天然产物网络药理学:从计算预测到实验验证的系统性证据分级与转化框架

《Biomedicines》:Network Pharmacology of Natural Products from Computational Prediction to Experimental Validation

【字体: 大 中 小 】 时间:2026年10月17日 来源:Biomedicines 4.5

编辑推荐:

  摘要专业翻译 天然产物是生物活性化合物的重要来源,但其复杂的化学成分和多靶点效应使得传统方法难以阐明其作用机制。网络药理学提供了一个系统层面的框架,用于整合化学、生物学和疾病相关信息,以研究这些复杂的相互作用。本综述阐述了网络药理学的完整工作流程,涵盖活性化合

  
摘要专业翻译 天然产物是生物活性化合物的重要来源,但其复杂的化学成分和多靶点效应使得传统方法难以阐明其作用机制。网络药理学提供了一个系统层面的框架,用于整合化学、生物学和疾病相关信息,以研究这些复杂的相互作用。本综述阐述了网络药理学的完整工作流程,涵盖活性化合物筛选、ADMET评估、靶点预测、网络构建及通路富集分析,并讨论了分子对接(molecular docking)和分子动力学(molecular dynamics)的互补作用。该工作流程以证据强度为核心组织原则,采用分级体系对化合物-靶点证据进行分级评定,并明确了验证的边界以及实现可重复性报告所需的内容。此外,本文还考虑了实验验证策略,包括生物物理和生化测定、细胞研究、组学方法、药代动力学评估及体内模型。综述重点指出了若干重要局限性,包括数据库偏差、假阳性预测、网络解读不当、对体内暴露及代谢物相关效应考虑不足等。未来涉及多组学、微生物组数据、单细胞与空间分析以及人工智能的发展,有望进一步提升网络药理学的生物学相关性和预测价值。总体而言,在严格验证的支持下,网络药理学可作为连接天然产物化学、计算分析与实验药理学之间的有效桥梁。

