一种对复方中药组方的优化及评价方法

技术领域

本发明属于中药开发及生物信息技术领域，具体而言，本发明涉及利用深度学习算法模型、数据库及文本挖掘进行复方中药组方的优化，利用生物信息学和网络药理学对复方中药优化后组方进行评价的方法。

背景技术

中药二次开发作为一种积极发展中医药的新途径、新方法，对中药现代化发展至关重要。2020年版《中国药典》一部收载中药共2711种，在成方制剂中，组方中药材数量大于10味的复方中药占比约为35.3％。因此，聚焦于复方中药组方的优化是创新驱动中药产业跨越发展的有效途径。而对已经通过临床验证、疗效认证、有一定研发基础的复方中药进行组方优化，不仅在组方和临证上符合中医基础理论，保持了中药的本质特征，且其临床有效性亦可提高新药开发的针对性，减少了盲目性。复方中药组方优化可以系统性辨识中药化学组成、药效物质、有害物质及主要成分在体内的过程等，从而提升药品质控水平。同时，应用人工智能和大数据对复方中药进行组方优化，使传统中药有了新发展方向，增加了中药科技内涵，提高了中药质量和技术含量，为中药创新、实现中药规范化和科学化奠定坚实基础。此外，传统的药物价值主要通过临床实验体现，并需要投入大量的时间和精力，这对于成分众多、机制复杂的中药来说具有很大的挑战。因此，对临床验证的复方中药进行组方优化后，还迫切需要一种快速有效的方法来比较优化后组方与原始组方的疗效。

长期以来，我国中药基础研究相对薄弱，以致中药产品缺乏安全有效的科学数据，难以实现现代化和国际化。刘思鸿(刘思鸿.基于群体协同算法的中药复方优化方法研究及应用[D].中国中医科学院,2022)提出一种基于群体协同算法和君臣佐使配伍加权的中药复方优化新方法，此方法仅利用复杂网络分析筛选核心节点来筛选核心药物组合从而拟定优化方。

发明内容

本发明的目的是提供一种对复方中药组方优化的方法及评价复方中药优化后的组方(以下简称改良方)与原始组方(以下简称原方)疗效的方法，为其他复方中药的组方优化及评价提供依据和参考。

本发明提供了一种复方中药组方优化及评价的方法。通过数据库，基于计算分析，获得复方中药优化后的组方并进行相关性及实验验证。同时，通过文本挖掘及计算分析，评价复方中药改良方的疗效。其中，步骤S1-S4为一种优化复方中药组方的方法，步骤S5-S8为一种评价复方中药改良方疗效的方法。

第一方面，本发明提供了一种优化复方中药组方的方法，包括以下步骤：

S1：构建中药材库，收集中药材库中所有中药材的化学成分；

S2：基于所有中药材的化学成分，通过计算分析获得复方中药的改良方；

S3：通过计算改良方的靶点集与疾病基因集的相关性，评价改良方的疗效；

S4：通过动物实验验证改良方的疗效。

优选地，步骤S1所述中药材库，其中中药材来源于《中国药典》，中药材的化学成分来源于已知公开数据库。

进一步地，步骤S2包括：基于步骤S1中所有中药材的化学成分，利用深度神经网络(Deep Neural Networks，DNN)算法构建中药材安全性预测模型；通过DNN模型分别对复方中药的佐药和使药进行安全性预测，得到佐药和使药的安全性预测结果；若佐药和使药的安全性预测为极低、低或较低，则直接剔除该味中药材，获得改良方。

进一步地，步骤S2包括：若佐药和使药的安全性预测为高，则综合中药材成分ADME性质分析和靶点网络相关性分析后获得改良方。

进一步地，所述ADME性质分析包括：基于步骤S1中药材的化学成分，规范成分名称并剔除重复数据后，得到某一复方中药组方中每味中药材的化学成分；根据ADME性质对佐药和使药的化学成分进行筛选、剔除、排序，评价指标包括肠道吸收、口服利用度和Lipinski规则。

优选地，若复方中药组方中佐药和使药的独有化学成分最多(即佐药和使药的化学成分被君药、臣药化学成分集覆盖少)，因其可能具有相对独特的药物性质，则直接保留该味中药材。

进一步地，所述靶点网络相关性分析包括：通过文本挖掘获取复方中药组方中每味中药材的靶点，规范靶点名称并剔除重复数据后，得到对应的靶点集；基于靶点集，构建复方中药原方的靶点网络；保留复方中药组方中君药和臣药的所有靶点，随机剔除佐药或使药的靶点后作为改良方靶点集；随机剔除佐药或使药的靶点后，比较被剔除靶点在原方网络中的中心性及关键子网络中的重要性(度中心性的重要性>接近中心性的重要性＝MCODE score的重要性)。

进一步地，经综合ADME性质分析和靶点网络相关性分析进行筛选和排序后，最终获得需要被剔除的中药材。优选地，经筛选后可剔除得分排名第一的中药材后作为改良方，也可同时剔除排名前两味的中药材后作为改良方。

进一步地，步骤S3包括：收集与复方中药相关的一种或多种疾病基因，经人工矫正去除重复数据后获得疾病基因集；基于网络传播角度计算复方中药原方和改良方靶点集与疾病基因集的相关性，分别评估原方和改良方对疾病的疗效。

优选地，所述疾病基因来源于已知公开数据库。

优选地，利用随机游走算法计算改良方和原方靶点集与疾病基因集的相关性，Z-score>3即说明药物和疾病显著相关。

进一步地，步骤S4包括：对以上所述改良方和原方分别检测对应的观察指标，并通过动物实验验证所述改良方的功效。

第二方面，本发明提供了一种评价复方中药改良方疗效的方法，包括以下步骤：

S5：构建复方中药化学成分库(即非预测的，来源于已知研究的化学成分)；

S6：基于复方中药化学成分库，分别获取复方中药原方和其改良方的化学成分的活性靶点，并分别对活性靶点进行富集分析比较；

S7：获取复方中药相关的疾病基因，基于步骤S6中的活性靶点及疾病基因，通过计算复方中药原方与其改良方的活性靶点和疾病基因的网络邻近度，评估改良方对疾病的疗效；

S8：对改良方和原方分别检测对应的观察指标，验证改良方的疗效。

优选地，步骤S5通过文献或星斗云知识图谱文本挖掘工具收集复方中药的化学成分，规范成分名称并剔除重复数据后，分别得到相应的化学成分库。

优选地，步骤S6中化学成分靶点的获取方法为本领域公知方法，例如可以通过公开数据库PubChem(https://pubchem.ncbi.nlm.nih.gov/)、Drugbank(https://go.drugbank.com/)、ChEMBL(https://www.ebi.ac.uk/chembl/)、HERB(http://herb.ac.cn/)、Pubmed(https://pubmed.ncbi.nlm.nih.gov/)、CNKI(https://www.cnki.net/)获得，物种选择“Homo sapiens”。

