病证结合证候特征模式挖掘的方法学研究

本项目以不稳定心绞痛气虚血瘀证为范例，进行病证结合证候的特征模式提取的数据挖掘方法学研究。在既往的工作基础上，从理化指标、蛋白组学和代谢组学以及这三个的综合层面上，提出符合证候与微观水平数据特点的数据挖掘方法，使之能够从数据中提取隐含在其中的、对证候诊断有特异性的微观指标组合，即特征模式。在此基础上，引入物理意义，对数据挖掘模型的数学意义和微观指标的生物学意义进行结合，揭示特征模式内指标的相互作用及其与证候、疾病的关联规律。.研究证候微观水平的特征模式、探讨微观指标的相互作用及其与证候、疾病的关联规律，不但为证候诊断提供新的依据，也为最终揭示证候的生物学基础和准确评价中药提供了重要的前提，它有着重要的理论和现实意义。

本项目以证候的特征模式概念代替传统的“金指标”概念，并提出基于特征选择技术的数据挖掘技术来寻找证候的多层面的特征模式，充分利用高级的计算方法解决证候客观化的复杂性问题。把特征选择技术和五种数据挖掘方法相结合，筛选出敏感性、特异性和准确性高、包含生物学指标尽量少的冠心病气虚血瘀证在理化指标、蛋白组学和代谢组学三个层面上的特征模式，为揭示证候的生物学基础提供了前提。经过3年时间的努力，本项目获得预期的研究成果如下：构建了冠心病气虚血瘀证理化指标，蛋白组学，代谢组学多层次指标关系数据库；使用神经网络神经网络、贝叶斯、支持向量机、决策树、Logistic回归等有监督数据挖掘方法建立冠心病气虚血瘀证与三个层面客观指标的关联性，得到冠心病气虚血瘀证不同层面的特征模式；构建了冠心病不稳定性心绞痛患者证候/证候要素识别的生物学指标群特征模式，使得这些模式在临床有良好的敏感性、特异性和准确性，揭示了冠心病气虚血瘀证的生物学基础；提出了一类符合证候复杂性特点的新的特征选择方法-T test based Adaboost，从理化指标，蛋白组学和代谢组学角度分别挖掘证候的特征模式，解决了证候的特征模式提取问题，为解释证候的生物学基础提供了技术支撑。同时本项目提出的证候特征模式为核心的生物学基础研究策略，获得国家科技进步二等奖1项，成功应用到重大专项1项、973项目1项。已发表相关研究论文12篇，其中SCI检索8篇，EI检索1篇。培养新世纪优秀人才2个，北京市科技信息1名，硕士研究生1名，博士生2名，顺利完成预期目标。

内容获取失败，请点击重试