赵茗毅，王启海

（安徽中医药高等专科学校 药学系，安徽 芜湖 241000）

0 引言

人工神经网络（artificial neural networks，ANN）是近些年迅速发展的一种新型的数据处理方式。它是一种模拟人脑的人工智能技术，以输入层、输出层模拟大脑神经元处理、记忆信息的方式。目前人工神经网络技术作为一种新的数据处理手段，在信息处理、自动化、工程、医学、经济等领域得到广泛应用[1]。

反向传播神经网络（back propagation artificial neural networks，BP-ANN）是当前常用的人工神经网络。BP 神经网络是一种按误差逆传播算法训练的多层前馈神经网络。除此之外，常见的人工神经网络类型还有霍普菲尔德神经网络、双向联想记忆神经网络、径向基函数神经网络、小脑模型连接控制神经网络等。

人工神经网络自主学习能力强，擅长处理非线性复杂的数据。而中药数据有非线性、高纬度等特点，恰好是人工神经网络的专长，近年来被广泛应用于中药领域的研究[2]。

1 人工神经网络在中药传统药性理论中的应用

四气五味、升降浮沉、归经和毒性是中药传统的药性理论。这是古人长期实践的经验，高度总结而来的中药基础理论。目前研究表明，中药的药性与中药的功效和成分有密不可分的联系，但它们之间的关系是非线性的，作用机制复杂，采用传统研究方法难以做到全面分析。人工神经网络自学能力强、适应能力强、擅长处理非线性关系的特点很利于传统药性理论的现代研究。

李雨等从《中华本草》筛选出药性和属性特征明确且具有代表性的1728 种植物药，结合Logistic回归，以药材属性特征与其药性的相关性，建立BP神经网络模型，随机采取1037 种药材作为训练集，剩余药材组成测试集，对测试集中药的药性进行判别。结果显示判断的正确率为71.49%，BP 神经网络可以快速判别药性，能够实现对药材寒热性的初步判别。

刘红杰等[3]同样以《中华本草》药物为研究对象，将神经网络模型与传统中药药性理论相结合来预测分析中药肾毒性。结果显示，影响中药肾毒性的最重要的四个因素是热性、辛味、温性和苦味。其中热性为第一，这与当前大部分研究相符。神经网络模型为中药肾毒性研究提供了新的统计预测模型，新的数理模型为中医药研究者在研究传统较抽象的理论时提供了新的思路，为抽象的理论数据化提供了可能性。

刘莉萍等[4]以BP 神经网络构建76 味补虚药分类模型，采用数据挖掘方法挖掘补虚药药效，结合BP 神经网络，采用中药性味归经为特征对药进行分类预测。

神经网络作为一种新的数据处理方法，为中药药性的现代化研究，科学解释传统的中药理论提供了新的思路。

2 人工神经网络在中药质量控制方面的应用

中药治疗疾病以其多成分、多靶点为特色，同时多成分也是研究中药的难点之一。中药鉴定或者质量等级分类时单纯地以药物中某一组分的含量或几个“有效成分”是不科学的。目前中药鉴定的重要方法是模式识别。人工神经网络作为一种新型模式识别方式，目前已经广泛应用在中药有效成分含量测定、真假辨别等。

陈南迪等[1]对不同品种的化橘红粉末建立指纹图谱，用自组织竞争型人工神经网络成功对化橘红品种进行识别，且预测平均准确率达 91.67%以上。

回音等[5]在快速区分中药皂角刺和伪品山皂角刺、野皂角刺、悬钩子时，在近红外光谱数据基础上，分别借助判别分析法、聚类分析法和BP 神经网络，结果显示BP 神经网络准确度高于其他两种方法，且更快捷。

汤彦丰等[6]利用BP 人工神经对42 份紫花地丁样品红外图谱数据进行处理，建立了中药紫花地丁的红外指纹图谱，有效地鉴别野生紫花地丁和栽培紫花地丁。

相翠玉等[7]对不同产地的大黄快速检测时，将传统的红外漫反射光谱分析技术与人工神经网络方法相结合，其准确率高达 95%。

于生等[8]用聚类分析法获得薄荷、荆芥、香薷及广藿香4 种唇形科植物的紫外-可见指纹图谱，并结合BP 人工神经网络模型，对未知的20 个样本进行预测，品种识别准确率达到100%。

3 神经网络在中药有效成分提取和含量测定中的应用

中药提取是中药现代化研究的重要一部分。目前常用的提取工艺是正交试验、星点设计、均匀设计等，但是往往需要有大量的验证性工作，并且数据不能客观地表达多因素、多水平之间复杂的非线性关系。吴娜等[9]以BP 神经网络优化白附子多糖提取工艺，与常规的正交试验相比，准确率没有降低，但是大大缩短了实验步骤，简化实验。正交试验是目前最常用的优化工艺的手段之一，它采取以部分代替全体的方法，选出有代表性的试验点进行实验。大大减轻了实验者的工作量，仅对部分实验结果分析，便可了解整体实验。但正交试验需要大量的试验，神经网络可以减少繁杂的试验，以其高强度的学习能力，模拟尽可能全面的条件，得出不低于正交试验准确率的实验结果。