论文主体内容总结

2. 高通量分析与数据获取
2.1 植物化学分析与去重复化
本节阐述了天然产物发现中植物化学谱分析和去重复化的重要性。现代代谢组学依赖LC-MS/MS、GC-MS和NMR等互补分析平台,各自适用于不同化合物类别。LC-MS/MS灵敏度高,可检测包括生物碱、黄酮和萜类在内的多种极性和半极性化合物;GC-MS适用于挥发性及热稳定化合物;NMR可提供详细的原子连接和立体化学信息。分子网络(molecular networking)技术,尤其是依托GNPS平台,通过比较串联质谱碎裂模式将结构相关的代谢物聚类为分子家族,有助于快速注释已知化合物并发现潜在新化合物。然而,作者强调分析检测本身不能完全确认化合物结构,化合物鉴定置信度应依据分析证据的质量分为五个等级,从分子式确认(1级)到经NMR确认的完整结构表征(5级)。
2.2 天然产物数据库整合
本节介绍了天然产物网络药理学中使用的关键数据库。TCMSP是广泛使用的中药系统药理学数据库,包含499种药典药材、29384个化合物、3311个靶点和837种疾病关联,并提供12种ADME相关属性。常用筛选标准包括口服生物利用度(OB)≥30%和类药性(DL)≥0.18,但这些应作为情境依赖的优先排序标准而非绝对排除阈值。更广泛的天然产物覆盖由多个开放数据库提供:COCONUT 2.0包含695133个独特天然产物结构,IMPPAT 2.0提供来自4010种印度药用植物的17967种植物化学物,LOTUS数据库包含超过75万条结构-生物体记录,NPASS 3.0提供超过100万条实验测量的活性记录。对于传统体系之外的植物,民族植物学数据库如Dr. Duke's和KNApSAcK可提供补充信息,但这些资源通常包含较少的靶点信息。
2.3 疾病相关基因和靶点数据库
本节讨论了用于网络药理学分析的疾病相关数据库。GEO是转录组数据的重要来源,用于识别疾病相关的差异表达基因(DEGs);TCGA提供多种癌症类型的大规模基因组、转录组和蛋白质组数据。OMIM、GeneCards和DisGeNET提供更广泛的疾病-基因和基因-表型关系信息。作者特别指出,从GEO或TCGA鉴定的差异表达基因不应自动解释为疾病或治疗靶点,转录组差异可能反映因果疾病过程、代偿反应、细胞组成变化或下游后果。因此,候选基因应在独立队列中评估,并与遗传、蛋白质组或功能证据整合后再进行优先排序。作者还强调,GeneCards等数据库可能返回数千个疾病相关基因,这些基因集规模约占蛋白质编码基因组的四分之一至三分之一,仅凭偶然重叠就可能产生显著的靶点交集,因此应使用相关性评分进行过滤并报告所用截断值。
2.4 靶点映射资源与检索标准化
本节介绍了化合物-靶点关系的三类证据来源:实验测量的相互作用(由ChEMBL和BindingDB等数据库策展)、预测的相互作用(通过SwissTargetPrediction和BATMAN-TCM 2.0等配体相似性方法获得)。作者强调测量和预测证据应分开报告,因为二者置信度不同。数据应使用稳定标识符(如InChIKey和UniProt登录号)链接,数据库名称、版本、访问日期和检索方法应记录以确保可重复性。本节核心是提出了六级化合物-靶点证据分级体系:结构解析的相互作用和实验测量的结合或活性提供直接相互作用的最强支持,细胞靶点参与证明相互作用发生在细胞中,下游功能或表型效应证据则单独分级。
3. 网络药理学方法学工作流程
3.1 活性化合物筛选与ADMET评估
网络药理学初始步骤基于ADMET性质筛选活性化合物。Lipinski五规则用于评估类药性,标准包括分子量<500道尔顿、氢键供体≤5、受体≤10、mlogP≤4.15。CNS相关研究需考虑血脑屏障穿透性,SwissADME等工具可评估胃肠道吸收。ADMETlab 3.0和ProTox 3.0等毒性预测工具可评估AMES致突变性、hERG抑制、急性口服毒性、肝毒性和皮肤致敏等终点。
3.2 靶点预测与注释
活性化合物确定后,可通过计算方法预测潜在分子靶点。基于相似性和机器学习方法假设结构相似的化合物可能作用于相似靶点,SwissTargetPrediction使用2D和3D化学相似性,SEA基于化学相似性预测靶点,PharmMapper使用3D药效团映射。作者指出这些方法在查询化合物超出参考配体化学空间时性能可能受限,特别是立体化学复杂、糖基化或大环结构的天然产物。共识方法应基于真正独立的证据来源,而非相似性工具间的重叠。靶点名称应在网络构建前标准化为UniProt标识符。重要的是,高预测概率或相似性分数不能证明生物学相关的靶点参与。
3.3 网络构建与可视化