优选地，步骤S7所述获取复方中药相关的疾病基因包括：获取复方中药相关的一种或多种疾病基因，疾病基因来源于已知数据库，经人工矫正后得到疾病基因。

本发明的方法涵盖了以下技术要点：

1.构建DNN预测模型，根据“君臣佐使”配伍原则，通过DNN预测模型对复方中药中药材进行安全性预测；

2.对复方中药每味中药材的化学成分进行ADME性质预测，比较分析需要剔除的中药材并进行排序；

3.对复方中药每味中药材的剔除的靶点进行网络中心性及靶点重要性进行分析，比较需要剔除的中药材并进行排序；

4.对改良前后复方中药的靶点集和疾病基因集进行对比分析，利用随机游走算法比较改良后复方的作用或疗效。

5.分别对复方中药和其改良方的化学成分活性靶点进行富集分析，比较复方中药和其改良方的通路及作用组织部位；

6.分别对复方中药和其改良方的化学成分活性靶点与疾病基因进行网络邻近度分析，比较复方中药和其改良方的疗效。

本发明自主构建了中药材安全性预测模型，以中医“君臣佐使”的理论为指导，运用生物信息学、网络药理学、化学信息学和系统生物学等多学科技术提供一种对复方中药组方优化的方法，此方法兼顾中药安全性的同时最大程度地保留了中药的本质。该方法对中药的发展有重要意义，可提升中药的科技内涵和国际市场竞争力，促进中药的持续健康发展。同时，本发明基于生物信息学和网络药理学提供了一种比较复方中药优化后组方与原始组方疗效的评价方法，该方法可快速获得复方中药中经实验验证的化学成分，获取速度快，准确度高，该方法使科研人员避免了大量的搜索整理工作，人工成本低。此外，利用此方法可快速判断优化后组方的应用价值，为后期研究者进行复方中药组方优化后的药物疗效评价提供了新的思路和参考。

附图说明

图1A为本发明实施例提供的一种对复方中药组方的优化方法的主要步骤流程示意图；

图1B为本发明实施例提供的一种对复方中药组方的优化方法的具体步骤流程示意图；

图2A为一种评价复方中药组方改良方与原方疗效的方法的主要步骤流程示意图；

图2B为本实施例的一种评价复方中药改良方疗效的方法的具体步骤流程示意图；

图3为深度神经网络的结构示意图；

图4A为逍遥丸原方(左)与改良方(右)靶点通路富集比较图；

图4B为二黄祛脂方原方(左)与改良方(右)靶点通路富集比较图；

图4C为芪参益气颗粒原方(左)与改良方(右)靶点通路富集比较图；

图5A为逍遥丸原方(左)与改良方靶点组织富集(右)比较图；

图5B为二黄去脂方原方(左)与改良方靶点组织富集(右)比较图；

图5C为芪参益气颗粒原方(左)与改良方靶点组织富集(右)比较图；

图6为二黄祛脂方及其改良方对高血脂小鼠血清澄清度、肝脏形态、肝组织病理情况、肝脏脂滴聚集的影响。

图7为芪参益气滴丸及其改良方可改善神经功能缺损的效果图。其中(a)表示神经功能缺损评分采用改良神经功能严重程度评分(mNSS)和神经功能评估量表(NES)进行测试。正常小鼠在mNSS中表现出0分，在NES中表现出15分。其横坐标为不同组别：sham组为假手术组，sham+T541-20组为假手术+芪参益气滴丸改良方20mg/kg组，Thrombus组为血栓模型组，Thrombus+T541-20组为血栓模型+芪参益气滴丸改良方20mg/kg组，Thrombus+tPA组为血栓模型+组织型纤溶酶原激活剂组，Thrombus+tPA+T541-5组为血栓模型+组织型纤溶酶原激活剂+芪参益气滴丸改良方5mg/kg组，Thrombus+tPA+T541-10组为血栓模型+组织型纤溶酶原激活剂+芪参益气滴丸改良方10mg/kg组，Thrombus+tPA+T541-20组为血栓模型+组织型纤溶酶原激活剂+芪参益气滴丸改良方20mg/kg组，纵坐标为神经功能缺损评分。(b)表示神经功能缺损评分，其横坐标为不同组别：Sham组为假手术组、I/R组为缺血-再灌注组、Eda组为阳性对照依达拉奉组、QSYQ-L+I/R组为芪参益气滴丸低剂量+缺血-再灌注组、QSYQ-M+I/R组为芪参益气滴丸中剂量+缺血-再灌注组、QSYQ-H+I/R组为芪参益气滴丸高剂量+缺血-再灌注组，纵坐标为神经功能缺损评分。

具体实施方式

为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图和具体实施例对本发明作进一步的详细说明。基于本发明中的实施例仅用于说明本发明，其不以任何方式限制本发明的范围。

图1A为本发明一个实施例提供的一种对复方中药组方的优化方法的主要步骤流程图，该方法的步骤包括：

S1：构建中药材库，收集中药材库中所有中药材的化学成分。

S2：根据S1中收集的中药材化学成分，基于计算分析获得复方中药的改良方。

S3：通过计算评价改良方的疗效。

S4：通过动物实验验证改良方的功效。

图1B为本实施例的一种对复方中药组方优化的方法的具体步骤流程图，包括以下步骤：

S101.通过《中国药典》收集中药材；通过公开数据库收集中药材化学成分。

S201.根据S101收集的中药材化学成分，构建深度神经网络(DNN)预测模型判断佐药和使药的安全性。若安全性低则剔除相应药材，得到改良方；若安全性较高，则根据中药材成分ADME性质和靶点网络相关性分析(具体为通过公开数据库及文献收集中药材的靶点集)，综合计算后，剔除排序前1-2位的佐药或使药，得到改良方。

S301.具体为通过公开数据库及文献收集中药材的靶点集(如S201)、通过公开数据获取复方中药所治疗疾病的基因集，利用随机游走算法计算改良方和原方靶点集与疾病基因集的相关性，Z-score>3即说明药物和疾病显著相关。

