基于藥性回歸模型的中藥相使藥對數學判別公式建立與探討

吳嘉瑞 秦 丹 張 冰* 張曉朦

（北京中醫(yī)藥大學中藥學院，北京 100102）

基于藥性回歸模型的中藥相使藥對數學判別公式建立與探討

吳嘉瑞 秦 丹 張 冰* 張曉朦

（北京中醫(yī)藥大學中藥學院，北京 100102）

目的 建立中藥相使藥對藥性數學判別公式。方法 在全面收集、整理相使藥對及部分非相使藥對藥性信息的基礎上，應用數據挖掘平臺Weka中的聚類算法，建立回歸模型。結果 得出藥性判別公式如下，xiangshi =（0.1775×gan1）+（-0.1303×xin1）+（-0.2419 ×xian1）+（-0.348×dan1）+（-0.2047×xinjing1）+（-0.1457×pijing1）+（-0.1176×dachangjing1）+（0.3733×danjing1）+（-0.1041× feijing2）+（0.8617×xinbaojing2）+（0.8341×sanjiaojing2）+（0.1963×danjing2）+0.4414。結論 初步得出相使藥對的藥性判別公式，對其進行驗證，有部分相使藥對符合公式。

相使；回歸模型；數學

相使是中藥七情配伍之一，意即兩種藥物合用，一種藥物為主，一種藥物為輔，輔藥能增強主藥的作用[1]。相使配伍始載于漢代《神農本草經》，云“當用相須相使者良[2]”。明代李時珍《本草綱目》中指出：“相使者，我之佐使也[3]”。清代吳儀洛《本草從新》、汪昂《本草備要》均引用之。有學者認為教科書中對相使的定義過于寬泛，缺乏針對性。李新旺認為相使配伍主要可分為三種情況：①同類相使：即藥物主要性能相似的藥物，以一藥為主，一藥為輔，配伍后增強主藥的功效。如人參與甘草，加強人參補氣之功；麻黃與桂枝，加強麻黃發(fā)汁解表之功。②異類相使：即藥物主要性能不同，但有功效主治上相同或目的一致，不存在性能上明顯的制約，以一藥為主，一藥為輔，增強主藥之功效。如黃芪與茯苓，增強了黃芪補氣利水之功；當歸與黃芪，增強當歸補血之功。③引經相使：即引經藥與它藥配伍，以它藥為主，引經藥為輔，以增強它藥的功效。如附子與桑枝，可增強附子散寒止痛，以治上肢痹證之功[4]。本研究中，筆者在收集整理《本草綱目》等著作中相使藥對及部分相使藥對藥性（包括性味歸經）的基礎上，基于weka數據挖掘平臺構建回歸模型，初步得出相使藥對的判別數學式，希冀為相使配伍規(guī)律及藥對判別的探索提供參考。

1 數據源與方法

1.1 數據來源與數據錄入

本文的相使藥對及部分非相使藥對數據來源于《 本草綱目 》中“ 相須相使相惡諸藥 ”（包括相使藥對61組，非相使藥對143組）；單味藥的藥性中四氣、五味數據來源于《本草綱目》，藥物歸經數據來源于《中藥大辭典》（包含“寒、熱、溫、涼、平”5性，“酸、苦、甘、辛、咸、澀、淡”7 味，“肝、心、脾、肺、腎、胃、膽、大腸、小腸、三焦、膀胱、心包”12 歸經）；使用Excel建立51×205的表格，數據中有某一藥性則轉換為1，無某一藥性則轉換為0，依次錄入204組數據，并保存為.csv的格式。

1.2 建模平臺與方法

Weka全名為懷卡托智能分析環(huán)境（Waikato Environment for Knowledge Analysis），是一個基于java、用于數據挖掘和知識發(fā)現(xiàn)的開源項目[7]。本研究使用weka的Classify功能中functions下 的LinearRegression 葉來構建回歸模型。定義自變量為相使藥對中的每一味中藥的藥性，因變量則是相使。

