TCMNet: an AI-driven strategy for optimizing traditional Chinese medicine.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Arka planYapay zeka (AI), özellikle büyük dil modelleri (LLM'ler), geleneksel Çin tıbbının (TCM) karmaşıklığını sistematik olarak modellemek için güçlü araçlar sağlamıştır. Subjektif formül tasarımının ve ağırlıksız hedef önceliklendirmenin sınırlamalarını aşmak için, LLM destekli hastalık bilgi madenciliğini, protein-protein etkileşimi (PPI) ağlarını ve bitkisel formül değerlendirmesini ve aktif bileşiklerin tanımlanmasını desteklemek için derin öğrenme tabanlı bağlayıcı tahminini entegre eden yapay zeka destekli bir strateji olan TCMNet'i geliştirdik. MethodsTCMNet, ağırlıklı PPI ağ değerlendirmesi ile AI güdümlü literatür analizini entegre eder. Parkinson hastalığı (PD) temsili vaka çalışması olarak seçildi. Hastalıkla ilişkili protein hedefleri, Çin ve İngiliz edebiyatından ilgili hedefleri çıkaran TCM'ye özgü bir LLM olan TCMChat kullanılarak semantik olarak ağırlıklandırıldı. Ayrıca, kompozisyon oranları, bileşik bolluk ve bileşik protein etkileşimi olasılıkları gibi bitkiye özgü bilgi verileri, ağırlıklı bitki ile ilgili proteinler üretmek için kullanıldı. Bu ağırlıklar, her düğüme biyolojik ağırlık atamak için bir PPI ağına dahil edildi. Dört klasik TCM formülü (Tianma Gouteng Decoction, Liuwei Dihuang, Qianzheng San, Dabuyin Wan), klinik olarak optimize edilmiş Pingchan Granülü (PCG) ve bunların Batı tıbbı ile bütünleştirici kombinasyonları (Levodopa) tek-herb Ginkgo biloba ile birlikte sistematik olarak değerlendirildi. Terapötik alaka, hedef kapsama, Jaccard benzerliği ve ağırlıklı yakınlık gibi ağ tabanlı metrikler kullanılarak değerlendirildi ve Z-skorları ile ölçülen istatistiksel öneme sahip oldu. Anahtar aktif bileşikleri doğrulamak için, bitkisel bileşikler ve önceliklendirilmiş PD ile ilişkili proteinler arasındaki bağlayıcı olasılıkları tahmin etmek için son teknoloji ürünü derin öğrenme yöntemi olan Boltz-2'yi kullandık.Sonuçlar Ağırlıklandırılmış yakınlık ölçümleri, değerlendirilen dört TCM formülünde de ağırlıksız ölçümleri belirgin bir şekilde geride bırakarak düğüm ağırlıklarını entegre etmenin önemli yararını gösterdi. Değerlendirilen formüller arasında Tianma Gouteng Decoction, hedef kapsama ve ağ yakınlığında üstün performans göstererek, mevcut literatürle iyi uyum sağladı. Pingchan Granül (PCG) üzerindeki hesaplamalı doğrulama, TCMNet'in formül optimizasyonunun terapötik tutulmasını başarıyla yakaladığını doğruladı. Dahası, TCM ile Levodopa'yı birleştiren bütünleştirici stratejiler, monoterapiye kıyasla önemli ölçüde geliştirilmiş ağ yakınlığı sergiledi ve kombine tedavi için gerekçeyi destekledi. Dahası, vaka çalışması Ginkgo biloba'dan flavonoidler ve izoflavonoidleri, anti-PD aktivitesine katkıda bulunan birincil biyoaktif bileşenler olarak tanımladı. Boltz-2 derin öğrenme tahminleri, flavonoid bileşiklerin, flavonoid olmayanlara kıyasla önemli ölçüde daha yüksek bağlanma olasılıkları ve PD ile ilişkili proteinlere karşı yakınlık gösterdiğini, böylece TCMNet'in sonuçlarını doğruladığını doğruladı.ConclusionsLLM güdümlü hedef tanımlamasını düğüm ağırlıklı değerlendirme ile birleştirerek protein ağırlıklarını açıkça dahil ederek, TCMNet, TCM'yi optimize etmek için yeni bir AI güdümlü strateji sunar. Bu yaklaşım, bitkisel formül değerlendirme ve optimizasyonun yanı sıra biyoaktif bileşenlerin tanımlanmasını sağlayarak, bitkisel tıp araştırmalarının modernleştirilmesini sağlar.

Özgün kaynak özetini okuyun

BackgroundArtificial intelligence (AI), particularly large language models (LLMs), have provided powerful tools for systematically modeling the complexity of traditional Chinese medicine (TCM). To overcome the limitations of subjective formula design and unweighted target prioritization, we developed TCMNet, an AI-powered strategy that integrates LLM-assisted disease knowledge mining, protein-protein interaction (PPI) networks, and deep learning-based binding prediction to support herbal formula evaluation and active compounds identification.MethodsTCMNet integrates AI-guided literature analysis with weighted PPI network evaluation. Parkinson's disease (PD) was chosen as the representative case study. Disease-associated protein targets were semantically weighted using TCMChat, a TCM-specific LLM that extracts relevant targets from Chinese and English literature. Furthermore, herb-specific information data, such as composition ratios, compound abundance, and compound-protein interaction probabilities, was used to generate weighted herb-related proteins. These weights were incorporated into a PPI network to assign biological weight to each node. Four classical TCM formulas (Tianma Gouteng Decoction, Liuwei Dihuang, Qianzheng San, Dabuyin Wan), the clinically optimized Pingchan Granule (PCG), and their integrative combinations with Western medicine (Levodopa) were systematically evaluated alongside the single-herb Ginkgo biloba. Therapeutic relevance was assessed using network-based metrics such as target coverage, Jaccard similarity, and weighted proximity, with statistical significance measured by Z-scores. To validate key active compounds, we employed Boltz-2, a state-of-the-art deep learning method, to predict the binding probabilities between herbal compounds and prioritized PD-associated proteins.ResultsWeighted proximity metrics markedly outperformed unweighted measures across all four evaluated TCM formulas, demonstrating the substantial benefit of integrating node weights. Among the evaluated formulas, Tianma Gouteng Decoction demonstrated superior performance in target coverage and network proximity, aligning well with existing literature. Computational validation on Pingchan Granule (PCG) confirmed that TCMNet successfully captures the therapeutic retention of formula optimization. Furthermore, integrative strategies combining TCM with Levodopa exhibited significantly enhanced network proximity compared to monotherapy, supporting the rationale for combined treatment. Moreover, the case study identified flavonoids and isoflavonoids from Ginkgo biloba as the primary bioactive constituents contributing to anti-PD activity. Boltz-2 deep learning predictions further confirmed that flavonoid compounds exhibited significantly higher binding probabilities and affinities toward key PD-associated proteins compared to non-flavonoids, thus validating the results of TCMNet.ConclusionsBy explicitly incorporating protein weights through combining LLM-guided target identification with node-weighted evaluation, TCMNet offers a new AI-driven strategy for optimizing TCM. This approach enables herbal formula evaluation and optimization as well as the identification of bioactive constituents, advancing the modernization of herbal medicine research.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.