S401.动物实验验证改良方的疗效。

图2A为本发明一个实施例提供的一种评价复方中药改良方疗效的方法的主要步骤流程图，该方法的步骤包括：

S5.构建复方中药化学成分库；

S6.收集S5中复方中药化学成分的活性靶点，并进行活性靶点的富集分析；

S7.计算评价改良方的疗效；

S8.动物实验验证改良方的疗效。

图2B为本实施例的一种评价复方中药改良方疗效的方法的具体步骤流程图，包括以下步骤：

S501.具体为利用星斗云知识图谱文本挖掘工具收集复方中药经实验验证的化学成分。

S601.具体为基于S401中复方中药化学成分，通过公开数据库分别获取复方中药原方和其改良方化学成分的活性靶点，并分别对活性靶点进行富集分析比较。

S701.具体为通过公开数据获取复方中药所治疗疾病的基因，分别计算复方中药原方与其改良方活性靶点和疾病基因的网络邻近度，评估改良方对疾病的疗效。Z_closest<-3即说明药物和疾病显著相关。

S801.动物实验验证改良方的疗效。

示例性地，步骤S201的具体实现方式如下：

采用中药材化学成分的化学结构分子指纹ECFP6(Extended-ConnectivityFingerprints 6，扩展连通性指纹)表征步骤S101中药材库中的中药材，利用深度神经网络(Deep Neural Networks，DNN)算法构建中药材安全性预测模型，通过训练集进行模型训练和参数优化，测试集评估模型的准确性。

深度神经网络如图3所示，最底层是输入层，中间是隐藏层，最后是输出层，在输入层、输出层中间有多个隐藏层，层与层之间全连接。输入层的输出用向量χ表示，f(ω

通过DNN模型分别对佐药和使药进行安全性预测(安全性预测定义：预测结果为“0”，则表示安全性高；预测结果为“1”，则表示安全性极低；预测结果为“2”，则表示安全性低；预测结果为“3”，则表示安全性较低；)。

ADME药物动力学方法(药物的吸收Absorption、分配Distribution、代谢Metabolism、排泄Excretion)是药物设计和药物筛选中十分重要的方法。基于DNN预测为安全性高的佐药和使药，分别对佐药和使药的化学成分进行ADME预测，得到对应化学成分的ADME性质数据集。根据不同评价指标对佐药和使药进行筛选剔除排序，评价指标包括肠道吸收(加权比例：0.4～0.5)、口服利用度(加权比例：0.4～0.5)和Lipinski规则(加权比例：0.2～0)。肠道是药物的主要吸收部位，口服药物的肠道吸收是表明其具有明显疗效的必要条件。口服生物利用度是反映所给药物进入人体循环的药量比例，它描述口服药物由胃肠道吸收，及经过肝脏而到达体循环血液中的药量占口服剂量的百分比，是用于药物筛选的最普遍的一个药代动力学参数。Lipinski规则(Lipinski’s Rule)是评估一个化合物能否作为药物，或者一个具有药理学活性或生物学活性的化合物能否成为口服药物的经验法则。Lipinski规则指一个小分子药物中要具备以下性质：1)分子量小于500；2)氢键给体数目小于5；3)氢键受体数目小于10；4)脂水分配系数小于5；5)可旋转键的数量不超过10个。符合Lipinski规则的化合物会有更好的药代动力学性质，在生物体内代谢过程中会有更高的生物利用度。

靶点网络相关性分析：度中心性是在网络分析中刻画靶点中心性(Centrality)的最直接度量指标。一个靶点的靶点度越大就意味着这个靶点的度中心性越高，该靶点在网络中就越重要。接近中心性是利用原方网络的特征，若某一个靶点在整个结构中所处的位置越重要(该靶点与其他靶点的最短距离都很小)，该靶点的网络中心性就越高。MCODE(Molecular Complex Detection)是通过边和节点的关系，在网络中寻找出关键的子网络和核心靶点，评价该靶点是否位于关键网络中，是否为核心基因。

示例性地，步骤S301的具体实现方式如下：

将药物靶点集与疾病基因集分别作为种子节点集基于给定的背景网络运行重启随机游走算法(Random Walk with Restart，RWR)。通过这种方式，分别获得两套种子节点对背景网络上所有节点的影响得分向量(代表种子基因对背景网络上每个节点的影响得分)。然后计算两套得分向量的皮尔森相关系数(Pearson correlation coefficient)，记为Cor，最后通过随机抽样的方法计算Zscore值评估药物靶点与疾病基因的相关性的显著性(Z score>3即说明药物和疾病有相关性)，具体如下：

其中，E(Cor)、δ(Cor)分别代表药物靶点与从背景网络随机抽取疾病相同数目的基因集间计算的相关系数的均值和标准偏差(随机抽样1000次)。使用dnet包进行RWR算法，重启概率设定为0.75(默认值)。

示例性地，步骤S501的具体实现方式如下：

星斗云知识图谱文本挖掘工具工作流程主要包括以下步骤：

1)文献下载：在中国知网CNKI和Pubmed数据库下载文献的题目和摘要信息；

2)构建本地实体别名数据库：包括中药材(Herb)，化学成分(Ingredient)，疾病(Disease)，药物(Drug)，基因(Gene)五种实体类型；

3)数据查询：将下载的文献题目和摘要信息进行格式转换后存储到开源的Elasticsearch数据库(https://www.elastic.co/cn/elasticsearch/，Elasticsearch是一个分布式、高扩展、高实时的搜索与数据分析引擎。用户将数据提交到Elasticsearch数据库中，通过分词控制器去将对应的语句分词，将其权重和分词结果一并存入数据，当用户搜索数据时候，再根据权重将结果排名打分，最后将返回结果呈现给用户)；在星斗云知识图谱网站(http://literature.tasly.com/self.php)输入搜索复方中药名称(标准名和别名)后，网站后台脚本程序调用实体库对复方中药名称进行实体类型判断，并对实体名称进行标准化。通过复方中药标准名和别名搜索相关文献，获得包含复方中药相关的文献信息；

4)网络构建：通过对上述步骤获得复方中药相关的文献信息进行处理并构建知识图谱。在知识图谱中，将复方中药名称作为主节点，与其共同出现在同一篇文献中的其他实体(如化学成分Ingredient)作为子节点，如果两个子节点(如化学成分Ingredient和基因Gene)也共同存在于同一篇文献中则会认为两个子节点是有关系的(即，两个子节点会进行连线)。此外，知识图谱并未展现所有的子节点，根据经验对不同类型的子节点进行了个数限制(即，只展示文献支持数量较高的节点)，如果要获取某一类型的全部实体，需在搜索结果页面获取“知识图谱->关联的(实体类型)信息”。

通过星斗云知识图谱文本挖掘工具分别获取复方中药原方和其改良方中经实验验证的化学成分，规范成分名称并剔除重复数据后，得到相应的化学成分库。

示例性地，步骤S601的具体实现方式如下：

富集分析包括通路富集分析和组织富集分析：

通路富集分析：活性靶点通过特定算法整合到一起，更直观地展示活性靶点与信号通路的关系，发现活性靶点库与之相关的显著的信号通路。

组织富集分析：人体中的每个细胞都拥有几乎相同的基因组拷贝，但每个组织仅表达实现其特定功能所需的基因子集。因此，本发明还比较了复方中药原方和其改良方化学成分的活性靶点在相关组织中的富集表达。

示例性地，步骤S701的具体实现方式如下：

疾病相关基因在背景网络上并不是随机分布的，而是趋向于聚集形成局部的模块，称作为疾病网络模块。可通过计算药物(X)与疾病(Y)的网络邻近度(networkproximity)，定义为d(X,Y)，来评估药物对疾病的影响，具体如下：

其中，d(x,y)表示药物靶点(x)与疾病基因(y)的最短路径长度，||X||表示药物的靶点数。药物与疾病网络邻近度的显著性通过随机抽样的方式计算Z_closest值来评估。在随机抽样中，保持药物靶点不变，随机抽取的疾病基因保持与实际的疾病基因有着相同的数目及相似的度分布(在背景网络上)，随机抽样次数为1000。计算公式如下：

Z_closest＝(d-μ)/δ

其中，μ、δ分别是通过随机抽样计算的药物与疾病网络邻近度的均值与标准偏差，该值越小，结果越显著(Z_closest<-3即说明药物和疾病显著相关)。

下述实施例中的实验方法，如无特殊说明，均为常规方法。下述实施例中所用的药材原料、试剂材料等，如无特殊说明，均为市售购买产品。

实施例一：

本实施例基于本发明方法对养血清脑颗粒原始组方(原方)进行优化，并通过对比原始组方(原方)和优化后组方(改良方)治疗头痛的疗效来进行验证。具体实施步骤如下：

步骤1：构建中药材数据库，收集中药材化学成分

从《中华人民共和国药典》(2020版)中构建中药材数据库，主要包括了618味中药材。618味中药材的化学成分来自表1中所示的数据库。

表1.数据库

步骤2：计算分析获得改良方

采用扩展连通性指纹，以化合物结构特征表征中药材数据库中的618味中药材，并构建深度神经网络(DNN)预测模型。

养血清脑颗粒由11味中药材组成，原方包括白芍、当归、钩藤、鸡血藤、决明子、川芎、熟地黄、细辛、夏枯草、延胡索和珍珠母。其中，君药为当归和川芎；臣药为白芍、钩藤、熟地黄和珍珠母；佐药为鸡血藤、夏枯草、延胡索和决明子；使药为细辛。参考“君臣佐使”的配伍原则，保留养血清脑颗粒君药和臣药的中药材，通过DNN预测模型对佐药和使药(即鸡血藤、夏枯草、延胡索、决明子和细辛)进行安全性预测。DNN模型预测结果显示细辛安全性低(DNN预测结果为“2”)，而鸡血藤、夏枯草、决明子和延胡索安全性高(DNN预测结果均为“0”)。因此，将细辛剔除后作为改良方。

上述原方组成：当归253.5g、川芎253.5g、白芍202.7g、熟地黄202.7g、钩藤506.8g、鸡血藤506.8g、夏枯草506.8g、决明子506.8g、珍珠母506.8g、延胡索253.5g、细辛50.5g。

上述改良方组成：当归253.5g、川芎253.5g、白芍202.7g、熟地黄202.7g、钩藤506.8g、鸡血藤506.8g、夏枯草506.8g、决明子506.8g、珍珠母506.8g、延胡索253.5g。

步骤3：计算方法评价改良方的疗效

获取复方中成药中药材的靶点集：将养血清脑颗粒11味中药材(白芍、当归、钩藤、鸡血藤、决明子、川芎、熟地黄、细辛、夏枯草、延胡索和珍珠母)分别以中文或拼音方式输入中草药数据库LTM-TCM(https://testxdy.tasly.com/#/tcm/home)，收集每味药材全部的文献靶点(经实验验证的靶点)，规范靶点名称并剔除重复数据后，最终养血清脑颗粒原方获得245个靶点，其改良方获得238个靶点，分别作为原方和改良方的靶点集。

获取原发性头痛基因集：以“Primary headache”为关键词，在以下数据库中收集疾病相关基因：GeneCards(https://www.genecards.org/)、OMIM(https://omim.org/)、Open Targets(https://www.targetvalidation.org/)、DisGeNET(https://www.disgenet.org/)、MalaCards(https://www.malacards.org/)、HGNC(https://www.genenames.org/)、Reactome(https://reactome.org/)、MetaCore(https://portal.genego.com/)和KEGG(https://www.kegg.jp/)，剔除重复数据并进行人工校正后，获得原发性头痛基因567个，将其作为原发性头痛基因集。

如表2所示，基于网络传播角度分别研究原方和改良方靶点集与原发性头痛基因集的相关性，评估原方和改良方对原发性头痛的疗效。随机游走算法计算结果显示，Zscore>3，表明养血清脑颗粒改良方和原发性头痛的相关性良好。

表2.养血清脑颗粒改良方和原方靶点集与原发性头痛基因集的相关性

步骤4：动物实验验证改良方的疗效

观察养血清脑颗粒原方和改良方对小鼠镇痛的影响(专利公开号：CN1919273A)。

空白对照组：蒸馏水；阳性对照组：阿司匹林肠溶片。

实验组：养血清脑颗粒原方和改良方。

样本例数：两组实验各112只小鼠。

疗效性观察指标：小鼠醋酸致痛后评价药物的镇痛效果、小鼠光辐射致痛后评价药物的镇痛强度。

结果如表3和表4所示：养血清脑颗粒原方和改良方均能明显抑制酸所致小鼠扭体次数，延长光射所致小鼠甩尾时间，呈现出不同程度的镇痛作用。这一结果与采用本发明的方法得到的预测与计算结果一致。