2 數學判別式的產出與驗證

在上述回歸模型運行環(huán)境中得出相使藥對判別式：xiangshi =（0.1775×gan1）+（-0.1303×xin1）+（-0.2419×xian1）+（-0.348 ×dan1）+（-0.2047×xinjing1）+（-0.1457×pijing1）+（-0.1176× dachangjing1）+（0.3733×danjing1）+（-0.1041×feijing2）+（0.8617 ×xinbaojing2）+（0.8341×sanjiaojing2）+（0.1963×danjing2）+0.4414。相關系數（Correlation coefficient）=0.2406；絕對平均誤差（Mean absolute error）=0.4306；均方根誤差（Root mean squared error）=0.5154。將真實值和預測值分布做圖，見圖1。由圖可見，相使藥對的數值分布趨向于1，非相使藥對則趨向于0，并且二者擬合度較好。

圖1 預測值與真實值分布圖

同時，筆者運行VBA語句，分別計算204組實驗數據的xiangshi值，其散點分布圖見圖2。

從圖中可看出相使藥對的值主要分布在1附近，非相使藥對的值主要分布在0附近，但是二者在0.2-0.5的范圍內仍有很大的重合度，因此不能用本公式作為相使判別的絕對依據，在實際應用中還需結合臨床及中醫(yī)藥理論全面考量，科學判別。

3 討 論

圖2 實驗數據值散點分布圖

綜上所述，本研究建立了七情配伍相使藥對藥性判定回歸數學模型。藥性一詞最早出現(xiàn)于漢代《本經·序例》，如《本經·序例》云“藥性有宜丸者，宜散者，宜水煮者，宜酒漬者，宜煎膏者，亦有一物兼宜者；亦有不可入湯酒者，并隨藥性，不得違越。”這是指藥物適宜于制劑種類的性質。南北朝陶弘景《本經集注·序錄》載：“上品藥性亦能遣疾，但其勢力和厚，不為倉卒之效；中品藥性治病之辭漸深，輕身之說稍??；下品藥性專主攻擊，毒烈之氣侵損中和，不可常服?！碧蘸刖坝终f：“藥性一物，兼主十余病者，取其偏長為本?！庇纱丝梢姡幮允侵杆幬锱c療效有關的性質和性能[5-7]。因此，藥性與藥物的功效密切相關，是標示藥物特定功效的符號。中藥七情配伍是藥物間藥效與毒性配合后變化規(guī)律的高度濃縮與概況，其與藥性必然存在某些關聯(lián)。本研究顯示，相使藥對與藥對中單味藥的藥性有一定關系，從判別式中可得出甘、辛、咸、淡、心經、脾經、大腸經、膽經、肺經、心包經、三焦經、膽經這些藥性屬性對《本草綱目》中已記載的相使藥對的判別起主要影響作用。本研究為七情配伍的判別方法研究提供了數學研究新思路，但是由于數據挖掘的樣本量較小，結果尚存在諸多不確定性成分，相關研究結果還需結合臨床實踐進行深入檢驗。

[1] 凌一揆.中藥學[M].上海:上?？茖W技術出版社,1983:11.

[2] 高 軼 欣,吳 嘉瑞,常章富.中藥七情配伍的歷史源流 及臨床涵義 探悉[J].美中醫(yī)學,2008,5(7):18-20.

[3] 劉衡如,劉山永.本 草綱目[M].北京:華夏出版社,2002:36.

[4] 李新旺,任鈞國.中藥七情探析[J].中醫(yī)研究,2000,13(5):11-13.

[5] 秦 丹,吳嘉 瑞,張 冰,等.基于關聯(lián) 規(guī) 則的 相 使 藥 對“藥 性 組合 規(guī)律”數據挖掘研究[J].國際中醫(yī)中藥雜志,2013,35(6):526-528.

[6] 吳 嘉瑞,張冰,常章富,等.人 參 與萊 菔子配伍后人 參 皂苷Rg1含 量變化研究[J].中國中藥雜志,2006,31(1):79-80.

[7] 吳 嘉 瑞,張 冰,常 章 富,等.相 惡 涵 義 的 歷史 演 變[J].中 國中藥 雜志,2005,30(15):1219-1220.

R282

：B

：1671-8194（2014）01-0172-02

北京中醫(yī)藥大學科研創(chuàng)新團隊項目資助（NO.2011-

CXTD-14）；北京中醫(yī)藥大學大學生科研課題（編號：JYB22-JS020）*通訊作者: