木香烃内酯在乳腺癌中抗癌潜力的评估：整合计算、体外及纳米颗粒递送方法

《The Journal of Steroid Biochemistry and Molecular Biology》：Evaluation of Murrayanine’s Anticancer Potential in Breast Cancer: Integrative Computational, In Vitro, and Nanoparticle Delivery Approaches

摘要

乳腺癌在全球范围内持续对女性健康构成重大威胁。迫切需要创新疗法，要求既有效又能良好耐受。源自天然来源的化合物，如植物化学物质，因其对癌细胞的多种抗肿瘤作用而受到广泛关注。来源于九里香（Murraya koenigii）的木犀草素（Murrayanine）作为一种抗癌药物显示出疗效，其通过促进细胞凋亡、诱导活性氧以及调控PI3K/Akt和NF-κB等关键通路发挥作用。本研究通过细胞毒性测定、分子对接和制备固体脂质纳米粒（SLNs）以改善递送，评估了木犀草素的抗乳腺癌疗效。随机森林等机器学习模型将木犀草素鉴定为潜在的PARP10抑制剂，提示已知的PARP抑制剂类药物可穿过细胞屏障。网络药理学和蛋白质相互作用分析均将PARP、PTEN和TP53蛋白鉴定为乳腺癌治疗的潜在靶点。分子模拟揭示了稳定的蛋白-药物相互作用，提示其可能在分子水平上产生有益作用。木犀草素SLNs表现出优异的理化特征、可控的药物释放以及在体内环境中的稳定性。对MCF7乳腺癌细胞观察到剂量依赖性细胞毒性效应，IC??为37.35 μg/mL。实验数据表明，以SLNs递送的木犀草素是乳腺癌治疗的一个有前景的临床前候选药物。此处提出的PARP10抑制机制和PARP/PTEN/TP53网络靶点是基于机器学习分类和分子建模得出的，因此代表计算预测而非经生化或体内验证的结果。总之，有必要进行生化验证、药代动力学和临床评估，以确定SLNs递送的木犀草素的抗癌疗效。计算与实验方法的整合运用，凸显了天然产物药物研发解决乳腺癌的能力。

定量地，随机森林分类器在类别平衡的训练集上达到了91.23%的准确率（Kappa 0.8684，MCC 0.869，加权F1 0.912），但在独立且天然不平衡的测试集上仅为80.0%的准确率（Kappa 0.2793，MCC 0.287），表明存在过拟合现象；木犀草素对接于PARP10催化域（PDB 5LX6），结合亲和力为?8.2 kcal/mol，该方案经维立帕利（veliparib）重新对接验证（RMSD 0.86 ?），复合物在100 ns模拟中保持稳定（Rg 16.84 ± 0.21 ?，ALA921氢键占有率78.4%，MM-GBSA ΔG ?52.00 kcal/mol）。SLNs的包封率为82.64 ± 1.37%，粒径为179.0 ± 5.3 nm，Zeta电位为?27.4 ± 1.6 mV，72小时累计释放量为88.17%，在4°C条件下稳定90天。

引言

乳腺癌在全球范围内持续对女性健康构成重大威胁，其发病率最高、致死后果最严重、社会影响最大。在筛查和治疗措施方面取得的进展尚不足以阻止乳腺癌每年夺去众多生命。乳腺癌的管理尤其困难，因为患者可能产生治疗耐药性，经历治疗的毒性副作用，且对传统治疗的反应也存在差异。因此，迫切需要新的治疗方法，在取得优异临床疗效的同时减少不良反应[1]、[2]。

来自植物的天然产物作为癌症的潜在治疗药物已获得相当大的关注，因为它们具有广泛的结构、表现出高生物活性和相对较低的副作用。研究人员对天然化合物作为乳腺癌潜在治疗药物的兴趣日益增加，因为它们经常作用于与癌症形成、生长和扩散相关的多条细胞通路[3]、[4]、[5]、[6]、[7]。这些化合物的使用已被证明可以诱导凋亡、阻滞细胞周期并抑制肿瘤生长所需的新血管生成。在实验室和动物模型中表现出对乳腺癌强烈抑制作用的天然物质示例包括黄酮类、生物碱、萜类和多酚[8]、[9]、[10]、[11]、[12]、[13]、[14]、[15]。由于它们通过多条通路发挥作用，这些化合物作为辅助或补充治疗显示出前景，特别是对于激素受体阳性、三阴性和治疗耐药性乳腺癌[16]、[17]、[18]、[19]、[20]。

近期，木犀草素作为九里香（Murraya koenigii）或咖喱叶叶片中发现的一种潜在天然化合物，引起了显著关注。九里香的叶片长期以来被用于食品和传统医学中。这些植物已被证明具有具有抗氧化、抗炎和抗癌活性的天然化合物[21]、[22]、[23]、[24]。结构独特的木犀草素能够与促进癌细胞存活和生长的关键细胞靶点结合。早期研究表明，木犀草素可能对乳腺癌细胞产生选择性细胞毒性作用，为其未来开发为抗癌药物带来了希望[25]。

