ２ 巴豆，黄柏，大黄，牵牛子 ３ 麦冬，莱菔，白茅根，藕，鲜地黄，梨 ４ 半夏，干姜，寒水石，白矾，天南星，白附子 表 ５ 肺痿药物（添加属性）社团 Ｔａｂｌｅ ５ Ｔｈｅ ｃｏｍｍｕｎｉｔｉｅｓ ｏｆ ｈｅｒｂｓ ｆｏｒ ｌｕｎｇ ｉｍｐｏｔｅｎｔ（ｗｉｔｈ ｈｅｒｂｓ ｐｒｏｐｅｒｔｉｅｓ） 编号 药物 列表 相关 性味 相关 归经 相关 功效 １ 黄芩，黄连，黄柏，栀子 苦，寒 心，大肠，膀胱 清热，燥湿 ２ 巴豆，黄柏，大黄，牵牛子苦，寒 大肠，肾 泻下 ３ 麦冬，莱菔，白茅根， 藕，鲜地黄，梨 甘，寒 肺，胃，肝 清热，凉血 ４ 旋复花，刺蒺藜，紫菀 温 心，肺 理气 ５ 粳米，杏仁，蜂蜜，酥 甘 脾，肺，大肠 补益 在未添加属性的组网中社团划分个数为 ４ 个， 如表 ４ 所示。 在添加属性之后，同样根据 ＣＰＭ（ Ｋ ＝ ４）算法，发掘出来的社团数目为 １９ 个，在表 ５ 中， 列出了具有代表性的 ５ 个数据。 将表 ４ 和表 ５ 中的社团进行比较，可以发现： １）最明显的一点是：添加上属性之后，可以明 显的看到一个药物群属于哪些“性味”，“归经” 和 “功效”，这样更方便获得药物的属性信息。 ２）在未添加属性的组网中，通过 ＰＣＭ 算法仅仅获 得４ 个社团，而在添加属性之后，获得了１９ 个社团。 实 验结果表明添加属性这种组网方式是可行的。 ３）对表 ４ 和表 ５ 中社团进行比较发现，表 ５ 中 的第 ４、５ 社团在表 ４ 中是不存在的。 从此可以说 明，通过添加属性可以使药物之间在原基础上增加 更多的关联。 这也是采用这种组网方式的目的。 结果分析表明将药物的属性添加到网络中进行组 网的模型是可行的，并且比传统的组网方式更有效。 ６ 结束语 由于现实中处理的数据很多是不完备的且存在 偏序性，因此研究处理这种复杂数据情况的粗糙集 方法是很有实际意义的。 本文通过对现有优势关系 的分析后提出了 α 优势关系及其相应的粗糙集模 型，以使得对不完备序信息系统的数据分析更加合 理。 此外，在基于 α 优势关系的粗糙集模型上，给出 了不完备序信息系统的优势区分矩阵以及不完备序 决策系统的优势决策区分矩阵，从而实现了属性约 简，同时也表明了区分矩阵只能运用属性集的幂集 进行构造，而不能运用单个属性集进行构造。 需要指出的是，在 α 优势关系的基础上，还可以 进一步研究不协调不完备序决策系统的属性约简算 法，这是本文的下一步工作任务。 参考文献： ［１］周雪忠，刘保延，王映辉，等．复方剂药物配伍的复杂网络 方法研究［Ｊ］．中国中医药信息杂志， ２００８， １５（１１）： ９８⁃ １００． ［ ２］ＦＡＬＯＵＴＳＯＳ Ｍ， ＦＡＬＯＵＴＳＯＳ Ｐ， ＦＡＬＯＵＴＳＯＳ Ｃ． Ｏｎ ｐｏｗ⁃ ｅｒ⁃ｌａｗ ｒｅｌａｔｉｏｎｓｈｉｐｓ ｏｆ ｔｈｅ ｉｎｔｅｒｎｅｔ ｔｏｐｏｌｏｇｙ［Ｃ］ ／ ／ ＡＣＭ ＳＩＧ⁃ ＣＯＭＭ Ｃｏｍｐｕｔｅｒ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｒｅｖｉｅｗ． ＡＣＭ， １９９９， ２９ （４）： ２５１ ⁃２６２． ［３］ＢＡＲＡＢÁＳＩ Ａ Ｌ， ＢＯＮＡＢＥＡＵ Ｅ． Ｓｃａｌｅ⁃ｆｒｅｅ ｎｅｔｗｏｒｋｓ［ Ｊ］． Ｓｃｉｅｎｔｉｆｉｃ Ａｍｅｒｉｃａｎ， ２００３， ２８８（５）： ５０⁃５９． ［４］李稍．网络靶标中药方剂网络药理学研究的一个切入点 ［Ｊ］．