简谈药对(Ⅱ)

更新时间:2024-01-25 作者:用户投稿原创标记本站原创
[摘要]数据挖掘技术已经成为中医方药研究不可或缺的一种强有力工具。该文基于数据挖据的原理与基本要求,介绍了数据挖掘技术的主要策略和研究流程,从基于病证的药对配伍特点、当代名医处方中的药对应用、药对量效关系与属性关系等方面总结了近年来数据挖掘技术在药对研究中的应用情况,为药对的现代科学研究提供了指引和可靠的数据基础。
[关键词]数据挖据;药对;配伍规律;量效关系
[收稿日期]2013-09-11
[基金项目]国家科技支撑计划项目(2008BAI51B01);国家自然科学基金项目(81274058);江苏省高校自然科学重大基础研究项目(10KJA360039)
[通信作者]*李文林,Tel: (025) 85811785,E-mail: njliwenlin@126.com;*唐于平,Tel: (025) 85811695,E-mail: yupingtang@njutcm.edu.cn药对是古今医药学家长期医疗实践的经验总结和精华所在,针对一定证候特点所采取相应治法为前提,结合药味的性能和功用选择性地将两药进行组合配对,是方剂配伍的最小组方单元。药物配伍虽包含了极为复杂的内容,但也是有规律可循的,只有深入进行两药配伍的研究,在找出它们具有普遍指导作用的一般性规律的基础上,进而分析出它们各别的特点,方能掌握和灵活运用,从而提高临床疗效。相对于中医方剂研究,专门针对药对的研究还不够深入和系统,广义理论上主要论述“药对”组成及其配伍理论的资料和著作也比较分散,药对更多是在临床实践过程中逐步形成的相对固定的配伍组成,与药对相关的数据也多散落在大量的中药、方剂论述与中医临床处方中。这就使得数据挖掘技术在药对研究中可能发挥越来越大的作用。
数据挖掘技术可在分散的大量数据中找出频繁出现的、有价值的药物、药对和药物组合,以及具有配伍作用的药物组合模式,为研究药对配伍规律提供指引和可靠的数据基础。目前数据挖掘技术已经成为中医药研究人员不可缺少的有力工具。本文从数据挖掘技术入手,总结介绍了近年来数据挖掘技术在药对研究中的应用进展,以期为药对配伍规律研究提供一条有效途径。
1数据挖掘技术简介
数据挖掘(data mining)是美国计算机学会(ACM)于1995提出的概念。简单地说,即是运用一定的算法,从海量结构化或半结构化的数据中提取出隐含的有用的信息和知识的过程[1]。这些提取出来的知识和信息,其一般形式为概念、规则、模式等。一般而言,根据描述性分析与预测性分析之挖掘任务的不同,应用的策略主要有统计分析、决策树(decision tree)、关联规则(association rule)、人工神经网络(artificial neural network)、遗传算法(genetic 药对(Ⅱ)由优秀论文网站www.808so.com提供,助您写好论文.algorithm)、粗糙集理论(rough set theory)等,各策略虽然原理不同,但都从不同方面反映了事物的本质。其中,比较经典和常用的策略包括分类、聚类、关联规则、互信息、孤立点分析等。
1.1分类分类就是构造一个分类函数或者叫分类模型、分类器,把具有相同特征的数据项映射到某个给定的类别上。过程主要包括模型创建和模型应用。模型创建是通过对训练集数据进行学习来建立分类模型,模型应用是使用分类模型对测试数据和新测试数据进行分类。其中训练数据集是有标签的,而需要分类的测试数据是没有标签需要指定标签的。因此,分类有时也被称为“监督学习”(supervised learning)。常用的分类算法包括:“决策树”、“K最近邻(KNN)”、“贝叶斯分类(Bayes)”、“支持向量机(SVM)”、“神经网络”等。在中医药领域中,分类策略常用来进行疾病证候分类、药物功效分类、诊断推理等。
