“十四五”期间，面向天下生命科学重大科学问题前沿、面向国家重大需求、面向国民经济主沙场，国家重点研发操持启动履行“中医药当代化”重点专项。项目报告环绕中医药理论体系创新、中医标准化水平提升以及中医药家当新发展提出了哀求。详细而言，便是须要行业以当代生物医学与技能为辅导，挖掘和发展传统中医药理论，推动中医药当代化，以当代创新中药研究方法、当代中药药理学、中药繁芜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岁首年月次提出的观点，该药理学分支学科以系统生物学和多向药理学为理论根本，将繁芜药物与繁芜疾病治疗相联系，通过建立生物分子网络进行新药设计和靶点剖析，为新药研发和药物浸染机制研究供应预测依据。伴随着中医药当代化的发展，网络药理学表现出无法比拟的优胜性，近十年来已在当代中医药研究领域大放异彩，成为了中药药理研究中不可短缺的主要方法。
01
网络药理学研究基本思路
利用高通量测序剖析结果或已有公共数据库整合得到多个体、多层次互作的生物网络，网络药理学构建的繁芜网络紧张以生物分子为根本，涉及蛋白互作、旗子暗记通路、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主要生物学功能的药物治疗靶点信息。
首先，对中药有效身分和浸染靶点等进行网络药理学剖析，建立药物-身分-靶点-通路四维网络，通过查阅文献或公共数据库理解各节点的关键分子以及疾病发生发展干系调控网络。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详细机制。
终极，将整体网络研究与中药的整体性特色相结合，从多路子、多靶点、多身分的角度阐明中药的疾病治疗潜在机制。
1.药物活性身分筛选：
在TCMSP、ETCM、TCMIP、TCM Database等中医药干系数据库中，根据药物ADME（接管、分布、代谢、渗出）参数进行检索，对药物活性身分进行筛选。个中，ADME打算可包括脂水分配系数（LogP）、药物水溶性（LogSw）、小肠接管（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剖析平台
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.药物活性身分靶点预测：
在TCMSP、PubChem、STITCH、SuperPred、SwissTargetPrediction等干系数据库中，对紧张活性身分进行靶点预测。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。末了通过Cytoscape软件构建活性身分靶点网络。
➧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-蛋白相互浸染数据库
http://stitch.embl.de（Szklarczyk et al, 2016）
➧SuperPred 化合物-蛋白相互浸染数据库
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等干系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 疾病干系基因信息平台
https://www.disgenet.org（Piñero et al, 2017）
4.生物网络的构建：
将药物活性身分靶点和疾病潜在靶点取交集，得到两者共同靶点作为关键靶点。利用STRING数据库构建疾病治疗干系的蛋白-蛋白相互浸染（PPI）网络，同时，通过Cytoscape软件对疾病治疗干系的PPI网络拓扑参数进行整合和可视化。进一步地，可通过R措辞或数据剖析平台对关键靶点进行GO和KEGG通路富集剖析。
➧DisGeNET 蛋白互作网络剖析数据库
https://string-db.org（Szklarczyk et al, 2015）
02
网络药理学研究运用剖析
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，已成为癌症去世亡的紧张缘故原由。目前食管癌的紧张治疗方法是食管切除术，但其手术履行受病情进展限定，且存在预后效果不佳的情形。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-榄喷鼻香烯（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浸染。然而，ELE治疗EC的靶点和机制仍缺少进一步的研究。
该研究紧张通过网络药理学揭示了β-榄喷鼻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的干系靶点预测；（2）对两者的预测靶点进行了网络剖析，以确定ELE在EC治疗中的关键靶标；（3）利用生物信息学和DAVID数据库，分别进行GO和KEGG富集剖析；（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。这一系列剖析和实验有助于我们对ELE在EC治疗中的浸染机制进行深入理解。
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系细胞在骨髓内非常增生的恶性肿瘤性疾病。与急性B淋巴细胞白血病（B-ALL）比较，急性T淋巴细胞白血病（T-ALL）现有药归天疗效果和预后较差，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剖析旗子暗记通路，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）敏感性的驱出发分，并且在全基因组CRISPR-Cas9筛选中证明了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细胞分解密切干系，特殊是与LCK和BCL2激活的动态变革密切干系。末了，单细胞剖析创造白血病在LCK和BCL2旗子暗记传导以及T细胞成熟阶段存在异质性，与达沙替尼反应同等。
该研究亮点在于，利用网络药理学剖析，结合体外药物剖析、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旗子暗记传导的异质性以及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剖析以及体内外研究，许多甘草中的活性身分及其靶点已被证明在治疗 COVID-19 中发挥着关键浸染。但传统方法仍缺少更全面的数据。
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浸染（DTI）方法相结合的模型，以识别更多潜在的甘草活性身分和靶点。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构造中提取更多特色信息——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，可输出表示相互浸染概率的身分-靶点亲和力值。末了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身分-靶点对进行分子动力学（MD）仿照，进一步考验两者的结合稳定性。
03
总结
在中医药当代化进程中，网络药理学研究中扮演者不可短缺的主要角色。它通过充分挖掘大数据信息，构建繁芜的分子网络，来揭示中药繁芜身分的浸染机制和治疗靶点。除了有助于我们深入理解中药-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、药物协同浸染的机制阐发、解析中药治疗疾病的多尺度机制等发挥主要浸染。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主要发展方向。
【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
