IFTP-TCM:在传统中医药中用于目标预测和机制阐明的无成分可解释的框架
Fengming Chen1, Ranran Zhao1, Xingxing Han2
1State Key Laboratory for Quality Ensurance and Sustainable Use of Dao-di Herbs, National Resource Center for Chinese Materia Medica, China Academy of Chinese Medical Sciences, Beijing 100700, PR China.
Computational biology and chemistry
|February 28, 2026
概括
IFTP-TCM是一个新的AI框架,可以预测传统中医药 (TCM) 的目标,而不需要化学数据. 这种可解释的AI工具克服了TCM的复杂性,用于精确的机制阐明,并推进了精确医学.
科学领域:
- 计算生物学 计算生物学
- 药理学 药理学是指药理学的学科.
- 人工智能的人工智能
背景情况:
- 传统中医药 (TCM) 具有显著的化学复杂性,阻碍了其治疗机制的阐明.
- 现有的方法,如网络药理学 (NP) 和差异性奥米克分析,由于高错误阳性率和缺乏机械精度而面临局限性.
研究的目的:
- 引入IFTP-TCM,这是一个可解释的AI框架,旨在预测TCM的直接目标.
- 提供一种化学成分独立的方法来识别TCM的功能蛋白标,解决传统方法的局限性.
主要方法:
- IFTP-TCM集成了加权的组织特异性监管网络和多模式生物医学数据.
- 它使用数学AI模型来反向传播TCM诱导的基因表达变化,以识别直接的蛋白质标.
- 该框架使用TCM扰动的基因表达数据进行了评估,并与基线方法和NP数据库进行了比较.
主要成果:
- IFTP-TCM在识别直接TCM目标方面表现出强大的能力,表现优于基线方法.
- 它成功地预测了前50名排名预测中的小分子化合物的已知目标的10.6%.
- "对三氧化 (As2O3) 的应用"回顾了其经过验证的抗癌机制,强调了它在没有化学成分数据的情况下的实用性.
结论:
- IFTP-TCM框架为直接TCM目标预测提供了一个强大的和可泛化的方法.
- 它为研究非植物TCM和加工TCM产品 (Pao Zhi) 提供了宝贵的工具.
- 这种人工智能驱动的方法推进了精准医学和现代化传统草药.
更多相关视频
11:06Network Pharmacology Prediction and Metabolomics Validation of the Mechanism of Fructus Phyllanthi against Hyperlipidemia
Published on: April 7, 2023
2.9K
10:21Author Spotlight: Streamlining Protein Target Prediction and Validation via Molecular Docking and CETSA
Published on: February 23, 2024
3.8K