目前，人工神经网络已经成功应用在鱼腥草多糖[10]、芦丁[11]、紫苏叶中黄酮[12]、醋莪术中挥发油[13]等多种中药有效成分提取的优化实验中。

高效液相色谱法和薄层扫描法是当前中药成分分析的主要手段。但是这两种分析方法都存在弊端，成本高，分析时间长，或者重复性不好，而人工神经网络以数学网络拓扑结构为理论基础，对于处理非线性体系有其独到之处，为混合体系多组分同时测定提供了有效的工具。

王昭懿等[14]利用黄芩红外光谱数据，建立BP神经网络，快速准确地预测黄芩中总黄酮的含量。杨南林等在测定发酵冬虫夏草中甘露醇含量后，分别借助BP 人工神经网络（BP-ANN）、偏最小乘回归（partial least-squares regression，PLSR）、聚合酶链式反应（polymerase chain reaction，PCR）三种方法建立不同的校准模型。结果发现BPANN 法所得预测误差值最小，优于PCR 和 PLSR 法。

4 人工神经网络在中药的药动学、药效学及其相关性中的应用

神经网络作为一种学习型数学模型，不用了解药物的作用机制，仅通过强大的学习能力，输入层和输出层通过大量的训练数据建立稳定的拓扑数据结构，该数据模型适合解决非线性、多变量的复杂数据问题。目前，神经网络成功用于药物分子的药效预测。人工神经网可以根据药物分子的折射率、疏水参数等常规的理化参数，成功预测药物药效有无或大小。

基于上述特点，越来越多的医药研究人员将人工神经网络应用在药物代谢动力学、药物药效代谢动力学的研究中。目前广泛应用在预测药物ADME/T 性质、药动学参数、建立药动学-药效学结合模型和制定治疗药物监测和临床给药方案中。

人工神经网络已经成功应用于肾衰竭病人的群体药效学研究、辅助制订糖尿病人的胰岛素给药方案、予瑞芬太尼的健康受试者的药动学-药效学研究等。多成分、多变量是中药药动学和药效学的研究难点，人工神经网络非机制依赖、能拟合复杂非线性关系的特点很适合攻克这些难点。

尹永芹等将香丹清注射液的5 个不同萃取部位作为研究对象，利用BP 神经网络对其药效成分进行探究。实验者把16 个部位的8 个成分的色谱峰数据作为输入层神经元，选取心肌缺血药效学指标作为输出神经元，建立BP 神经网络模型，分析抗垂体后叶素致心肌缺血的香丹注射液中主要有效成分丹酚酸A 和丹酚酸D，大大简化了数据处理过程。

Cao 等成功将BP 神经网络应用于山茱萸中的莫诺苷在大鼠体内药动学参数的预测。实验者将大鼠体重和给药剂量作为输入参数，以半衰期、达峰浓度、UC0-t 和AUC0-inf 这4 个药动学参数为输出参数，建立BP 神经网络，结果可以很好预测半衰期、达峰浓度、AUC0-t、AUC0-inf。BP 神经网络可以不考虑莫诺苷的药动学特点是否符合房室模型，大大简化了数据处理过程。

5 神经网络在中药复方制剂研究中的应用

中药方剂是中药切实的临床应用，是中医治疗疾病的基础。中药经典名方、验方是中医几千年的试验结果，也是中国传统医药的特色[15]。方剂中多种药物、多种成分、多相互反映是研究的难点。面多复杂的成分，常规的数学模型不能解决的问题，急需更先进的数学模型来解决。

宋小莉等利用BP 神经网络研究半夏泻心汤中不同药物配比，发现方剂中不同药物配比对胃蛋白酶活性影响不同。吴纯伟等[16]以同样方法借助BP 神经网络研究脑脉通中药物配比，并且选出脑脉通最优的治疗药物配比。

韩彦琪等[17]建立的BP 神经网络模型，结合谱效，研究发现16 个特征峰与疏风解毒胶囊对M3 受体的激动活性显著相关。该实验以传统的液相图谱为基础，利用BP 神经网络对疏风解毒胶囊中的多种有效成分进行初步探究，为中药质量标记物的研究提出了新的研究思路。

6 小结

人工神经网络作为一种新兴的模式识别理论，模仿人脑，是一种非线性、自适应信息处理系统。自主学习能力强，可以避免人为干预，可以用于解决知识背景不清楚、推理规则不明确等复杂类模式识别问题，与以前的模式识别方法相比有着明显的优势[18,19]。任何一种研究方法都不是十全十美的，都存在着问题。在实验中研究人员发现[20,21]，BP 人工神经网络中的部分数据需要实验人员根据经验来设计，受部分主观因素影响。且在实验中会出现过度拟合，对样本数据有较强依赖性的缺点。

神经网络用于中药的研究，为中药现代研究的困境提供了新的思路，随着多学科的交叉发展，人工神经网络会不断完善，为中药的现代化研究提供新的思路，在中药中的应用也会越来越广，推动中药的现代化研究。