中国中药杂志，２０１１， １５（３６）： ２０１７⁃２０２０． ＬＩ Ｓｈａｏ． Ｎｅｔｗｏｒｋ ｔａｒｇｅｔ： ａ ｓｔａｒｔｉｎｇ ｐｏｉｎｔ ｆｏｒ ｔｒａｄｉｔｉｏｎａｌ Ｃｈｉ⁃ ｎｅｓｅ ｍｅｄｉｃｉｎｅ ｎｅｔｗｏｒｋ ｐｈａｒｍａｃｏｌｏｇｙ［ Ｊ］． Ｃｈｉｎａ Ｊｏｕｒｎａｌ ｏｆ Ｃｈｉｎｅｓｅ Ｍａｔｅｒｉａ Ｍｅｄｉｃａ， ２０１１， １５（３６）： ２０１７⁃２０２０． ［５］孙道平． 复杂网络方剂配伍研究［Ｍ］． 南京：南京大学出 版社， ２０１２： １⁃５． ［６］ＳＴＲＯＧＡＴＺ Ｓ Ｈ． Ｅｘｐｌｏｒｉｎｇ ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋｓ［ Ｊ］． Ｎａｔｕｒｅ， ２００１， ４１０（６８２５）： ２６８⁃２７６． ［７］ＧＩＲＶＡＮ Ｍ， ＮＥＷＭＡＮ Ｍ Ｅ Ｊ． Ｃｏｍｍｕｎｉｔｙ ｓｔｒｕｃｔｕｒｅ ｉｎ ｓｏ⁃ ｃｉａｌ ａｎｄ ｂｉｏｌｏｇｉｃａｌ ｎｅｔｗｏｒｋｓ［Ｊ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｎａｔｉｏｎａｌ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ， ２００２， ９９（１２）： ７８２１⁃７８２６ ［８］ＳＴＲＯＧＡＴＺ Ｓ Ｈ． Ｅｘｐｌｏｒｉｎｇ ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋｓ［ Ｊ］． Ｎａｔｕｒｅ， ２００１， ４１０（６８２５）： ２６８⁃２７６． ［９］ＰＡＬＬＡ Ｇ， ＤＥＲÉＮＹＩ Ｉ， ＦＡＲＫＡＳ Ｉ， ｅｔ ａｌ． Ｕｎｃｏｖｅｒｉｎｇ ｔｈｅ ｏｖｅｒｌａｐｐｉｎｇ ｃｏｍｍｕｎｉｔｙ ｓｔｒｕｃｔｕｒｅ ｏｆ ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋｓ ｉｎ ｎａ⁃ ｔｕｒｅ ａｎｄ ｓｏｃｉｅｔｙ［Ｊ］． Ｎａｔｕｒｅ， ２００５， ４３５（７０４３）： ８１４⁃８１８． ［１０］ＷＩＬＫＩＮＳＯＮ Ｄ Ｍ， ＨＵＢＥＲＭＡＮ Ｂ Ａ． Ａ ｍｅｔｈｏｄ ｆｏｒ ｆｉｎｄ⁃ ｉｎｇ ｃｏｍｍｕｎｉｔｉｅｓ ｏｆ ｒｅｌａｔｅｄ ｇｅｎｅｓ ［ Ｊ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｎａｔｉｏｎａｌ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ ｏｆ ｔｈｅ Ｕｎｉｔｅｄ Ｓｔａｔｅｓ ｏｆ Ａ⁃ ｍｅｒｉｃａ， ２００４， １０１（Ｓｕｐｐｌ １）： ５２４１⁃５２４８． ［１１］ＷＡＴＴＳ Ｄ Ｊ． Ｓｉｘ ｄｅｇｒｅｅｓ： ｔｈｅ ｓｃｉｅｎｃｅ ｏｆ ａ ｃｏｎｎｅｃｔｅｄ ａｇｅ ［Ｍ］． Ｃａｍｂｒｉｄｇｅ： Ｃａｍｂｒｉｄｇｅ Ｕｎｉｖ Ｐｒｅｓｓ， ２００４：３２⁃３６． ［１２］ ＢＡＲＡＢÁＳＩ Ａ Ｌ， ＡＬＢＥＲＴ Ｒ． Ｅｍｅｒｇｅｎｃｅ ｏｆ ｓｃａｌｉｎｇ ｉｎ ｒａｎｄｏｍ ｎｅｔｗｏｒｋｓ［ Ｊ］． Ｓｃｉｅｎｃｅ， １９９９， ２８６（ ５４３９）： ５０９⁃ ５１２． ·１５２· 智 能 系 统 学 报 第 ９ 卷
