中药研究怎么做？多靶点药物分子研究，网络药理学也能发高分！

如何把握中医药现代化的机遇？网络药理学为现代中药基础理论的创建提供了智能化、准确度高的推理机。

📑

“十四五”期间，面向世界生命科学重大科学问题前沿、面向国家重大需求、面向国民经济主战场，国家重点研发计划启动实施“中医药现代化”重点专项。项目申报围绕中医药理论体系创新、中医标准化水平提升以及中医药产业新发展提出了要求。具体而言，就是需要行业以现代生物医学与技术为指导，挖掘和发展传统中医药理论，推动中医药现代化，以现代创新中药研究方法、现代中药药理学、中药复杂体系信息系统互作补充。

网络药理学（Net pharmacology）是英国药理学家Hopkins于2007年首次提出的概念，该药理学分支学科以系统生物学和多向药理学为理论基础，将复杂药物与复杂疾病治疗相联系，通过建立生物分子网络进行新药设计和靶点分析，为新药研发和药物作用机制研究提供预测依据。伴随着中医药现代化的发展，网络药理学表现出无法比拟的优越性，近十年来已在现代中医药研究领域大放异彩，成为了中药药理研究中不可缺少的重要方法。

01

网络药理学研究基本思路

利用高通量测序分析结果或已有公共数据库整合获得多个体、多层次互作的生物网络，网络药理学构建的复杂网络主要以生物分子为基础，涉及蛋白互作、信号通路、生物过程等，结合基因功能注释，可以有效预测到疾病中具有重要生物学功能的药物治疗靶点信息。

首先，对中药有效成分和作用靶点等进行网络药理学分析，建立药物-成分-靶点-通路四维网络，通过查阅文献或公共数据库了解各节点的关键分子以及疾病发生发展相关调控网络。进而再进一步进行实验验证预测结果的可靠性，验证方法包括体外实验和体内实验两种，即通过细胞实验探究药物在体外的分子机制、通过动物实验验证药物在体内的效用和具体机制。

最终，将整体网络研究与中药的整体性特征相结合，从多途径、多靶点、多成分的角度阐明中药的疾病治疗潜在机制。

1. 药物活性成分筛选：

在TCMSP、ETCM、TCMIP、TCM Database等中医药相关数据库中，根据药物ADME（吸收、分布、代谢、排泄）参数进行检索，对药物活性成分进行筛选。其中，ADME计算可包括脂水分配系数（LogP）、药物水溶性（LogSw）、小肠吸收（HIA）、CaCo-2细胞渗透性（Caco2）、药物半衰期（HLP）等。

TCMSP 中药系统药理学数据库与分析平台

https://tcmspw.com/tcmspsearch.php （Ru et al, 2014）

➧ETCM 中医药百科全书数据库

http://www.tcmip.cn/ETCM/index.php （Xu et al, 2018）

➧TCMIP 中医药整合药理学研究平台

http://www.tcmip.cn/TCMIP/index.php/Home/Login/login.html （Xu et al, 2019）

➧TCM Database

http://tcm.cmu.edu.tw/zh-tw/review.php?menuid=3 （Chen，2011）

➧UniProt 蛋白质数据库

https://www.uniprot.org/

2.药物活性成分靶点预测：

在TCMSP、PubChem、STITCH、SuperPred、SwissTargetPrediction等相关数据库中，对主要活性成分进行靶点预测。随后利用UniProt数据库对所有靶点进行组合和鉴定，剔除重复的验证靶点和预测靶点。最后通过Cytoscape软件构建活性成分靶点网络。

➧PubChem 有机小分子生物活性数据库

https://pubchem.ncbi.nlm.nih.gov （Kim et al, 2016）

➧STITCH 化合物-蛋白相互作用数据库

http://stitch.embl.de （Szklarczyk et al, 2016）

➧SuperPred 化合物-蛋白相互作用数据库

https://prediction.charite.de/index.php?site=chemdoodle_search_target （Nickel et al, 2014）

➧SwissTargetPrediction 小分子药物靶点预测在线平台

http://www.swisstargetprediction.ch （Daina et al, 2019）

➧UniProt 蛋白质数据库

uniprot.org（Apweiler et al, 2004）

3.疾病潜在靶点筛选：

通过GeneCards、DisGeNET等相关数据库检索疾病关键词，筛选潜在的疾病靶点。

➧GeneCards 人类基因数据库

https://www.genecards.org （Safran et al, 2003）

➧DisGeNET 疾病相关基因信息平台

https://www.disgenet.org （Piñero et al, 2017）

4.生物网络的构建：

将药物活性成分靶点和疾病潜在靶点取交集，获得两者共同靶点作为关键靶点。利用STRING数据库构建疾病治疗相关的蛋白-蛋白相互作用（PPI）网络，同时，通过Cytoscape软件对疾病治疗相关的PPI网络拓扑参数进行整合和可视化。进一步地，可通过R语言或数据分析平台对关键靶点进行GO和KEGG通路富集分析。