1.2聚类聚类是将数据项划分为多个类,使类与类之间的数据差别尽可能大,而同一类的数据差别尽可能小。与分类不同,聚类输入的是一组无标签的未分类数据,而且聚类的个数事先也是未知的。它是一种不依赖于预先定义的类和带类标号的训练数据集的非监督学习(unsupervised learning)。常用的聚类算法包括:“K-means”、“层次聚类”、“基于密度的策略”等等。聚类策略在中医药领域内常用来进行药物聚类、方剂聚类、症状聚类等。如可以对中医病案中的病因、证候、用药等资料,按照其内在相似或相关程度将数据分为若干个类别,来发现其中的规律。
1.3关联规则关联是指2个或多个变量的取值之间存在某种规律性,关联规则就是描述2个或多个变量之间的某种潜在关系的特征规则。关联规则挖掘能发现大量数据中项集之间有趣的关联或相关联系,因而在数据挖掘领域是一个应用最为广泛的策略,其经典的算法包括“Apriori”,“FP-Tree”等,许多商业挖掘软件如SAS Enterprise Miner,IBM SPSS Modeler,Insightful Miner等均具有关联规则分析模块。在中医药领域,运用关联规则分析的策略,可以发现大量文献中疾病的症状、证候和方药之间存在的关联规律。
1.4互信息互信息本来是信息论中的一个概念,用于表示信息之间的关系,是2个随机变量统计相关性的测度,在过滤理由中用于度量特征对于主题的区分度。使用互信息理论进行特征抽取是基于如下假设:在某个特定类别出现频率高,但在其他类别出现频率比较低的词条与该类的互信息比较大。通常用互信息作为特征词和类别之间的测度,如果特征词属于该类的话,它们的互信息量最大。由于该策略不需要对特征词和类别之间关系的性质作任何假设,因此非常适合于文本分类的特征和类别的配准工作。在中医药信息分析中,采用互信息策略的优点是结果值可有正有负,能够表明症状或药物之间的关系是正相关还是负相关,即一种症状或药物的出现对另一种症状或药物的出现起到推动还是抑制作用。1.5孤立点分析数据库中可能包含一类特殊的数据对象,这类对象与数据的一般行为或模型不一致,称为孤立点。在数据挖掘中,孤立点通常被视为噪声或异常而被丢弃。但是,在某些应用中,罕见事件却可能比正常出现的事件更加有趣。这种孤立点数据的分析称为孤立点挖掘。当前孤立点分析的一个重要应用是发现信用卡欺骗。它的基本思路是,检测待测与正常的付费相比,根据付款数额特别大来发现信用卡欺骗性使用。在医学领域,孤立点分析可用于提取医学图像数据信息,通过正常数据中的异常检测找出其中的医学诊断规则和模式,从而辅助医生进行疾病的诊断。
2数据挖掘流程
各种数据挖掘策略的原理虽然不同,但却有一致的处理流程。即在合适工具的辅助下,对广泛异构的数据源进行抽取和集成,将结果按照一定的标准统一存储,利用合适的数据分析技术对存储的数据进行分析,从中提取有益的知识并利用恰当的方式将结果展现给终端用户。具体包括确定理由、数据准备、数据规范、数据清洗、数据挖掘、结果解释与评价等。
3数据挖掘在药对分析中的应用
传统模式下,人们对中医药病、证、药、方及方剂配伍规律的认知主要是通过中医理论的传承以及反复的临床实践。近年来,随着生物信息学的发展,通过人工智能、数据挖掘等技术对海量中医药数据进行处理,从而获得数据中隐藏的模式和知识正成为生命科学领域的研究热点。
根据中医药领域相关理由研究目的之不同,如方剂有效性的研究、辩证规范性研究、证候信息分类、关键药味及药味组合的研究等,具体研究中所采用的数据挖掘策略也不尽相同。总体而言,研究热点主要集中在通过不同中药、方剂数据库的建立,采用数据挖掘技术探索方剂的制方要素(药味、用量、剂型、用法及禁忌等)、中药性能要素(性味、归经、升降浮沉、专能、良毒等)、方证要素(病、证、症以及病机中的因、性、位、势等)之间的关系,建立中医症-证-病、药味-药群-方剂间的关联模式等方面。其中,关于药对的数据挖掘研究主要集中在以下几个方面。