表3.养血清脑颗粒原方和改良方对小鼠醋酸致痛的影响

注：YXQN：养血清脑颗粒；与对照组比较，*P<0.05，**P<0.01，***P<0.001。

表4.养血清脑颗粒原方和改良方对小鼠热辐射甩尾致痛的影响

注：YXQN：养血清脑颗粒；与对照组比较，*P<0.05，**P<0.01。

综上，经计算分析和动物实验验证，表明本方法优化后的养血清脑颗粒改良方在治疗原发性头痛时的疗效与养血清脑颗粒原方相当。

实施例二：

本实施例基于本发明方法对逍遥丸原始组方进行优化，并通过对比原始组方(原方)和优化后组方(改良方)治疗抑郁症的疗效来进行验证。具体实施步骤如下：

步骤1：收集中药材化学成分

逍遥丸由7味中药材组成，包括柴胡、当归、白芍、白术、茯苓、甘草和薄荷。其中，君药为柴胡；臣药为白芍和当归；佐药为白术、茯苓和甘草；使药为薄荷。将逍遥丸7味中药材分别以中文或拼音方式输入中药材数据库(数据库详见实施例一：步骤1)，收集每味药材全部的化学成分，合并整理并剔除重复数据后，最终获得2037个化学成分。

步骤2：计算分析获得改良方

参考“君臣佐使”的配伍原则，保留逍遥丸君药和臣药的中药材，通过实施例一中构建的DNN预测模型对佐药和使药(即白术、茯苓、甘草和薄荷)进行安全性预测。DNN模型预测结果均显示佐药和使药安全性高(DNN预测结果均为“0”)。

ADME分析：逐一将白术、茯苓、甘草和薄荷的化学成分集与君药和臣药(柴胡、当归和白芍)的化学成分集进行对比后，甘草独有成分数量(359个)远高于薄荷(206个)、白术(124个)和茯苓(99个)。因其可能会发挥独有的药效作用，保留甘草。根据ADME不同性质对白术、茯苓和薄荷进行剔除评价并排序。评价指标包括肠道吸收、口服利用度及Lipinski规则。本发明中，中药材化学成分肠道吸收和口服利用度筛选阈值设定为大于0.7(0.7代表肠道吸收和口服利用度低于30％的概率，即剔除中药材中肠道吸收和口服利用度较低的化学成分)，阈值的设定目的在于：1)使得筛选获得的化学成分尽可能具有较高的肠道吸收率和口服利用度；2)所筛选获得的化学成分能够尽可能全面地表示整个中药复方的药理学数据性质。

1、肠道吸收：对白术、茯苓和薄荷对应化学成分ADME性质数据集中的肠道吸收数值分别根据设定阈值进行筛选，剔除肠道吸收大于0.7的成分，最终根据中药材剔除成分的数量获得排序：茯苓(37个)>薄荷(21个)>白术(12个)。

2、口服利用度：对白术、茯苓和薄荷对应化学成分ADME性质数据集中的口服利用度数值分别根据设定阈值进行筛选，剔除口服利用度大于0.7的成分，最终根据中药材剔除成分的数量获得排序：薄荷(121个)>白术(86个)>茯苓(64个)。

3、Lipinski规则：对白术、茯苓和薄荷对应化学成分ADME性质数据集中的Lipinski规则进行筛选，剔除不符合Lipinski规则的化学成分(Rejected)，最终中药材剔除成分数量获得排序：茯苓(41个)>薄荷(9个)>白术(5个)。

基于上述步骤，根据不同评价指标及中药材筛选排序对本发明的贡献度进行赋值加权评分(肠道吸收＝口服利用度及>Lipinski规则)，即评价指标越重要，该评价指标赋值越大；中药材筛选排序越靠前，该中药材赋值越大。鉴于此，本发明中肠道吸收、口服利用度及Lipinski规则加权比例为0.4：0.4：0.2，中药材筛选排序得分加权比例为0.3：0.2：0.1，加权评分的中药材得分＝(指标1+指标2+指标3)*中药材筛选排序得分。故获得需要剔除中药材的排序：薄荷(score 0.24)>茯苓(score 0.22)>白术(score 0.14)，排名越靠前，越需要剔除。

靶点网络相关性分析：将逍遥丸7味药材分别以中文或拼音方式输入星斗云知识图谱库(https://literature.tasly.com/)，收集每味药材全部的文献靶点(经实验验证的靶点)，规范靶点名称并剔除重复数据后，最终获得384个靶点。为避免假阳性结果，此步骤优先选择文献支持数量大于1的靶点(112个)，即获得原方对应的靶点集，并将原方靶点集输入STRING数据库(https://string-db.org/)获得原方靶点网络。同时，保留君药和臣药的所有靶点，随机将白术、茯苓和薄荷进行剔除，如表5、表6所示，分别得到改良方1(减白术)、改良方2(减茯苓)、改良方3(减薄荷)及其相对应的靶点集。

表5.逍遥丸原方与改良方的组成

表6.逍遥丸原方与改良方靶点集

/>

根据靶点中心性及重要性进行筛选排序，详细步骤如下：

1、度中心性：基于上述步骤所述，随机剔除白术、茯苓和薄荷的靶点后分别获得改良方1靶点集、改良方2靶点集、改良方3靶点集。改良方3靶点集与原方靶点集无任何差异(表6)，表明改良方3(减薄荷)与原方相似性最高，且度中心性排名为：改良方3<改良方2<改良方1，因此基于度中心性，优选改良方3(表7)。

2、靶点中心性：基于上述步骤所述，将原方靶点集输入STRING数据库获得原方靶点网络，利用Cytoscape软件绘制网络图，并通过Analyze Network对比改良方与原方的差异靶点在网络中的中心性，如表7所示，根据中心性评价排序：改良方3<改良方2<改良方1，因此基于靶点中心性，优选改良方3。

3、核心靶点：基于上述步骤所述，将原方靶点集输入STRING数据库获得原方靶点网络，利用Cytoscape软件绘制网络图，并通过MCODE分析对比改良方与原方的差异靶点在网络中的得分。如表7所示，根据MCODE得分排序：改良方3<改良方2<改良方1，因此基于核心靶点对比，优选改良方3。

表7.逍遥丸原方与改良方差异靶点的重要性

基于上述步骤，根据不同指标进行赋值加权评分，即评价指标越重要，该评价指标赋值越大；改良方靶点重要性评价指标排序越小，该改良方赋值越大。鉴于此，靶点相似性、中心性及MCODE得分加权比例为0.4：0.3：0.3，改良方排序得分加权比例为0.3：0.2：0.1(若排序相同，则赋相同值)，加权评分的改良方得分＝(指标1+指标2+指标3)*改良方排序得分。故获得需要剔除中药材排序：薄荷(score 0.3)>茯苓(score 0.2)>白术(score 0.1)，排名越靠前，越需要剔除。