第2期 李茹，等：中药方剂药物属性的组网模型 ·153. [13]PALLA G,DERENI I,FARKAS I,et al.Uncovering the o- 术，中医药现代化，2009,11(2)：225-228. verlapping community structure of complex networks in na- Tang Shihuan,Chen Jianxin,Yang Hongjun,et al.Desig- ture and society[J].Nature,2005,435:814-818. ning new tem prescriptions based on complex system entro- [14]YANG Bo,CHEUNG W K,LIU Jiming.Community min- py cluster[J].World Science and Technology (Moderniza- ing from signed social networks[J].IEEE Trans on Knowl- tion of Traditional Chinese Medicine and Materia Medica, edge and Data Engineering,2007,19(10):1333-1348. 2009,11(2)：225-228. [15]胡爱萍.关于中药药性理论现代化研究的思考[J].光 [18]PENG H,LONG F,DING C.Feature selection based on 明中医，2006.21(10)：20-22. mutual information criteria of max-dependency,max-rele- [l6]刘正.基于MapReduce的中药数据网络化及挖掘[D]. vance,and min-redundancy [J].IEEE Transactions on 南京：南京大学，2012：16-22. Pattern Analysis and Machine Intelligence,2005,27(8): [17]唐仕欢，陈建新，杨洪军，等.基于复杂系统嫡聚类方 1226-1238. 法的中药新药处方发现研究思路六[J].世界科学技 2014机器人、微机电一体化和人工智能国际会议 2014 International Conference on Robotics, Micro-Mechanotronics and Artificial 2014 International Conference on Robotics,Micro-Mechanotronics and Artificial Intelligence RMAI 2014)will be held from December 6 to December 7,2014,in Shenyang,China.RMA12014 is sponsored by Shenyang Aerospace Uni- versity and co-sponsored by Shenyang University,Liaoning Shihua University,University of Management and Economics Cambodia).This conference is a premier international forum for scientists and researchers to present the state of the art of Robotics,Micro-Mechanotronics and Artificial Intelligence.Topics of interests are in the broad areas of Robotics,Micro- Mechanotronics and Artificial Intelligence. Robotics:The design,manufacture,navigation,control,sensors,actuators,environmental