3.1药对的数据挖掘策略在药对分析中,关联规则是应用较多的数据挖掘策略。借助于商业挖掘软件如SAS Enterprise Miner,IBM SPSS Modeler,Insightful Miner等关联规则分析模块,通过不同途径获取大样本方剂数据集,通过药物与药物之间关联关系的挖掘,获得了不同适应症的广义药对。但有时经典的关联规则算法(如Apriori算法和FP-Growth算法等)并不能很好地满足中医药研究的需要,因此一些研究者自行开发或改善挖掘算法。如曾令明等[2]在Apriori算法基础上提出了基于位图矩阵和双支持度的挖掘算法,并以脾胃方剂库为对象,开展了药对挖掘的实践。唐仕欢等[3]提出了基于属性互信息熵的关联规则挖掘算法,从大量关联关系中挖掘出具有正向关联关系的药对。何晓星等[4]在FP-Tree基础上进行算法改善与性能优化,建立了适宜于个体化诊疗处方分析的数据挖掘算法,并在冠心病个体化诊疗诊治规律分析中进行了探索性应用。李红军等[5]开发了基于多维数据分析的主药挖掘算法,用于更准确发现方剂中起主要作用的药物和药对。王成良等[6]则提出了一种基于矩阵的Apriori_Matrix算法,通过优化计算时间提高了方剂中的一些强关联规则的挖掘效率。
3.2基于病证的药对配伍特点分析以古今文献数据库为数据来源,以病为纲、以药对为切入点系统分析各种经方、验方或时方的核心结构及其对应的证候或症状特点。如利用关联规则策略,刘立萍等[7]发现茯苓与人参,芍药与当归为《普济方》中的典型药对。杨春梅等[8]以《中华医典》及《中医方剂大辞典》中的痿病方药为分析对象,挖掘出酸枣仁配伍川芎、当归配伍虎骨或骨碎补、威灵仙配伍当归、羌活或防风、没药配伍乳香、羌活、天麻、当归等药对。田琳等[9]对《中国期刊全文数据库》、《中国生物医学文献数据库》等现代文献数据库中治疗头痛的171个自拟方的分析发现:桃仁配红花、蜈蚣配全蝎为最常用药对。张昭防等[10]对汉代至民国期间妇产科专著中治疗闭经的165首方剂的关联规则挖掘结果显示:三棱与莪术、乳香与没药、柴胡与白芍等为历史常用药对。李振岳[11]以《中医方剂大辞典》中的200首伤寒方为数据源,按伤寒六经分类,通过频繁项集找出了具有特殊配对关系的药物,其中既有文献中已有记载的芒硝-大黄,羌活-防风,白芷-防风,防风-荆芥,杏仁-麻黄,黄连-黄芩等药对,也有桔梗与柴胡、枳壳与黄芩、大枣与芍药、半夏与黄芩、生姜与芍药等伤寒方中未见报道的新药对。李文林等[12]以明清两代15本医籍、医案、医话中660例疫病处方为对象,挖掘出知母与石膏、黄连与栀子、麝香与朱砂、芒硝与大黄等明清医家治疗疫病的常用药对。孟凡红等[13]筛选《伤寒论》、《金匮要略》、《肘后方》、《备急千金要方》、《千金翼方》、《外台秘要》、《太平圣惠方》、《太平惠民和剂局方》、《苏沈良方》、《三因极一病证方论》、《宣明论方》、《儒门事亲》、《脾胃论》、《丹溪心法》等14部著作中的2 746首止痛方剂,按疼痛部位分类,挖掘出腹痛、胸心痛、头痛、肢节痛、腰痛、胁痛、眼目痛、咽痛、全身痛、齿痛在汉唐、金宋元时期排名前10位的药对。张藜莉等[14]分析《中医方剂大辞典》收录治疗遗精的370方剂,关联分析结果显示,在治疗遗精的方剂中,知母常配黄柏,莲须常配芡实,山茱萸、茯苓常配山药,巴戟天、茯苓常配肉苁蓉。
