基于模体PageRank算法识别穴位-疾病网络的关键节点

doi:10.12068/j.issn.1005-3026.2024.05.003

摘要/Abstract

摘要：

针对现有针灸关键穴位挖掘算法存在精度不佳、适用性较窄的问题，在“穴位-疾病”网络中引入多穴位间的高阶相互作用，提出一种基于3节点模体的高特异性关键穴位挖掘算法.将此算法从分辨率、网络损失和准确性方面分别与其他5种穴位重要性评估算法进行比较.结果表明，该算法识别的关键穴位对网络的连通性有明显的破坏作用，说明关键穴位处于穴位疾病网络拓扑结构的核心位置，并与其他穴位有较高的协同合作；该算法的稳定性保证了关键穴位的可靠性；从网络拓扑结构和穴位间的高协同性角度来看，该算法寻找的关键穴位可以作为穴位网络中的核心穴位，帮助研究人员探索有针对性的、高影响力的穴位组合.

关键词: 穴位, 疾病, 模体, 网络, 网页排名算法

Abstract:

Aiming at the problems of poor accuracy and narrow applicability of the existing key acupoint mining algorithms， a high specificity acupoint mining algorithm based on a 3‐node motif is proposed by introducing higher‐order interactions between multiple acupoints in the acupoint‐disease network. Comparing this algorithm with five other acupoint importance assessment algorithms in terms of resolution， network loss， and accuracy， the results show that the key acupoints identified by this algorithm have obvious destructive effects on the connectivity of the network， which indicates that the key acupoints are the core of the topology of acupoint‐disease network and have high synergistic co?operation with other acupoints. The stability of this algorithm ensures the reliability of the key acupoints. From the perspective of the network topology and the high synergy between acupoints， the key acupoints found by the algorithm can be used as the core acupoints in the acupoint network， helping researchers to explore targeted and highly effective combinations of acupoints.

Key words: acupoint, disease, motif, network, PageRank algorithm

中图分类号:

TP 301.6

赵海, 缪九男, 刘晓, 尉雪龙. 基于模体PageRank算法识别穴位-疾病网络的关键节点[J]. 东北大学学报（自然科学版）, 2024, 45(5): 628-635.

Hai ZHAO, Jiu-nan MIAO, Xiao LIU, Xue-long YU. Identification of Key Nodes of Acupoint-Disease Network Based on Motif PageRank Algorithm[J]. Journal of Northeastern University(Natural Science), 2024, 45(5): 628-635.

图/表 9

表 1 网络属性

Table 1 Network attributes

网络	节点数量	边缘数	平均加权度	平均聚类系数
$G$	197	2 373	40.660	0.763

表 1 网络属性

Table 1 Network attributes

网络	节点数量	边缘数	平均加权度	平均聚类系数
$G$	197	2 373	40.660	0.763

图1 ADN的度分布

Fig.1 Degree distribution in ADN

图2 3节点简单模体的例子（a）—3节点模体；（b）—模体矩阵.

Fig.2 Example of 3‐node simple motif

图3 协同作用强度分布

Fig.3 Synergistic strength distribution

图4 权重矩阵的例子（a）—传统的相邻权重矩阵；（b）—协同强度矩阵.

Fig.4 Example of weight matrix

图5 6种算法所提供的排名表的互补累积分布函数

Fig.5 Complementary cumulative distribution function for the ranking distributions of ranking list offered by six algorithms

