TCM-VOTER (Traditional Chinese Medicine - Visualization - Omics and Text driven Target Enrichment and Research): 一个聚焦于网络结构，基于组学与文本挖掘的靶标富集与药理学研究工具
从网络药理学和中医理论视角出发，构建"辩证-方剂-中药-成分-靶点"网络，同时开发多种分析功能的网络药理学数据库。
-
1.基于文本挖掘对候选蛋白或基因进行筛选和分类，缩小实验验证范围。
-
2.纳入中药毒理学的安全性评估算法，辅助构建中药毒理学网络。
-
3.基于大量病历将中医辩证同方剂进行结合，辅助老药新用和靶点寻找。
-
4.开发组方优化算法/成分评价算法/可视化方案
requirement包括(Python版本需要≥3.9，其余没有强制要求)
pandas~=1.3.5
rdkit~=2023.3.2
tqdm~=4.67.1
pyecharts~=2.0.7
numpy~=1.21.6可以使用pip安装TCM-VOTER
pip install TCM-VOTERfrom_SD需要两个个必需形参SearchType：可以用来判断检索的类型（详见下表）；SearchName：可以用于检索的内容，如果是0那就输入某种方剂名，
具体数据可见数据集
| SearchType | 0 | 1 | 2 | 3 | 4 |
|---|---|---|---|---|---|
| Source | 辩证 | 方剂 | 中药 | 成分 | 靶点 |
from TCM-VOTER import main
main.TCM_VOTER(SearchType,
SearchName,
score=990,
DiseaseName="cough",
target_max_number=70,
report_number=0,
interaction_number=0,
out_graph=True,
out_for_cytoscape=True,
out_for_excel=True,
research_status_test=True,
safety_research=True,
re=True,
path='results/'
)from_SD的可选形参有：
score: int类型，Chemical_Protein_Links数据集中仅combined_score大于等于score的记录会被筛选出，默认为990；DiseaseName:str类型，可用于在pubmed文献中检索靶点同该疾病的对应关系，即是否同时出现过用于研究价值评定，默认为coughtarget_max_number:int类型，筛选出来的靶点数量最大值，默认为70report_number:int类型，要求至少出现报道过的次数，默认为0；interaction_number:int类型，存在相互作用的蛋白数量，即最少应该和几个差异表达蛋白列表中的蛋白相互作用,默认为0；out_graph: boolean类型，是否输出基于ECharts的html格式的网络可视化图，默认为False；out_for_cytoscape: boolean类型，是否输出用于Cytoscape绘图的文件，默认为False；our_for_excel: boolean类型，是否将结果输出到excel中，默认为True；research_status_test: boolean类型，是否将得到的靶点进行研究价值评定，默认为False；safety_research: boolean类型，是否对得到的靶点进行安全性研究，默认为False；re: boolean类型，是否返回原始分析结果（辩证、复方、中药、化合物（中药成分）、蛋白（靶点）及其连接信息）， 默认为True。若re为True，则函数将返回运行结果sd、sd_formula_links.xlsx, formula、formula_tcm_links、tcm、tcm_chem_links、chem、 chem_protein_links和proteins，它们均为pd.DataFrame类型，分别存储了辩证信息、辩证-复方连接信息， 复方信息、复方-中药连接信息、中药信息、中药-化合物（中药成分）连接信息、化合物（中药成分）信息、 化合物（中药成分）-蛋白（靶点）连接信息和蛋白（靶点）信息；path: str类型，存放结果的路径，默认为results/。若无此路径，将自动建立相应的目录。
out_graph提供了两种可交互的可视化方案，范例1和范例2
out_for_cytoscape给出了可以直接用于cytoscape绘图的两个文件，type.csv和network.csv，其中格式分别如下：
type.csv
| Key | Attribute |
|---|---|
| glucose | Chemicals |
| glucose | Chemicals |
network.csv
| SourceNode | TargetNode |
|---|---|
| testosterone | NR3C4 |
| testosterone | SHBG |
| testosterone | IGFBP3 |
将分析结果导出为名为results.xlsx的Excel文件，并按数据类别分别存储在不同的工作表(sheet)中， 包括：辩证分型数据、方剂信息、中药成分、有效成分及作用靶点等五个数据表。
从中药网络药理学(TCM-NP)中筛选出已有FDA批准或临床试验药物的靶点， 排除无对应药物的候选蛋白，最后给出药物推荐表格，以及两种可视化方案： 图1，图2
根据网药各节点的毒理学信息，生成一份毒性报表，主要包含毒性程度、 功效、毒性效应（中英文）的信息
由于在 Python 3.9 之前的版本中，tuple[...] 和 list[...]
这样的类型注解语法不被支持。
Python 3.9 引入了原生的类型注解支持（PEP 585），
但在早期版本中，需要使用 typing 模块中的 Tuple、List 等类型. 所以需要Python≥3.9，如果＜3.9的话，
可将compute.py函数中修改如下：
from typing import Tuple, Union
def score(weights: Union[dict, None] = None) -> Tuple[pd.DataFrame, pd.DataFrame, pd.DataFrame]:
# 函数逻辑
pass整体大小为9个G，由于百度网盘限制，所以拆分成三个压缩包，解压后放data/文件夹即可