综合上述成分和靶点(1：1)筛选，佐药和使药总得分为：薄荷(Total score 0.54)>茯苓(Total score 0.44)>白术(Total score 0.24)。最终逍遥丸组方(7味中药材)中剔除中药材薄荷和茯苓。因此，优化后组方包括5味中药材，分别为柴胡、当归、白芍、白术和甘草。

步骤3：计算方法评价改良方的疗效

以“Depression”为关键词，在以下数据库中收集疾病相关基因：GeneCards(https://www.genecards.org/)、Open Targets(https://www.targetvalidation.org/)、OMIM(https://omim.org/)、DisGeNET(https://www.disgenet.org/)、GWAS(https://www.ebi.ac.uk/gwas/)、MalaCards(https://www.malacards.org/)、HGMD(https://www.hgmd.cf.ac.uk/ac/index.php)、Reactome(https://reactome.org/)、MetaCore(https://portal.genego.com/)和KEGG(https://www.kegg.jp/)，剔除重复数据并进行人工校正后，获得抑郁症基因272个，将其作为抑郁症基因集。

基于网络传播角度分别研究逍遥丸原方和改良方靶点集与抑郁症基因集的相关性，评估原方和改良方对抑郁症的疗效。随机游走算法计算结果显示，逍遥丸改良方和抑郁症显著相关(Z score>3)，如表8所示。

表8.逍遥丸改良方和原方靶点集与疾病基因集的相关性

步骤4：动物实验验证改良方的疗效

比较逍遥丸原方和其改良方的抗抑郁作用(专利公开号：CN 114053337 A)。

空白对照组：蒸馏水；阳性对照组：盐酸氟西汀(常用来治疗抑郁症)

实验组：逍遥丸原方和改良方。

样本例数：两组实验各13只大鼠。

疗效性观察指标：体重变化、糖水消耗百分比、敞箱实验运动得分是主要行为学评价指标，能反映临床抑郁症患者的食欲不振、快感缺失、自主活动能力及对新鲜环境的好奇程度降低等症状；测量生化指标(多皮质酮CORT、多巴胺DA、去甲肾上腺素NE、5-羟色胺5-HT、脑源性神经营养因子BDNF)的含量来评估抗抑郁作用。

药效指标结果见表9。实验结果表明：改良方组改善抑郁模型大鼠食欲减退、体重减轻、快感缺失、活动能力低下及对新鲜环境的好奇程度降低症状的效果仅次于盐酸氟西汀组，并优于原方组。通过检测生化指标(CORT、DA、NE、5-HT、BDNF)的含量，表明改良方组抗抑郁作用与盐酸氟西汀组相当，且优于原方。

表9.逍遥丸原方和改良方的抗抑郁作用

综上，经计算分析表明经本方法优化后的逍遥丸改良方在治疗原发性头痛时的疗效与逍遥丸原方相当，动物实验表明逍遥丸改良方抗抑郁作用与逍遥丸原方相当，证明了本优化方法有效。

实施例三：

本实施例基于本发明方法对逍遥丸原方和改良方化学成分的活性靶点进行对比分析，并通过计算逍遥丸原方和改良方与抑郁症的网络邻近度，评价逍遥丸改良方的疗效。具体实施步骤如下：

步骤1：构建逍遥丸化学成分库

逍遥丸由7味中药材组成，包括柴胡、当归、白芍、白术、茯苓、甘草和薄荷。其改良方包括柴胡、当归、白芍、白术和甘草5味中药材。分别以“逍遥丸”、“xiao yao wan”和“Xiaoyao Pill”为关键词，在星斗云知识图谱库收集逍遥丸对应的全部化学成分。经规范成分名称、剔除重复数据后，逍遥丸原方获得18个化学成分，其改良方获得18个化学成分。

逍遥丸原方和改良方所包含的化学成分如表10所示。

表10.逍遥丸原方和改良方的化学成分

步骤2：获取逍遥丸化学成分的活性靶点，进行富集分析

以逍遥丸化学成分名称为关键词，分别在PubChem(https://pubchem.ncbi.nlm.nih.gov/)、ChEMBL(https://www.ebi.ac.uk/chembl/)和HERB(http://herb.ac.cn/)数据库逐一收集逍遥丸(18个)化学成分的相关活性靶点。剔除重复靶点后，获得292个活性靶点，其改良方获得292个活性靶点。

分别将逍遥丸原方和改良方的化学成分的活性靶点库输入DAVID数据库(https://david.ncifcrf.gov/home.jsp)，物种选择Homo sapiens，进行KEGG Pathway分析。如图4A所示，逍遥丸原方和改良方相关活性靶点在脂肪合成，癌症相关和AGE-RAGE通路等显著富集，改良方和原方相关活性靶点的通路富集无差异。

使用TSEA工具进行组织特异性表达分析(http://genetics.wustl.edu/jdlab/tsea/),分别输入逍遥丸原方和改良方的化学成分的活性靶点库，物种选择Human，进行TSEA分析。如图5A所示，逍遥丸原方和改良方相关活性靶点在血液、肝脏和结肠等组织上显著富集；改良方和原方相关活性靶点的组织富集无差异。

步骤3：通过计算方法评价逍遥丸改良方的疗效

获取抑郁症的基因：以“Depression”为关键词，获得抑郁症基因272个(详见实施例二)。

基于药物与疾病的网络邻近度，评估逍遥丸原方和改良方对抑郁症的疗效。计算结果显示逍遥丸改良方和抑郁症的网络邻近度和原方比无差异，且逍遥丸改良方与抑郁症显著相关(Z_closest<-3)，见表11。

表11.逍遥丸原方和改良方与抑郁症的网络邻近度

步骤4：动物实验验证逍遥丸改良方的疗效

实验结果表明，改良方组改善抑郁模型大鼠食欲减退、体重减轻、快感缺失、活动能力低下及对新鲜环境的好奇程度降低症状的效果优于原方组，且改良方组抗抑郁作用优于原方(详见实施例二)。

综上，经逍遥丸原方和改良方的靶点富集分析、网络邻近度计算和动物实验验证后，表明逍遥丸改良方与原方的疗效无差异，证明了本方法可以用于评价复方中药改良方的疗效。

实施例四：

本实施例基于本发明方法对二黄祛脂方原方和改良方化学成分的活性靶点进行对比分析，并通过计算二黄祛脂方原方和改良方与高血脂症的网络邻近度，评价二黄祛脂方改良方的疗效。具体实施步骤如下：