3.3当代名医处方中的药对应用许多名老中医的中医药理论造诣深厚,学术成就卓越,在行业领域内具有重大影响,名医群体的临证经验反映了当代中医药临床实践的最高水平。因此,对其临床实践经验的归纳与分析对中医药的发展和传承具有重要的引领与推动作用。藉由数据挖掘策略在不同名老中医经验研究中的广泛应用,反映名老中医在临床各科中遣方规律的许多药对得到了有效揭示。如作者曾利用关联规则策略对国医大师周仲瑛教授诊治哮喘、类风湿性关节炎、慢性肾病、失眠、癌症等不同疾病的群方进行系统分析,发现了黄连配干姜、黄连配半夏、黄连配苏梗(苏叶)、生地黄配白薇、白薇配炮山甲、炮山甲配鬼箭羽、苍术配黄柏、玄参配苍术、天仙藤配路路通等很有特色的药对药对(Ⅱ)相关范文由写论文的好帮手www.808so.com提供,转载请保留.[15-19]。崔松等[20]研究何立人教授治疗心悸的595首方剂,用关联规则策略筛选出苦参与白果、灵芝草与景天三七、脱力草与功劳叶等治疗“血浊”及心系疾病的特色药对。史成和等[21]收集高忠英教授治疗慢性呼吸系统常见疾病病历389份,利用互信息策略筛选出用于过敏性鼻炎的苍耳子与辛夷、用于慢性呼吸系统虚证的补骨脂与芡实,用于治疗咳喘病证经典组合麻黄与杏仁等药对。王润林等[22]以《中华名医名方薪传·胃肠病》中收集的全国125位名老中医治疗胃病的162首处方,挖掘发现一系列具有理气、活血、清热、健脾、消食等功效的药对如陈皮-枳壳、陈皮-木香、陈皮-白术、白术-白芍、白术-鸡内金等。李秀娟[23]以《董建华老年病医案》为数据源,对其36个病种101例217诊次的方剂进行数据挖掘分析,获得一系列药对,其中既有古今医家广泛应用而公认的药对,如:延胡索-川楝子(实为古方金铃子散)、生龙骨-生牡蛎等,也有诸如香橼皮-佛手、柴胡-白芍、木香-砂仁、石斛-芦根、山栀-芦根、陈皮-枳壳、苏梗-枳壳、黄芩-山栀、全瓜蒌-枳壳等董老善用的药对。3.4药对量效关系的数据挖掘研究药对作为连接单味中药与方剂的桥梁,其功效与组成药物的剂量和比例密切相关,不同的剂量比例可能引起功效强度和方向的变化。除了实验研究,利用数据挖据策略分析药对的剂量比例与功效取向之间的关联关系,也可为药对整体功效的判定提供指引。如作者应用关联规则挖掘算法研究了当归-川芎药对和当归-黄芪药对在不同方剂配伍中的剂量比例以及各自功效的侧重点[24-25],发现在妇科和内科疾病的应用中,2个药对的剂量比例均以1∶1最多。袁楠等[26]应用聚类和模糊关联规则技术分析药对种类、剂量与功效之间的关系,发现白术和陈皮以0.789 056∶1的用量比例配合使用时,可发挥养血功效;而若想使两者更好地发挥散寒以及利湿的功效,则以6.666 67∶1的剂量为佳。陈彪[27]分析了《中医方剂大辞典》及《中医方剂临床手册》收载方剂中健脾养胃药对剂量与功效的关联关系,发现超过一半的药对中两药物剂量成正相关。宋姚屏等[28]选取《中医大辞典方剂分册》1 046首脾胃方中与白术相关的药对10个,用关联规则策略分析配伍药物剂量分布的相关性,发现白术-茯苓、白术-防风、白术-泽泻、白术-麻黄等药对在剂量分布上呈正相关;而白术-苍术则在剂量分布上呈负相关。表明在同一类方中同一药物与不同药物搭配形成的药对的剂量关联性是有差异的,这种差异来源于药物本身性味功效的差异,也来源于药对适应证的不同。
3.5药对属性关系的数据挖掘研究中药具有四性、五味及归经等多种特征性描述,其功效与其性味归经之间具有复杂的非线性关系,运用计算机技术及特定的数学模型,从药对属性之间的多维联系进行分析,有利于对其特定功效取向进行判定。如作者从《神农本草经》、《伤寒杂病论》、《本草纲目》、《谦斋医学讲稿》以及《施今墨对药临床经验集》、《药对论》、《中药药对大全》等多部药对著作收集625个有效药对,对涉及的347味组成药物的性、味、归经以及功效类别等属性特征[29-30],发现各药对中以归肝经、脾经及味苦与辛药物搭配出现最多。而对十八反、十九畏中的禁忌药对的属性分析发现,部分属性组合如热-肺、热-寒、热-苦、热-甘、胃-热等在配伍禁忌药对中出现频率很高,而在常规药对中的出现频率则很低。通过对2种药物组合中的性味归经属性的挖掘,发现药对的性味归经配伍方式与配伍禁忌明显不同。