➧DisGeNET 蛋白互作网络分析数据库

https://string-db.org （Szklarczyk et al, 2015）

02

网络药理学研究应用分析

1. 网络药理学揭示中药治疗药理机制

doi:10.1038/s41598-023-38755-w

食管癌（EC）是最常见的癌症之一，已成为癌症死亡的主要原因。目前食管癌的主要治疗方法是食管切除术，但其手术实施受病情进展限制，且存在预后效果不佳的情况。大量研究表明，中医药不仅可以缓解癌症患者的症状，提高其生活质量，而且可以减少化疗、放疗或靶向治疗引起的不良反应和并发症。β-榄香烯（ELE）是从我国传统中药姜科植物中药温郁金中提取到的倍半萜类化合物，作为国家二类抗肿瘤药物，具有广谱的抗肿瘤活性和较低的毒副作用。然而，ELE治疗EC的靶点和机制仍缺乏进一步的研究。

该研究主要通过网络药理学揭示了β-榄香烯治疗食管癌的药理机制，并对此进行了实验验证。（1）利用公共数据库来进行ELE和EC的相关靶点预测；（2）对两者的预测靶点进行了网络分析，以确定ELE在EC治疗中的关键靶标；（3）运用生物信息学和DAVID数据库，分别进行GO和KEGG富集分析；（4）进行分子对接和体外细胞实验，以验证网络药理学富集结果的可靠性。这一系列分析和实验有助于我们对ELE在EC治疗中的作用机制进行深入了解。

2.网络药理学揭示疾病治疗敏感性

急性淋巴细胞白血病（ALL）是一种起源于淋巴细胞的B系或T系细胞在骨髓内异常增生的恶性肿瘤性疾病。与急性B淋巴细胞白血病（B-ALL）相比，急性T淋巴细胞白血病（T-ALL）现有药物化疗效果和预后较差，且目前没有针对T-ALL的细胞或免疫疗法，亟需有效的治疗方法。

该研究基于网络药理学分析信号通路，确定了preTCR-LCK的激活是达沙替尼（临床上治疗白血病的常用药物）敏感性的驱动因素，并且在全基因组CRISPR-Cas9筛选中证实了T-ALL特异性的LCK依赖。达沙替尼敏感的T-ALL表现出高BCL-XL活性、低BCL2活性和维奈托克耐药性。T-ALL对达沙替尼和维奈托克（Bcl-2抑制剂）的敏感性不一致与T细胞分化密切相关，特别是与LCK和BCL2激活的动态变化密切相关。最后，单细胞分析发现白血病在LCK和BCL2信号传导以及T细胞成熟阶段存在异质性，与达沙替尼反应一致。

该研究亮点在于，利用网络药理学分析，结合体外药物分析、全转录组学、基因组学、磷酸化蛋白质组学、scRNA-seq和功能基因组筛选，揭示了LCK和BCL2信号传导的异质性以及T-ALL的治疗敏感性。

3.基于深度学习的网络药理学探索药理机制

甘草是中药中常用的多年生草本植物，能清热解毒、润肺止咳，目前已广泛用于治疗COVID-19。通过已有的网络药理学分析以及体内外研究，许多甘草中的活性成分及其靶点已被证明在治疗 COVID-19 中发挥着关键作用。但传统方法仍缺乏更全面的数据。

因此，该研究提出了一种基于深度学习（DL）的网络药理学方法，建立与药物靶点相互作用（DTI）方法相结合的模型，以识别更多潜在的甘草活性成分和靶点。DTI 预测包含两种深度学习算法：图卷积神经网络（GCN）和 卷积神经网络（CNN），可以从化合物的分子结构中提取更多特征信息——分别为分子图谱和摩根指纹图谱。此外，CNN还被用于学习疾病靶点的氨基酸序列，可输出表示相互作用概率的成分-靶点亲和力值。最后通过分子对接验证核心化合物和核心靶标，并对分子对接结合能最高的成分-靶点对进行分子动力学（MD）模拟，进一步检验两者的结合稳定性。