步骤1：构建二黄祛脂方化学成分库

二黄祛脂方由甘草、丹参、荷叶、大黄、姜黄、虎杖、葛根、白术、泽泻、绞股蓝、僵蚕、水蛭和青礞石13味中药组成，其改良方包括虎杖、丹参、荷叶和姜黄4味中药材。分别以“二黄祛脂方”和“Er huang qu zhi”为关键词，在星斗云知识图谱库收集二黄祛脂方对应的全部化学成分。经规范成分名称、剔除重复数据和人工校正后，二黄祛脂方原方获得29个化学成分，其改良方获得20个化学成分。

二黄祛脂方原方和改良方所包含的化学成分如表12所示。

表12.二黄祛脂方原方和改良方的化学成分

步骤2：获取二黄祛脂方化学成分的活性靶点，进行富集分析

以二黄祛脂方化学成分名称为关键词，分别在PubChem(https://pubchem.ncbi.nlm.nih.gov/)、ChEMBL(https://www.ebi.ac.uk/chembl/)和HERB(http://herb.ac.cn/)数据库逐一收集二黄祛脂方化学成分的相关活性靶点。经人工校正及剔除重复靶点后，二黄祛脂方获得322个活性靶点，其改良方获得306个活性靶点。

分别将二黄祛脂方原方和改良方的化学成分的活性靶点库输入DAVID数据库(https://david.ncifcrf.gov/home.jsp)，物种选择Homo sapiens，进行KEGG Pathway分析。如图4B所示，二黄祛脂方原方和改良方相关活性靶点在脂肪合成和癌症相关等通路显著富集，改良方和原方相关活性靶点的通路富集无差异。

使用TSEA工具进行组织特异性表达分析(http://genetics.wustl.edu/jdlab/tsea/),分别输入二黄祛脂方原方和改良方的化学成分的活性靶点库，物种选择Human，进行TSEA分析。如图5B所示，二黄祛脂方原方和改良方相关活性靶点在肝脏、血液和结肠等组织上显著富集；改良方和原方相关活性靶点的组织富集无差异。

步骤3：通过计算方法评价二黄祛脂方改良方的疗效

获取高血脂症的基因：以“Hyperlipidemia”为关键词，在以下数据库中收集疾病相关基因：GeneCards(https://www.genecards.org/)、OMIM(https://omim.org/)、OpenTargets(https://www.targetvalidation.org/)、DisGeNET(https://www.disgenet.org/)、GWAS(https://www.ebi.ac.uk/gwas/)、MalaCards(https://www.malacards.org/)、HGM(https://www.hgmd.cf.ac.uk/ac/index.php)、Reactome(https://reactome.org/)、MetaCore(https://portal.genego.com/)和KEGG(https://www.kegg.jp/)。并将其作为疾病相关基因库并进行人工校正，获得高血脂症基因296个。

基于药物与疾病的网络邻近度，评估二黄祛脂方原方和改良方对高血脂症的疗效。计算结果显示，二黄祛脂方改良方和高血脂症的网络邻近度和原方比无差异，且二黄祛脂方改良方与高血脂症显著相关(Z_closest<-3)，见表13。

表13.二黄祛脂方原方和改良方与高血脂症的网络邻近度

步骤4：动物实验验证二黄祛脂方改良方的疗效

比较二黄祛脂方原方和其改良方治疗高血脂的作用。

空白对照组：蒸馏水；高血脂组：蒸馏水；阳性对照组：苯扎贝特(用于降血脂)。

实验组：二黄祛脂方原方和改良方。

样本例数：每组实验各6只小鼠。取ICR小鼠随机分为CON组、HPL组、EHQZF组(2.4g/kg)、QZF-I组(2.4g/kg)、QZF-II组(2.4g/kg)和BZBT组(60.67mg/kg)，除CON组和HPL组给予纯化水外，其余各组灌胃给予相应药物，早晚各给药一次，持续13d第13天时，末次给药1h后，除CON组，其余各组腹腔注射500mg/kg的Tyloxapol，禁食不禁水14h后，将小鼠安乐死，取血清检测丙氨酸氨基转移酶(ALT)、天冬氨酸氨基转移酶(AST)、三酰甘油(TG)、总胆固醇(TC)、高密度脂蛋白胆固醇(HDL-C)低密度脂蛋白胆固醇(LDL-C)、丙二醛(MDA)、超氧化物歧化酶(SOD)含量，取肝组织匀浆检测白细胞介素IL-6、IL-1β含量,利用苏木精-伊红(HE)染色和油红O染色进行病理学观察。

疗效性观察指标：检测血清丙氨酸氨基转移酶(ALT)、天冬氨酸氨基转移酶(AST)、三酰甘油(TG)、总胆固醇(TC)、高密度脂蛋白胆固醇(HDL-C)低密度脂蛋白胆固醇(LDL-C)、丙二醛(MDA)、超氧化物歧化酶(SOD)及肝组织中白细胞介素(IL)-6、IL-1β含量，利用苏木精-伊红(HE)染色和油红O染色进行病理学观察。

实验结果表明二黄祛脂方原方和其改良方均可显著降低血清ALT、AST、TG、TC、LDL-C水平、抑制MDA水平，升高HDL-C和SOD水平；二黄祛脂方原方和其改良方均可减少肝组织IL-6和IL-1β含量，其中改良方效果更好。同时，二黄祛脂方原方和其改良方均可改善小鼠血清澄清度和肝脏病理状态、减轻肝脏炎性细胞浸润和脂滴蓄积，其中改良方效果显著。证明其改良方可通过抗氧化、改善肝损伤、减轻肝脏炎症和脂滴蓄积治疗高血脂，如图6所示。

综上，经二黄祛脂方原方和改良方的靶点富集分析、网络邻近度计算和动物实验验证后，表明二黄祛脂方改良方与原方的疗效无显著差异，证明了本方法可以用于评价复方中药改良方的疗效。

实施例五：

本实施例基于本发明方法对芪参益气滴丸原方和改良方化学成分的活性靶点进行对比分析，并通过计算芪参益气滴丸原方和改良方与缺血性脑卒中的网络邻近度，评价芪参益气滴丸改良方的疗效。具体实施步骤如下：

