Прогнозирование связей между меридианами и средствами традиционной китайской медицины с помощью графовой сверточной нейронной сети с учетом стоимости ошибок

Природные вещества — наиболее важные и широко применяемые средства традиционной китайской медицины (ТКМ) для укрепления здоровья и профилактики заболеваний в Восточной Азии. Хотя система меридианов ТКМ сформировалась несколько тысяч лет назад, принципы классификации по меридианам на основе состава лекарственных средств остаются недостаточно изученными. Одна из основных проблем традиционных методов машинного обучения для прогнозирования химической активности — необходимость представлять молекулы в виде векторов фиксированной длины, при этом структурная информация о соединении теряется. Поэтому мы применили модель графовой сверточной нейронной сети с учетом стоимости ошибок, чтобы выделить локальные и глобальные топологические признаки химических соединений и выявить связи между средствами ТКМ и соответствующими им меридианами. В экспериментах площадь под ROC-кривой (ROC-AUC) составила 0,82: результат превзошел показатели традиционных алгоритмов машинного обучения и на 8–13% — результаты современных методов. Мы исследовали возможности глубокого обучения для выявления подходящих молекулярных дескрипторов, позволяющих прогнозировать связь с меридианами, и получения новых представлений о традиционной китайской медицине как методе комплементарной и альтернативной медицины.