03

总结

在中医药现代化进程中，网络药理学研究中扮演者不可缺少的重要角色。它通过充分挖掘大数据信息，构建复杂的分子网络，来揭示中药复杂成分的作用机制和治疗靶点。除了有助于我们深入了解中药-疾病之间的关联关系外，还在鉴定疾病肠道微生物的代谢物、药物协同作用的机制剖析、解析中药治疗疾病的多尺度机制等发挥重要作用。相信在未来的几年中，网络药理学的创新挖掘依然是中医药领域的重要发展方向。

【参考文献】

[1] Ru J, Li P, Wang J, et al. TCMSP: a database of systems pharmacology for drug discovery from herbal medicines. J Cheminform. 2014;6:13. Published 2014 Apr 16. doi:10.1186/1758-2946-6-13

[2] Xu HY, Zhang YQ, Liu ZM, et al. ETCM: an encyclopaedia of traditional Chinese medicine. Nucleic Acids Res. 2019;47(D1):D976-D982. doi:10.1093/nar/gky987

[3] Kim S, Thiessen PA, Bolton EE, et al. PubChem Substance and Compound databases. Nucleic Acids Res. 2016;44(D1):D1202-D1213. doi:10.1093/nar/gkv951

[4] Szklarczyk D, Santos A, von Mering C, Jensen LJ, Bork P, Kuhn M. STITCH 5: augmenting protein-chemical interaction networks with tissue and affinity data. Nucleic Acids Res. 2016;44(D1):D380-D384. doi:10.1093/nar/gkv1277

[5] Nickel J, Gohlke BO, Erehman J, et al. SuperPred: update on drug classification and target prediction. Nucleic Acids Res. 2014;42(Web Server issue):W26-W31. doi:10.1093/nar/gku477

[6] Daina A, Michielin O, Zoete V. SwissTargetPrediction: updated data and new features for efficient prediction of protein targets of small molecules. Nucleic Acids Res. 2019;47(W1):W357-W364. doi:10.1093/nar/gkz382

[7] Apweiler R, Bairoch A, Wu CH. Protein sequence databases. Curr Opin Chem Biol. 2004;8(1):76-80. doi:10.1016/j.cbpa.2003.12.004

[8] Safran M, Chalifa-Caspi V, Shmueli O, et al. Human Gene-Centric Databases at the Weizmann Institute of Science: GeneCards, UDB, CroW 21 and HORDE. Nucleic Acids Res. 2003;31(1):142-146. doi:10.1093/nar/gkg050

[9] Piñero J, Bravo À, Queralt-Rosinach N, et al. DisGeNET: a comprehensive platform integrating information on human disease-associated genes and variants. Nucleic Acids Res. 2017;45(D1):D833-D839. doi:10.1093/nar/gkw943

[10] Szklarczyk D, Franceschini A, Wyder S, et al. STRING v10: protein-protein interaction networks, integrated over the tree of life. Nucleic Acids Res. 2015;43(Database issue):D447-D452. doi:10.1093/nar/gku1003

[11] Zhou D, Wu X, Liu X, et al. The pharmacological mechanism of β-elemene in the treatment of esophageal cancer revealed by network pharmacology and experimental verification. Sci Rep. 2023;13(1):12160. Published 2023 Jul 27. doi:10.1038/s41598-023-38755-w

[12] Gocho Y, Liu J, Hu J, et al. Network-based systems pharmacology reveals heterogeneity in LCK and BCL2 signaling and therapeutic sensitivity of T-cell acute lymphoblastic leukemia. Nat Cancer. 2021;2(3):284-299. doi:10.1038/s43018-020-00167-4

[13] Fu Y, Fang Y, Gong S, et al. Deep learning-based network pharmacology for exploring the mechanism of licorice for the treatment of COVID-19. Sci Rep. 2023;13(1):5844. Published 2023 Apr 10. doi:10.1038/s41598-023-31380-7

[14] Oh KK, Gupta H, Min BH, et al. The identification of metabolites from gut microbiota in NAFLD via network pharmacology. Sci Rep. 2023;13(1):724. Published 2023 Jan 13. doi:10.1038/s41598-023-27885-w

[15] Zhang L, Xiao Y, Yang R, et al. Systems pharmacology to reveal multi-scale mechanisms of traditional Chinese medicine for gastric cancer. Sci Rep. 2021;11(1):22149. Published 2021 Nov 12. doi:10.1038/s41598-021-01535-5