Chara vulgaris乙醇提取物与硒纳米制剂通过调控自噬和凋亡抑制艾氏癌的机制研究

本研究针对传统癌症治疗毒性大、副作用多的问题，研究人员通过绿色合成技术制备了Chara vulgaris硒纳米颗粒(CvSeNPs)，系统评估了其对艾氏实体癌(SEC)的抗肿瘤效果。研究发现CvSeNPs能显著抑制肿瘤生长，其机制涉及下调TNF-α/NF-κB炎症通路、上调Beclin1/LC3自噬通路以及激活caspase-3/BAX凋亡通路。该研究为开发基于微藻的纳米抗癌药物提供了新思路。

　　

癌症治疗领域长期面临化疗药物毒性大、选择性差的难题。传统化疗虽然能杀伤肿瘤细胞，但往往"杀敌一千自损八百"，严重影响患者生活质量。在这一背景下，寻找高效低毒的新型抗癌药物成为研究热点。自然界中的微藻因其丰富的生物活性成分备受关注，其中绿藻门(Chlorophyceae)的轮藻(Chara vulgaris)含有多种具有抗癌潜力的次生代谢产物。与此同时，纳米技术的兴起为药物递送提供了新思路，特别是硒纳米颗粒(SeNPs)因其独特的氧化还原调控特性，在抗癌领域展现出良好前景。

为探索更安全有效的抗癌策略，来自沙特阿拉伯努拉公主大学等机构的研究团队Maha Alsunbul等人开展了一项创新研究。他们首次将轮藻提取物与硒纳米技术相结合，开发出Chara vulgaris硒纳米制剂(CvSeNPs)，并系统评估了其对艾氏实体癌(SEC)的治疗效果及分子机制。这项研究成果发表在《BMC Biotechnology》上，为天然产物纳米制剂在癌症治疗中的应用提供了重要依据。

研究人员采用气相色谱-质谱(GC-MS)分析了轮藻乙醇提取物的活性成分，通过化学还原法绿色合成了CvSeNPs，并利用动态光散射(DLS)、透射电镜(TEM)等技术对其进行了表征。在动物实验中，建立了SEC小鼠模型，将实验动物分为7组，分别给予不同剂量的CvSeNPs、游离提取物和阳性对照药物他莫昔芬，通过检测肿瘤体积、组织病理学变化以及分子标志物表达来评估治疗效果。

在"Gas chromatography-mass spectroscopy(GC-MS) analysis of C. vulgaris ethanolic extract"部分，研究通过GC-MS鉴定出轮藻提取物中的主要活性成分，包括百里香酚(28.78%)、棕榈酸(4.25%)等具有抗癌潜力的化合物。这些成分为后续纳米制剂的生物活性奠定了基础。

"Characterization of CvSeNPs"部分详细展示了纳米制剂的理化特性。紫外光谱显示CvSeNPs在268 nm处有特征吸收峰，动态光散射测得平均粒径为167.85 nm，透射电镜证实其为规则球形。这些表征数据确保了纳米制剂的质量可控性，为其生物效应研究提供了物质基础。

"Effect of CvSeNPs on tumor weight and volume"部分呈现了CvSeNPs的显著抗肿瘤效果。50 mg/kg剂量的CvSeNPs使肿瘤体积缩小71.82%，效果优于他莫昔芬组(40.99%)和游离提取物组(17.54%)。这一结果证实了纳米制剂在增强药物疗效方面的优势。

"Effect of CvSeNPs on the content of inflammation(TNF-a and NF-kB),autophagy(Beclin 1,LC 3 and P62) and apoptosis(P53) markers"部分揭示了CvSeNPs的作用机制。研究发现CvSeNPs能显著下调促炎因子TNF-α(降低74.77%)和NF-κB(降低76.81%)，同时上调自噬标志物Beclin1(升高378.61%)、LC3(升高565.09%)和凋亡相关蛋白P53(升高407.96%)。这些数据表明CvSeNPs通过多靶点发挥抗癌作用。

在"Immunohistochemical evaluation"部分，免疫组化结果进一步验证了上述发现。CvSeNPs处理组的凋亡标志物caspase-3和BAX表达显著增强，而抗凋亡蛋白Bcl-2表达受到抑制。同时，自噬相关蛋白Beclin1和P62的表达也明显增加，这些分子水平的变化与肿瘤抑制效果高度一致。

这项研究首次将轮藻提取物与硒纳米技术相结合，系统阐明了CvSeNPs通过调控炎症、自噬和凋亡通路抑制肿瘤生长的分子机制。与传统的化疗药物相比，这种基于天然产物的纳米制剂具有毒性低、多靶点等优势。研究不仅为艾氏癌的治疗提供了新策略，也为其他类型癌症的纳米药物研发提供了重要参考。特别值得注意的是，CvSeNPs能同时激活自噬和凋亡两条细胞死亡通路，这种"双管齐下"的作用机制可能有助于克服肿瘤细胞的耐药性，具有重要的临床转化价值。未来研究可进一步优化纳米制剂的靶向性，并探索其在其他肿瘤模型中的应用效果。