表2 6种算法的网络效率对比

Table 2 Network efficiency comparisons of six algorithms

算法	MPR	Key Node	CLD	CC	BC	EC
效率	0.000 8	2.472 1	2.230 7	2.630 6	2.424 9	2.487 5

图6 WC模型的实例

Fig.6 Toy examples of WC model

表3 6种算法的准确度对比

Table 3 Accuracy comparisons of six algorithms

算法	MPR	Key Node	CLD	CC	BC	EC
准确度/%	63.360	49.191	42.100	50.939	52.659	43.100

参考文献 24

1	Li N C， Li M Y， Chen B，et al.A new perspective of acupuncture：the interaction among three networks leads to neutralization［J］.Evidence-Based Complementary and Alternative Medicine，2019，2019：2326867.
2	Zhou W， Benharash P.Effects and mechanisms of acupuncture based on the principle of meridians［J］.Journal of Acupuncture and Meridian Studies，2014，7（4）：190-193.
3	Tang Y H， Fei L B， Deng J，et al.Rules of acupoint and meridian selection in acupuncture‐moxibustion for stable angina pectoris［J］.World Journal of Acupuncture‐Moxibustion，2018，28（2）：109-113.
4	Ming S R， Fu Y L， Hou W G，et al.The effect of sensation of transmission along meridian acupuncture for chronic nonbacterial prostatitis［J］.World Journal of Acupuncture ‐ Moxibustion，2019，29（2）：113-118.
5	Zotelli V L， Grillo C M， Gil M L，et al.Acupuncture effect on pain，mouth opening limitation and on the energy meridians in patients with temporomandibular dysfunction：a randomized controlled trial［J］.Journal of Acupuncture and Meridian Studies，2017，10（5）：351-359.
6	Ryu Y H， Cho S J， Lee S H，et al.The biopotential of acupuncture points and its standard error［C］//2011 IEEE MTT‑S International Microwave Workshop Series on Intelligent Radio for Future Personal Terminals.Daejeon，2011：1-2.
7	王媛媛，林枫，江钟立.基于复杂网络分析技术的针灸辩证取穴模式分析［J］.中国针灸，2011，31（1）：85-88.
	Wang Yuan‑yuan， Lin Feng， Jiang Zhong‑li. Pattern of acupoint selection based on complex network analysis technique［J］.Chinese Acupuncture & Moxibustion，2011，31（1）：85-88.
8	吴巧凤，张承舜，陈勤，等.采用复杂网络方法研究腧穴配伍的可行性探讨［J］.针刺研究，2012，37（3）：252-255.
	Wu Qiao‑feng， Zhang Cheng‑Shun， Chen Qin，et al.On feasibility of researching acupoint combination by using complex network analysis techniques［J］.Acupuncture Research，2012，37（3）：252-255.
9	Wu H H， Wen J， Han P，et al.The explorationon on the characteristics of acupoint selection and the rule of acupoint combination in treatment of insomnia with acupuncture and moxibustion：complex network analysis［J］.World Journal of Acupuncture‐Moxibustion，2022，32（1）：61-69.
10	Lin J Y， Liu J， Chen B，et al.Research on acupoint selection rules of acupuncture for trigeminal neuralgia based on complex network［J］.World Journal of Acupuncture‑Moxibustion，2020，30（4）：288-295.
11	王雪，杨栋婷，刘文娜，等.基于复杂网络分析的针刺治疗脑卒中后抑郁的俞穴配伍规律研究［J］.中国医药导报，2019，16（33）：111-115.
	Wang Xue， Yang Dong‐ting， Liu Wen‐na，et al.Study on the general character of acupuncture points for post‐stroke depression based on complex network analysis［J］.China Medical Herald，2019，16（33）：111-115.
12	Shi H， Liu Y， Cui E，et al.A key node mining method based on acupoint‐disease network （ADN）：a new perspective for exploring acupoint specificity［J］.Evidence‑Based Complementary and Alternative Medicine，2020，2020：6031601.
13	沈尔安，王登旗，肖继芳.50种病证针灸最常用穴位统计［J］.中医文献杂志，1994，12（3）：9-11，25.
	Shen Er‐an， Wang Deng‐qi， Xiao Ji‐fang.Statistics of the most commonly used acupuncture points for 50 diseases and syndromes［J］.Journal of Traditional Chinese Medical Literature，1994，12（3）：9-11，25.
14	Benson A R， Gleich D F， Leskovec J.Higher‐order organization of complex networks［J］.Science，2016，353（6295）：163-166.
15	Griebenow R， Klein B， Hoel E.Finding the right scale of a network：efficient identification of causal emergence through spectral clustering［EB/OL］.（2022-02-16）［2022-12-12］..
16	Page L， Brin S， Motwani R，et al.The PageRank citation ranking：bringing order to the web［EB/OL］.（1998-07-29）［2022-11-11］..
17	Bianchini M， Gori M， Scarselli F.Inside PageRank［J］.ACM Transactions on Internet Technology，2005，5（1）：92-128.
18	Li M T， Zhang R S， Hu R J，et al.Identifying and ranking influential spreaders in complex networks by combining a local‑degree sum and the clustering coefficient［J］.International Journal of Modern Physics B，2018，32（6）：1850118.
19	Vragović I， Louis E， Díaz‑Guilera A.Efficiency of informational transfer in regular and complex networks［J］.Physical Review E，2005，71（3）：036122.
20	Ureña R， Kou G， Dong Y C，et al.A review on trust propagation and opinion dynamics in social networks and group decision making frameworks［J］.Information Sciences，2019，478：461-475.
21	Latora V， Marchiori M.Efficient behavior of small‐world networks［J］.Physical Review Letters，2001，87（19）：198701.
22	Hong T， Liu Q P.Seeds selection for spreading in a weighted cascade model［J］.Physica A：Statistical Mechanics and Its Applications，2019，526：120943.
23	Kempe D， Kleinberg J， Tardos É.Maximizing the spread of influence through a social network［C］//Proceedings of the Ninth ACM SIGKDD International Conference On Knowledge Discovery and Data Mining.Washington D C，2003：137-146.
24	Chen W， Wang Y J， Yang S Y.Efficient influence maximization in social networks［C］//Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.Paris，2009：199-207.