步骤1：构建芪参益气滴丸化学成分库

芪参益气滴丸由黄芪、丹参、三七和降香油4味中药组成，其改良方包括黄芪、丹参和三七3味中药材。分别以“芪参益气滴丸”和“Qishen Yiqi Dripping Pills”为关键词，在星斗云知识图谱库收集芪参益气滴丸对应的全部化学成分。经规范成分名称、剔除重复数据和人工校正后，芪参益气滴丸原方获得26个化学成分，其改良方获得23个化学成分。

芪参益气滴丸原方和改良方所包含的化学成分如表14所示。

表14.芪参益气滴丸原方和改良方的化学成分

步骤2：获取芪参益气滴丸化学成分的活性靶点，进行富集分析

以芪参益气滴丸化学成分名称为关键词，分别在PubChem(https://pubchem.ncbi.nlm.nih.gov/)、ChEMBL(https://www.ebi.ac.uk/chembl/)和HERB(http://herb.ac.cn/)数据库逐一收集芪参益气滴丸化学成分的相关活性靶点。经人工校正及剔除重复靶点后，芪参益气滴丸获得315个活性靶点，其改良方获得314个活性靶点。

分别将芪参益气滴丸原方和改良方的化学成分的活性靶点库输入DAVID数据库(https://david.ncifcrf.gov/home.jsp)，物种选择Homo sapiens，进行KEGG Pathway分析。如图4C所示，芪参益气滴丸原方和改良方相关活性靶点在AGE-RAGE通路和癌症相关通路等显著富集，改良方和原方相关活性靶点的通路富集无差异。

使用TSEA工具进行组织特异性表达分析(http://genetics.wustl.edu/jdlab/tsea/),分别输入芪参益气滴丸原方和改良方的化学成分的活性靶点库，物种选择Human，进行TSEA分析。如图5C所示，芪参益气滴丸原方和改良方相关活性靶点在心脏、肝脏、肺和结肠等组织上显著富集；改良方和原方相关活性靶点的组织富集无差异。

步骤3：通过计算方法评价芪参益气滴丸改良方的疗效

获取缺血性脑卒中的基因：以“Ischemic stroke”为关键词，在以下数据库中收集疾病相关基因：GeneCards(https://www.genecards.org/)、OMIM(https://omim.org/)、Open Targets(https://www.targetvalidation.org/)、DisGeNET(https://www.disgenet.org/)、GWAS(https://www.ebi.ac.uk/gwas/)、MalaCards(https://www.malacards.org/)、HGM(https://www.hgmd.cf.ac.uk/ac/index.php)、Reactome(https://reactome.org/)、MetaCore(https://portal.genego.com/)和KEGG(https://www.kegg.jp/)。并将其作为疾病相关基因库并进行人工校正，获得缺血性脑卒中基因312个。

基于药物与疾病的网络邻近度，评估芪参益气滴丸原方和改良方对疾病的疗效。计算结果显示，芪参益气滴丸改良方和缺血性脑卒中的网络邻近度和原方比无显著差异，且芪参益气滴丸改良方与缺血性脑卒中显著相关(Z_closest<-3)，见表15。

表15.芪参益气滴丸原方和改良方与疾病的网络邻近度

步骤4：动物实验验证芪参益气滴丸改良方的疗效

比较芪参益气滴丸原方和其改良方治疗缺血性脑卒中的作用。

对照组：假手术组、模型组、阳性对照组。

实验组：芪参益气滴丸改良方。

疗效性观察指标：通过评估神经功能缺损、脑梗死、脑水肿及血脑屏障功能评估，评估芪参益气滴丸对脑缺血/再灌注损伤的保护作用。

实验方法：

颈动脉血栓模型和动物处理

雄性C57BL/6N小鼠(21±2g)取自北京大学科学中心动物中心(北京，证书号SCXK2006-0008)。颈动脉血栓形成模型建立：腹腔注射戊巴比妥钠(2％；45mg/kg)麻醉动物，分离右颈总动脉，用10％ FeCl

芪参益气滴丸(QSYQ)(NMPN Z20030139)由天士力药业集团有限公司(中国天津)提供，芪参益气滴丸在超纯水中溶解，得到浓度为5.69mg/mL、11.38mg/mL和22.75mg/mL的溶液进行后续实验。雄性6周龄ICR小鼠(22±2g)购自北京Vital River实验动物科技有限公司(北京，证号：SCXK Jing 2014-0013)。实验小鼠分为假手术组(Sham组)、缺血-再灌注组(I/R组)、阳性对照组(依达拉奉，Eda组)、QSYQ低剂量(5.69mg/mL)+I/R组、中剂量(11.38mg/mL)+I/R组、高剂量(22.75mg/mL)+I/R组。治疗组小鼠在缺血-再灌注手术前7天，每日1次灌胃QSYQ，连用7天。阳性对照药物依达拉奉(2mg/mL，药品批准文号：H20031342，购自南京仙盛东源药业有限公司，南京)在缺血50min后静脉注射1次。假手术组和I/R模型组大鼠灌胃0.9％生理盐水(10mL/kg)，连续7天。

神经功能缺损评估采用一下两种方式进行评估：

(1)神经功能缺损评分采用改良神经功能严重程度评分(mNSS)和15分神经功能评估量表(NES)进行测试。正常小鼠在mNSS中表现出0分，在NES中表现出15分。如图7中的(a)所示。

(2)再灌注24小时后对实验动物的神经功能缺损进行检查。评分0，无神经功能缺损(显示正常和自发运动)；评分1，轻度局灶性神经功能缺损(未能完全伸展对侧前肢)；评分2，中度局灶性神经功能缺损(向对侧重复绕圈)；评分3，严重局灶性神经功能缺损(向对侧下降)；得分4，意识低落或死亡，不能自主行走。如图7中的(b)所示。

实验结果表明芪参益气滴丸原方和其改良方均显著降低了神经功能缺损评分，缓解了相关血管性水肿出血，减少了血脑屏障破坏。证明了芪参益气滴丸原方和其改良方均对脑缺血/再灌注损伤具有保护作用，如图7所示。

综上，经芪参益气滴丸原方和改良方的靶点富集分析、网络邻近度计算和动物实验验证后，表明芪参益气滴丸改良方与原方的疗效无显著差异，均对脑缺血/再灌注损伤具有保护作用，证明了本方法可以用于评价复方中药改良方的疗效。

以上公开的本发明的具体实施例，其目的在于帮助理解本发明的内容并据以实施，本领域的普通技术人员可以理解，在不脱离本发明的精神和范围内，各种替换、变化和修改都是可能的。本发明不应局限于本说明书的实施例所公开的内容，本发明的保护范围以权利要求书界定的范围为准。