网络构建提供化合物、靶点和疾病间关系的系统级视图。化合物-靶点网络展示化合物与预测靶点间关系,靶点-疾病网络连接潜在靶点与疾病相关基因,整合后可构建化合物-靶点-疾病网络。PPI网络使用STRING数据库构建,Cytoscape v3.10.5广泛用于网络可视化和分析。网络拓扑分析包括度中心性、介数中心性和接近中心性等指标。作者强调中心性指标应在相关连通分量内计算,并建议使用多种互补指标或预设共识规则而非单一中心性度量。为减少文献注释偏差导致的研究密集型"枢纽"蛋白(如AKT1、TNF、TP53)被过度优先排序,可采用带重启的随机游走(RWR)、网络传播方法(如HotNet2)和保度网络随机化等更高级方法。
3.4 通路与功能富集分析
通路和功能富集分析为靶点基因提供生物学背景。GO富集分析分为生物学过程、分子功能和细胞组分三类,常用Benjamini-Hochberg FDR校正,调整后p值<0.05视为显著。KEGG和Reactome等通路资源可补充GO分析,但通路数据库的选择可改变富集结果。DAVID、Metascape、clusterProfiler和g:Profiler等工具应报告版本和注释版本,背景基因集应包含预测工具可返回的靶点而非整个基因组。富集结果表示通路相关基因的过度表达,而非通路激活或抑制。本节还专门讨论了协同效应量化:预测的多靶点相互作用代表多药理学或潜在加性效应而非已证实的协同作用,协同效应必须通过Loewe加性模型、Chou-Talalay联合指数、Bliss独立模型或ZIP模型等参考模型,基于实验测量的联合反应数据来确立。
4. 互补的基于结构的计算方法
4.1 分子对接
分子对接通过预测配体在定义蛋白位点的结合模式和对接分数,为网络分析确定的候选靶点提供结构层面的评估。蛋白结构通常从PDB获取,有共晶配体的高分辨率结构为优选。对接方案应在筛选前验证,通常通过将共晶配体重新对接并与实验结构比较,RMSD≤2.0 ?视为成功。作者强调对接分数是经验值,不能转换为解离常数或IC50,也不能等同于实验测量的结合亲和力。盲对接(全蛋白搜索)可能降低预测精度,有共晶配体时对接盒子应以结合位点为中心并报告坐标和尺寸。
4.2 分子动力学模拟
分子动力学通过牛顿运动方程模拟蛋白、配体和溶剂随时间的运动,评估预测复合物的稳定性和结合行为。体系需在显式水溶液中溶剂化、中和并调节至生理离子强度,然后进行能量最小化和平衡。蛋白参数通常来自CHARMM36m或AMBER ff19SB等力场,配体参数化更具挑战性。作者指出不存在保证充分采样的通用模拟时长,建议使用5至10个独立重复模拟而非单一长轨迹,并通过比较重复间的目标性质来评估收敛性。RMSD、RMSF、回旋半径和氢键占有率是常用稳定性指标。MM-PBSA和MM-GBSA方法可从轨迹估算结合自由能,但这些结果受力场、采样时间、介电常数和熵处理等因素影响,且通常省略构象熵贡献,应视为近似端点能量而非真实吉布斯结合自由能,仅用于一致协议下的相对排序。
5. 计算发现的实验验证及向体外和体内结果的转化
5.1 计算预测的体外验证
体外验证分为三个证据层级:直接结合和靶点参与、功能和细胞效应、遗传依赖性。直接结合和靶点参与可通过表面等离子体共振(SPR)和生物层干涉法(BLI)测量实时结合动力学参数,等温滴定量热法(ITC)测量结合亲和力、化学计量和热力学参数,细胞热位移分析(CETSA)评估完整细胞中的靶点参与。药物亲和响应靶点稳定性(DARTS)和热蛋白质组分析(TPP)可扩展至蛋白质组范围的靶点鉴定。功能和细胞验证包括酶抑制或激活测定(提供IC50和Ki值)、Western blot和RT-qPCR检查预测枢纽蛋白和通路标志物、高内涵筛选量化多种细胞表型。患者来源类器官提供比永生化细胞系更接近人体的模型。遗传验证使用siRNA/shRNA敲低或CRISPR敲除测试预测靶点是否为观察效应的必要条件,拯救实验提供更强证据。
5.2 体内模型和基于组学的验证
转录组学(包括RNA-seq和scRNA-seq)测量基因表达变化,蛋白质组学提供蛋白表达和翻译后修饰信息。GO和KEGG通路分析常用于解读组学数据,但组学数据可能受数据质量、批次效应和大数据集分析复杂性影响。疾病相关动物模型(如Sprague-Dawley大鼠和C57BL/6J小鼠)用于评估体内疗效、药代动力学和安全性,但动物模型可能无法完全再现人类疾病的复杂性。
5.3 药代动力学、暴露和代谢物感知验证
预测的化合物-靶点相互作用仅在母体化合物或活性代谢物以足够未结合浓度到达相关组织和细胞区室时才具有生物学合理性。总血浆浓度不等同于可用于靶点参与的自由浓度。药代动力学评估应测量或估计血浆和靶组织中的母体化合物和代谢物浓度,确定未结合分数,并将暴露与实验测量的效力或亲和力比较。代谢物应纳入工作流程而非仅在母体化合物网络构建后考虑,LC-MS/MS代谢物鉴定和代谢组学可识别循环代谢物,母体和代谢物应作为独立节点表示,并保留代谢物特异性靶点预测和实验测量活性数据。