[1]	周斌, 王宏, 李坦, 兰钦. 完全预测下肢步行运动想象意图的可行性研究[J]. 东北大学学报（自然科学版）, 2024, 45(5): 609-618.
[2]	谢洪途, 陈佳兴, 张琳, 朱楠楠. 基于脉冲神经网络的轻量化SAR图像舰船识别算法[J]. 东北大学学报（自然科学版）, 2024, 45(4): 474-482.
[3]	吕艳霞, 郝帅, 乔广通, 邢烨. 一种基于图神经网络的社会化推荐算法[J]. 东北大学学报（自然科学版）, 2024, 45(1): 10-17.
[4]	孙浩, 代宗晟, 金爱兵, 陈岩. 基于AttentionR2U-net的岩石（体）关键节理智能识别与参数提取[J]. 东北大学学报（自然科学版）, 2024, 45(1): 101-110.
[5]	郑艳，赵佳旭，边杰. 基于SiamBAN跟踪器改进的目标跟踪算法[J]. 东北大学学报（自然科学版）, 2023, 44(9): 1227-1233.
[6]	林舟，周绮凤. 基于关键信息指导的文本摘要模型[J]. 东北大学学报（自然科学版）, 2023, 44(9): 1251-1258.
[7]	郑红，包芮，黄玮强. 银行间困境传染及系统重要性与脆弱性识别——基于DebtRank算法[J]. 东北大学学报（自然科学版）, 2023, 44(9): 1349-1359.
[8]	朱国庆，陈燕，郎坤，王书田. 信息生态视角下森林火灾网络舆情风险预警研究[J]. 东北大学学报（自然科学版）, 2023, 44(8): 1208-1216.
[9]	吴粒，王迪，袁知柱. 董事网络位置、社会信任与企业风险承担[J]. 东北大学学报（自然科学版）, 2023, 44(7): 1057-1064.
[10]	王书田，林岩，朱国庆，闫叶金. 基于在线评论和网络搜索的汽车销量预测研究[J]. 东北大学学报（自然科学版）, 2023, 44(5): 752-760.
[11]	耿蓉，吴亚倩，肖倩倩，徐赛. 基于改进GRU算法的天基信息网资源预测研究[J]. 东北大学学报（自然科学版）, 2023, 44(3): 305-314.
[12]	李婵，曲璐渲，信俊昌，王之琼. 基于潜在调控因子筛选的高阶动态贝叶斯建模方法[J]. 东北大学学报（自然科学版）, 2023, 44(3): 323-330.
[13]	李海燕，熊立昌，郭磊，李海江. 基于U-net边缘生成和超图卷积的两阶段修复算法[J]. 东北大学学报（自然科学版）, 2023, 44(3): 331-339.
[14]	魏颖，林子涵，齐林，李伯群. 基于空间自注意力机制和深度特征重建的脑MR图像分割方法[J]. 东北大学学报（自然科学版）, 2023, 44(2): 177-185.
[15]	徐久强，路佳熹，李鹤群，赵海. 基于SDN的工业物联网组播通信框架研究[J]. 东北大学学报（自然科学版）, 2023, 44(2): 192-198.