部分属性组合几乎只在药对或配伍禁忌中出现,还有大量性味归经配伍方式在药对和配伍禁忌中的频率存在较大差异,据此推测中药配伍禁忌在药物配伍方式上确实存在着特定的配伍特点,而这些特点很可能也代表着配伍禁忌中药物产生致毒、增毒或减低疗效作用的理由。李崑等[31]从《中医大辞典方剂分册》中筛选1 060首脾胃方,双向关联规则挖掘算法分析了这些方剂的性味、功效特点。表明从性味特点看,脾胃类方的药对配伍以甘温、辛温为主,配以苦温、甘淡。而甘温可益气,辛温可扶阳,苦温可燥湿,甘淡可渗湿,皆切合脾胃类方的病机。从功效看,脾胃类方的药对具有消补合用、温补相配、补收并用的特点,其中以消补合用最为突出。Choong Yong Ung等[32]综合运用概率神经网络(probabilistic neural network method, PNN)、k近邻(k nearest neighbor, kNN)、支持向量机(support vector machine, SVM)等策略,对394个药对与2 470个非药对中药的性味属性予以属性分类与模式识别,发现利用人工智能与模式识别策略,可从大量非药对中对约定俗成的药对予以识别确认。叶铮等[33]建立了适于复方降脂中药的BP神经网络模型,运用Matlab快速预测复方降脂中药的药效指标,对姜黄-胡椒,首乌-茵陈、柴胡-赤芍、丹参-山楂等药对的性味归经和降血脂药效关系进行了分析,为进一步的研究提供了参考。
4小结
当前数据挖掘策略用于中药与方剂配伍规律的分析研究正方兴未艾,在研究中通常可以发现数量不等的高频药物和药对、药组,从中可以反映与理、法、方、药相关的规律性信息,相关研究结果对于理解古今经方、验方的隐含规律、制定新的疾病处方、指导与纠正中医理论与实践的科学理由提供了一定的科学依据。同时,不同策略的应用可有效缩短研究周期,减少盲目性,并大大推动了新知识的发现。
然而,目前与药对相关的数据挖掘研究还存在着一些理由。首先,研究需要的基础数据多来自于古今医著或期刊文献,资料收集不建全面会直接影响分析结论的可靠性;其次,历代中医文献中的内容繁简不一,语词歧义突出,诸如病名、证型、症状、方药名称、历代药味用量、功效表述等规范与标准化的缺失,直接引用和处理相关信息,难免导致信息有些药对(Ⅱ)相关范文由写论文的好帮手www.808so.com提供,转载请保留.失真;再次,由于数据挖掘中涉及到依据数据特点进行算法改善、算法集成应用等一系列编程理由,其专业化程度较高,目前尚未有适宜于大规模方药配伍规律分析的相对成熟的策略或商业化软件,一些研究者在整体作用上选择通用的或单一的数据处理策略,相关策略可能失于恰切,不仅会使研究效度大大减弱,也可导致方向上的偏离。因此,与药对相关的方剂配伍规律的分析挖掘研究仍处于初步探索阶段,现有的挖掘结果都有待实验与临床验证,并需要在后续的研究工作中进一步完善。
[参考文献]
[1]Han J W, Kamber M. 数据挖掘概念与技术[M].范明, 孟小峰译. 北京:机械工业出版社,2001:8.
[2]曾令明,唐常杰,阴小雄,等.基于位图矩阵和双支持度的中药配伍挖掘技术[J].四川大学学报:自然科学版,2005,42(1): 57.
[3]唐仕欢,陈建新,杨洪军,等.基于复杂系统熵聚类策略的中药新药处方发现研究思路[J].世界科学技术——中医药现代化, 2009,11(2): 225.[4]何晓星.中医药个体化诊疗数据挖掘算法的研究与应用[D]. 北京:清华大学,2006.
[5]李红军,陈蓉,张光华,等.基于多维数据分析的中医主药挖掘技术[J].计算机工程,2007,33(20):80.
[6]王成良,吴艳娟.高效中药关联规则发现算法研究及应用[J].计算机工程与应用,2010,46(34):119.
[7]刘立萍,李然,梁茂新,等.《普济方》对《伤寒杂病论》核心药物及药对配伍的应用[J].中药与临床,2012,3(1):31.
[8]杨春梅,杨雪梅,陈立典,等.古文献痿病方药关联规则分析[J].中华中医药杂志,2013,28(3):609.
[9]田琳,朱建贵,王映辉,等.基于数据挖掘的现代中医药治疗头痛自拟处方用药规律分析[J].中国中医药信息杂志, 2012,19(11):22.
[10]张昭防.古代治疗闭经方剂的数据挖掘研究[D].广州:广州中医药大学,2011.
[11]李振岳.中药方剂数据挖掘研究[D].广州:广东药学院,2010.
[12]李文林,屠强,彭丽坤,等.基于关联规则分析明清古籍中疫病文献的药-症关系[J].时珍国医国药,2010,21(4):957.
[13]孟凡红,李明,李敬华,等.基于复杂网络挖掘古代止痛方剂用药规律[J].中医杂志,2013,54(2):145.
[14]张藜莉,季旭明,于华荣,等.基于数据挖掘技术的治疗遗精方剂组方规律分析[J].中国实验方剂学杂志,2012,18(16):1.
[15]叶恬吟.基于数据挖掘的周仲瑛教授哮喘辨证思路及组方用药规律研究[D].南京:南京中医药大学,2010.
[16]李玲.基于数据挖掘的周仲瑛教授治疗类风湿关节炎病案回顾性研究[D].南京:南京中医药大学,2012.
[17]赵金荣.基于数据挖掘的周仲瑛教授治疗慢性肾脏病的病案回顾性研究[D].南京:南京中医药大学,2010.
[18]卓家晖.基于数据挖掘的周仲瑛教授论治失眠病机证治规律研究[D].南京:南京中医药大学,2012.
[19]钟捷婷.基于数据挖掘的周仲瑛教授肺癌症机证治规律的研究[D].南京:南京中医药大学,2011.
[20]崔松,沈梦雯,车立娟.基于数据挖掘的何立人教授治疗心悸病用药特色分析[J].上海中医药大学学报,2013,27(3):33.
[21]史成和,王秀娟,赵宇昊,等.运用复杂系统熵聚类技术探讨高忠英治疗慢性呼吸系统疾病经验[J].中医杂志,2010, 51(3): 268.
[22]王润林,李廷保.基于数据挖掘对名老中医治疗胃病中药配伍规律的文献研究[J].新中医,2013,45(4):132.
[23]李秀娟,张天嵩,张素,等.基于数据挖掘探索董建华治疗老年病的药对规律[J].福建中医药,2009,40(2):38.
[24]王欢,唐于平,丁安伟,等.当归-川芎药对不同配比的中医应用数据分析[J].中国实验方剂学杂志,2009,15(11):44.
[25]陈芳,唐于平,陶静,等.当归-黄芪药对不同配比的应用数据分析[J].中国实验方剂学杂志,2010,16(15):235.
[26]袁楠,金晖,田玲,等.基于聚类和模糊关联规则的中医药对量效分析[J].计算机应用研究,2009,26(1):59.
[27]陈彪. 健脾养胃药对的剂量配伍数据分析[J].江西中医药,2008,39(301):11.
[28]宋姚屏,李昆,吴孟旭,等.药对剂量的关联分析初探[J].辽宁中医杂志,2006,33(9):1095.
[29]尚尔鑫,叶亮药对(Ⅱ)由提供海量免费论文范文的www.808so.com,希望对您的论文写作有帮助.,范欣生,等.基于改善关联规则算法的中药药对药味间性味归经功效属性关系的发现研究[J]. 世界科学技术——中医药现代化,2010,12(3):377.
[30]尚尔鑫,范欣生,段金廒,等.基于关联规则的中药配伍禁忌配伍特点的分析[J].南京中医药大学学报,2010,26(6): 421.
[31]李崑,宋姚屏,陈云惠,等.周训伦数据挖掘技术在药对配伍规律研究中的应用[J].辽宁中医杂志,2006,33(7):773.
[32]Ung Y C, Lia H, Cao Z W, et al. Are herb-pairs of traditional Chinese medicine distinguishable from others pattern analysis and artificial intelligence classification study of traditionally defined herbal properties [J].J Ethnopharmacol, 2007,111(2):371.
[33]叶铮,李续娥,张敏,等.复方降脂中药的性味归经与药效的BPNN研究[J].计算机工程与应用,2009,45(17):215.

点赞:27037 浏览:128564