5.4 从预测到证据的案例研究
本节通过三个代表性研究展示了计算工作流程可达到的不同证据水平。前两项研究通过实验确认了表型或通路水平效应,但未证明优先靶点的直接结合、细胞靶点参与或遗传依赖性,且部分预测未获支持。第三项研究通过SPR达到了直接生物物理结合证据,但未测试细胞靶点参与或遗传依赖性。这些案例表明通路水平确认、直接结合和功能相关性是不同层级的证据。
6. 网络药理学研究的局限性
6.1 无实验验证的计算网络分析
仅依赖计算分析而无后续实验评估的研究日益增多,网络构建和靶点优先排序输出仍属假设生成性质,不能独立确立直接结合、细胞靶点参与、因果机制或治疗效果。
6.2 数据库偏差和假阳性预测
数据库存在数据碎片化、策展差异和预测方法差异等局限,不同数据库的纳入标准和数据处理方法不同,数据库选择可影响预测的药理学结果。疾病相关数据库可能包含更多关于研究充分的基因和通路的信息,导致AKT1、TNF-α、COX-2、NFKB1和RELA等高连接蛋白及Nrf2/KEAP1/ARE、PI3K/AKT、MAPK和NF-κB等常见通路被反复识别为关键靶点。槲皮素、山奈酚和木犀草素等常见植物代谢物因与许多预测靶点关联而可能被优先排序,其中一些被分类为泛测定干扰化合物(PAINS),可能通过膜破坏、氧化还原活性、金属螯合或共价结合产生非特异性效应。工作流程应采用共识评分和严格的统计校正。
6.3 体内暴露和浓度限制
网络药理学的主要局限是化合物预测活性与体内实际达到浓度之间的差距。某些化合物可能需要高微摩尔浓度才能与预测靶点相互作用,而给药后血液中水平可能仅处于亚纳摩尔范围。OB和DL标准不能充分反映药代动力学的动态性质。工作流程应纳入暴露感知筛选,包括ADMET工具、基于生理的药代动力学建模和活性代谢物分析,并将模拟生理浓度上限与测量的亲和力或效力匹配。
6.4 代谢物相关局限性
许多计算模型假设体外鉴定的母体化合物以其原始形式直接与预测靶点相互作用,但许多植物化学物口服生物利用度低,给药后可能经历广泛代谢变化。肝脏初始代谢和肠道微生物生物转化可将母体化合物转化为更易吸收并进入体循环的代谢物,这些代谢物可能具有与网络分析中使用的原始化合物不同的化学性质和靶点结合谱。工作流程应构建包含母体天然产物及其主要预测I相、II相和肠道微生物生物转化产物的增强网络。
6.5 物种特异性数据库限制和分类学局限
主要计算靶点预测工具和生物活性数据库存在压倒性的人类(Homo sapiens)分类学偏差。SwissTargetPrediction等平台使用几乎仅限于人类大分子靶点的参考数据集,ChEMBL和BindingDB也严重偏向人类靶点测定。在评估抗菌、抗病毒或抗真菌植物提取物时,标准计算工作流程主要将化合物相互作用映射到人类宿主蛋白而非病原体编码的必需靶点。即使在高度保守的直系同源物中,单氨基酸替换也可能改变配体结合位点拓扑结构,使基于人类的靶点预测对非人类直系同源物不可靠。研究者应使用BLAST和OrthoDB等直系同源工具交叉参考预测的人类蛋白,并结合针对非人类蛋白结构的独立结构验证。
6.6 AI驱动网络药理学的方法学约束
AI和图神经网络(GNN)在靶点预测中的应用受限于方法学局限。报告的性能指标强烈依赖数据集组成、预测任务、验证策略、训练和测试集之间的数据泄漏以及基准设计。这些模型依赖现有数据库,因此吸收了使传统网络中心性指标偏斜的相同文献偏差。算法对天然产物特有的复杂、代表性不足的化学骨架适用性差,因为训练语料库以合成药物为主。深度学习"黑箱"性质带来严重的可解释性挑战,使研究者难以物理验证算法的药理学依据。
7. 未来展望和新兴方向
网络药理学正朝着整合人工智能、微生物组信息、患者特异性生物学特征和多组学数据的更集成和精准方法发展。单细胞多组学可解析细胞类型特异性分子程序、肿瘤-微环境相互作用和细胞间异质性。GNN利用消息传递范式学习连续高维向量表示,可捕捉分子结构和疾病表型之间的复杂非线性关系。基础模型如TxGNN在零样本药物重定位中展现出强大能力。整合肠道微生物基因组和代谢算法可解释间接治疗机制。未来工作流程需扩展至跨物种和病原体靶向的系统药理学以应对传染病和抗菌素耐药性。网络药理学还可通过关注特定疾病内型而非将疾病视为统一条件来支持精准医学,如骨关节炎可分为骨驱动、滑膜炎驱动和软骨驱动等不同内型。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号