perception,obstacle a- voidance technology,formation technology and application of all kinds of robot like industrial robots,health robot,special robot,land robots,underground robot,aerial robot (also known as UAV),USV(Unmanned Surface Vehicle),underwater robot,space robot,parallel robot,nano-robots,etc. Micro-Mechanotronics:advanced mechanotronics equipment,sensing and control of mechanotronics,intelligent actu- ator and materials,MEMS Micro electro metro-mechanical system),NEMS(Nanoelectromechanical system),the ap- plication of microsystems and mechanotronics in life sciences,Networked electromechanical systems sensor and network, etc.Artificial Intelligence:troubleshooting,comprehensive health management,health forecast,fault-tolerant control,ma- chine vision,image processing,biological characteristics and behavior analysis,pattern recognition and its application, neural network,SVM(support vector machine),fuzzy logic,artificial intelligence algorithm,control and optimization technique,expert system,decision support system(DSS),DM(data mining),etc. website:http://rmai2014.sau.edu.cn/
［１３］ＰＡＬＬＡ Ｇ，ＤＥＲＥＮＩ Ｉ， ＦＡＲＫＡＳ Ｉ，ｅｔ ａｌ． Ｕｎｃｏｖｅｒｉｎｇ ｔｈｅ ｏ⁃ ｖｅｒｌａｐｐｉｎｇ ｃｏｍｍｕｎｉｔｙ ｓｔｒｕｃｔｕｒｅ ｏｆ ｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋｓ ｉｎ ｎａ⁃ ｔｕｒｅ ａｎｄ ｓｏｃｉｅｔｙ［Ｊ］． Ｎａｔｕｒｅ， ２００５， ４３５： ８１４⁃８１８． ［１４］ＹＡＮＧ Ｂｏ， ＣＨＥＵＮＧ Ｗ Ｋ， ＬＩＵ Ｊｉｍｉｎｇ． Ｃｏｍｍｕｎｉｔｙ ｍｉｎ⁃ ｉｎｇ ｆｒｏｍ ｓｉｇｎｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓ ｏｎ Ｋｎｏｗｌ⁃ ｅｄｇｅ ａｎｄ Ｄａｔａ Ｅｎｇｉｎｅｅｒｉｎｇ， ２００７， １９（１０）： １３３３⁃１３４８． ［１５］胡爱萍． 关于中药药性理论现代化研究的思考［ Ｊ］． 光 明中医， ２００６， ２１（１０）： ２０⁃２２． ［１６］刘正． 基于 ＭａｐＲｅｄｕｃｅ 的中药数据网络化及挖掘［Ｄ］． 南京：南京大学， ２０１２： １６⁃２２． ［１７］唐仕欢， 陈建新， 杨洪军， 等． 基于复杂系统熵聚类方 法的中药新药处方发现研究思路六［ Ｊ］． 世界科学技 术， 中医药现代化， ２００９， １１（２）： ２２５⁃２２８． Ｔａｎｇ Ｓｈｉｈｕａｎ， Ｃｈｅｎ Ｊｉａｎｘｉｎ， Ｙａｎｇ Ｈｏｎｇｊｕｎ， ｅｔ ａｌ． Ｄｅｓｉｇ⁃ ｎｉｎｇ ｎｅｗ ｔｃｍ ｐｒｅｓｃｒｉｐｔｉｏｎｓ ｂａｓｅｄ ｏｎ ｃｏｍｐｌｅｘ ｓｙｓｔｅｍ ｅｎｔｒｏ⁃ ｐｙ ｃｌｕｓｔｅｒ［Ｊ］． Ｗｏｒｌｄ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ（Ｍｏｄｅｒｎｉｚａ⁃ ｔｉｏｎ ｏｆ Ｔｒａｄｉｔｉｏｎａｌ Ｃｈｉｎｅｓｅ Ｍｅｄｉｃｉｎｅ ａｎｄ Ｍａｔｅｒｉａ Ｍｅｄｉｃａ， ２００９， １１（２）： ２２５⁃２２８． ［１８］ＰＥＮＧ Ｈ， ＬＯＮＧ Ｆ， ＤＩＮＧ Ｃ． Ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｍｕｔｕａｌ ｉｎｆｏｒｍａｔｉｏｎ ｃｒｉｔｅｒｉａ ｏｆ ｍａｘ⁃ｄｅｐｅｎｄｅｎｃｙ， ｍａｘ⁃ｒｅｌｅ⁃ ｖａｎｃｅ， ａｎｄ ｍｉｎ⁃ｒｅｄｕｎｄａｎｃｙ ［ Ｊ ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２００５， ２７（８）： １２２６⁃１２３８． ２０１４ 机器人、微机电一体化和人工智能国际会议 ２０１４ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｒｏｂｏｔｉｃｓ， Ｍｉｃｒｏ⁃Ｍｅｃｈａｎｏｔｒｏｎｉｃｓ ａｎｄ Ａｒｔｉｆｉｃｉａｌ ２０１４ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｒｏｂｏｔｉｃｓ， Ｍｉｃｒｏ⁃Ｍｅｃｈａｎｏｔｒｏｎｉｃｓ ａｎｄ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ （ＲＭＡＩ ２０１４） ｗｉｌｌ ｂｅ ｈｅｌｄ ｆｒｏｍ Ｄｅｃｅｍｂｅｒ ６ ｔｏ Ｄｅｃｅｍｂｅｒ ７， ２０１４， ｉｎ Ｓｈｅｎｙａｎｇ， Ｃｈｉｎａ． ＲＭＡＩ２０１４ ｉｓ ｓｐｏｎｓｏｒｅｄ ｂｙ Ｓｈｅｎｙａｎｇ Ａｅｒｏｓｐａｃｅ Ｕｎｉ⁃ ｖｅｒｓｉｔｙ ａｎｄ ｃｏ⁃ｓｐｏｎｓｏｒｅｄ ｂｙ Ｓｈｅｎｙａｎｇ Ｕｎｉｖｅｒｓｉｔｙ， Ｌｉａｏｎｉｎｇ Ｓｈｉｈｕａ Ｕｎｉｖｅｒｓｉｔｙ，Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｍａｎａｇｅｍｅｎｔ ａｎｄ Ｅｃｏｎｏｍｉｃｓ （Ｃａｍｂｏｄｉａ） ． Ｔｈｉｓ ｃｏｎｆｅｒｅｎｃｅ ｉｓ ａ ｐｒｅｍｉｅｒ ｉｎｔｅｒｎａｔｉｏｎａｌ ｆｏｒｕｍ ｆｏｒ ｓｃｉｅｎｔｉｓｔｓ ａｎｄ ｒｅｓｅａｒｃｈｅｒｓ ｔｏ ｐｒｅｓｅｎｔ ｔｈｅ ｓｔａｔｅ ｏｆ ｔｈｅ ａｒｔ ｏｆ Ｒｏｂｏｔｉｃｓ，Ｍｉｃｒｏ⁃Ｍｅｃｈａｎｏｔｒｏｎｉｃｓ ａｎｄ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ． Ｔｏｐｉｃｓ ｏｆ ｉｎｔｅｒｅｓｔｓ ａｒｅ ｉｎ ｔｈｅ ｂｒｏａｄ ａｒｅａｓ ｏｆ Ｒｏｂｏｔｉｃｓ， Ｍｉｃｒｏ⁃ Ｍｅｃｈａｎｏｔｒｏｎｉｃｓ ａｎｄ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ． Ｒｏｂｏｔｉｃｓ： Ｔｈｅ ｄｅｓｉｇｎ， ｍａｎｕｆａｃｔｕｒｅ， ｎａｖｉｇａｔｉｏｎ，ｃｏｎｔｒｏｌ， ｓｅｎｓｏｒｓ， ａｃｔｕａｔｏｒｓ， ｅｎｖｉｒｏｎｍｅｎｔａｌ ｐｅｒｃｅｐｔｉｏｎ， ｏｂｓｔａｃｌｅ ａ⁃ ｖｏｉｄａｎｃｅ ｔｅｃｈｎｏｌｏｇｙ， ｆｏｒｍａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ａｌｌ ｋｉｎｄｓ ｏｆ ｒｏｂｏｔ ｌｉｋｅ ｉｎｄｕｓｔｒｉａｌ ｒｏｂｏｔｓ， ｈｅａｌｔｈ ｒｏｂｏｔ，ｓｐｅｃｉａｌ ｒｏｂｏｔ， ｌａｎｄ ｒｏｂｏｔｓ， ｕｎｄｅｒｇｒｏｕｎｄ ｒｏｂｏｔ， ａｅｒｉａｌ ｒｏｂｏｔ （ａｌｓｏ ｋｎｏｗｎ ａｓ ＵＡＶ）， ＵＳＶ（Ｕｎｍａｎｎｅｄ Ｓｕｒｆａｃｅ Ｖｅｈｉｃｌｅ），ｕｎｄｅｒｗａｔｅｒ ｒｏｂｏｔ， ｓｐａｃｅ ｒｏｂｏｔ， ｐａｒａｌｌｅｌ ｒｏｂｏｔ， ｎａｎｏ⁃ｒｏｂｏｔｓ， ｅｔｃ． Ｍｉｃｒｏ⁃Ｍｅｃｈａｎｏｔｒｏｎｉｃｓ： ａｄｖａｎｃｅｄ ｍｅｃｈａｎｏｔｒｏｎｉｃｓ ｅｑｕｉｐｍｅｎｔ， ｓｅｎｓｉｎｇ ａｎｄ ｃｏｎｔｒｏｌ ｏｆ ｍｅｃｈａｎｏｔｒｏｎｉｃｓ， ｉｎｔｅｌｌｉｇｅｎｔ ａｃｔｕ⁃ ａｔｏｒ ａｎｄ ｍａｔｅｒｉａｌｓ， ＭＥＭＳ （Ｍｉｃｒｏ ｅｌｅｃｔｒｏ ｍｅｔｒｏ⁃ ｍｅｃｈａｎｉｃａｌ ｓｙｓｔｅｍ）， ＮＥＭＳ （Ｎａｎｏｅｌｅｃｔｒｏｍｅｃｈａｎｉｃａｌ ｓｙｓｔｅｍ）， ｔｈｅ ａｐ⁃ ｐｌｉｃａｔｉｏｎ ｏｆ ｍｉｃｒｏｓｙｓｔｅｍｓ ａｎｄ ｍｅｃｈａｎｏｔｒｏｎｉｃｓ ｉｎ ｌｉｆｅ ｓｃｉｅｎｃｅｓ， Ｎｅｔｗｏｒｋｅｄ ｅｌｅｃｔｒｏｍｅｃｈａｎｉｃａｌ ｓｙｓｔｅｍｓ ｓｅｎｓｏｒ ａｎｄ ｎｅｔｗｏｒｋ， ｅｔｃ．Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ： ｔｒｏｕｂｌｅｓｈｏｏｔｉｎｇ， ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｈｅａｌｔｈ ｍａｎａｇｅｍｅｎｔ， ｈｅａｌｔｈ ｆｏｒｅｃａｓｔ， ｆａｕｌｔ⁃ｔｏｌｅｒａｎｔ ｃｏｎｔｒｏｌ， ｍａ⁃ ｃｈｉｎｅ ｖｉｓｉｏｎ， ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ， ｂｉｏｌｏｇｉｃａｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｎｄ ｂｅｈａｖｉｏｒ ａｎａｌｙｓｉｓ， ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ， ｎｅｕｒａｌ ｎｅｔｗｏｒｋ， ＳＶＭ（ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）， ｆｕｚｚｙ ｌｏｇｉｃ， ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ ａｌｇｏｒｉｔｈｍ， ｃｏｎｔｒｏｌ ａｎｄ ｏｐｔｉｍｉｚａｔｉｏｎ ｔｅｃｈｎｉｑｕｅ， ｅｘｐｅｒｔ ｓｙｓｔｅｍ， ｄｅｃｉｓｉｏｎ ｓｕｐｐｏｒｔ ｓｙｓｔｅｍ（ＤＳＳ） ， ＤＭ（ｄａｔａ ｍｉｎｉｎｇ）， ｅｔｃ． ｗｅｂｓｉｔｅ： ｈｔｔｐ： ／ ／ ｒｍａｉ２０１４．ｓａｕ．ｅｄｕ．ｃｎ ／ 第 ２ 期 李茹，等：中药方剂药物属性的组网模型 ·１５３·