木犀草素可能通过触发程序性细胞死亡（凋亡）、促进ROS的产生以及调控PI3K/Akt和NF-κB等主要信号通路来发挥其抗癌作用[26]、[27]、[28]、[29]、[30]、[31]、[32]、[33]。木犀草素已被证明可通过降低基质金属蛋白酶水平来抑制转移过程，这些蛋白酶对肿瘤细胞扩散至关重要。计算研究表明，木犀草素与碳酸酐酶IX等乳腺癌相关蛋白以及参与肿瘤生长的其他几种酶形成稳定连接，提示了其抑制癌细胞的分子机制。利用纳米技术以固体脂质纳米粒形式递送木犀草素已被证明是有益的。这种方法改善了药物的生物利用度和稳定性，并能够实现向肿瘤的靶向递送[34]。因此，治疗疗效得到优化，全身副作用得以减少。尽管临床前测试显示出令人鼓舞的结果，但关于木犀草素在人体内的吸收、分布、代谢以及有效治疗乳腺癌的系统研究较少。需要整合实验、计算和制剂研究来确定木犀草素作为天然癌症疗法的临床潜力。木犀草素作为一种有前景的候选药物，与其他植物化学物质一起，有望被添加到乳腺癌管理选择中。本研究旨在确定木犀草素对乳腺癌的抗癌效果，通过细胞毒性试验、分子对接分析和固体脂质纳米粒改善其给药来研究其作用机制。

本研究的新颖贡献在于从计算到实验的整合流程，包括基于机器学习的PARP10靶点预测、网络药理学、分子对接和动力学模拟、ADMET和DFT分析，以及将木犀草素制备为已表征的SLNs——一种此前对该化合物尚未报道的基于纳米粒的递送策略。将机器学习与下游计算和实验药理学相结合，反映了基于天然产物的药物研发中更广泛的范式转变。Mandar [35]近期综述了人工智能驱动策略（包括基于机器学习的靶点识别、虚拟筛选和先导化合物优化）如何越来越多地用于将计算假设转化为跨治疗领域的可实验验证候选物。本研究与这一范式一致，以基于机器学习的PARP10活性预测作为起始假设，随后进行网络药理学、分子对接、分子动力学、ADMET和基于纳米粒的木犀草素实验评估，如以下所述。

数据片段

数据集

本研究所使用的数据集来自BindingDB数据库，完全聚焦于能够影响聚ADP-核糖聚合酶10（PARP10）的化合物。数据集包含单体ID、SMILES表示式和IC??值列，均以纳摩尔（nM）测量。必要时将IC??值转换为等效的pIC??值用于预测。使用RDKit和Open Babel等化学信息学工具确认所有SMILES字符串完全准确。

统计分析

所有定量实验均在三个独立的生物学制备物（n = 3）上进行（另有说明除外），每个制备物测量三次；此处报告的MTT数据是一个例外，来源于单个生物学制备物的三个技术重复，这在相应的结果部分明确说明，并作为局限性予以承认。数据以均值±标准差（SD）表示，所有图中的误差线代表SD。

比较

机器学习模型比较

使用准确率、Kappa统计量、MAE、RMSE、RAE和RRSE等关键指标来比较不同机器学习模型的性能。在所有模型中，随机森林最为准确，结果为91.23%，其次是决策树，准确率为89.47%，K（KStar）达到87.72%的准确率。其他算法如多层感知器、逻辑回归、SMO（支持向量机）和朴素贝叶斯分别达到82.65%、82.75%、75.73%和66.37%。

Ramachandran图分析

该图展示了蛋白质中氨基酸残基如何通过其phi（Φ）和psi（Ψ）二面角进行优先排列。配体更易或更难到达的区域以不同颜色标示：红色区域表示最优选构象，棕色区域为允许区，黄色区域为不允许区。根据图示，大部分数据聚集在红色区域，意味着二级结构明确定义，残基主要

回转半径、SASA、氢键占有率、主成分分析和自由能面

为支持从RMSD和RMSF推断出的稳定性，使用独立的描述符对平衡轨迹（20–100 ns，800帧）进行了进一步分析，以评估紧凑性、溶剂暴露、氢键持续性、本质动力学和基础自由能面。蛋白质的回转半径在整个生产运行过程中基本不变，保持在16.84 ± 0.21 ?，无漂移，最大偏离均值为0.6 ?，表明催化域既未

结论

木犀草素是一种从九里香（Murraya koenigii）中分离出的咔唑生物碱，作为治疗乳腺癌的抗癌药物显示出巨大前景。使用多种技术评估了木犀草素抑制乳腺癌细胞生长、存活和迁移的有效性和多种作用模式。木犀草素在MCF7细胞中的剂量依赖性细胞毒性，IC??值为37.35 μg/mL，表明其抑制癌细胞生长能力强大。

机器学习结果

局限性与未来方向

本研究以计算为主，辅以单次初步体外细胞毒性实验和纳米粒制剂的理化表征。将PARP10鉴定为木犀草素的靶点，是基于一个机器学习分类器，该分类器在保留数据上性能显著下降（Kappa 0.2793，MCC 0.287），以及评估几何和能量可行性而非生物学的分子对接和分子动力学计算。

CRediT作者贡献声明

Yue Di：写作—原始草稿、方法论、调查、形式分析、数据管理、概念化。

RAJALAKSHMI KANAGARAJ：软件、方法论、形式分析。

Jindong Dai：方法论、调查、形式分析、数据管理、概念化。

Xincheng Hu：写作—原始草稿、方法论、调查、形式分析、数据管理、概念化。

Dongwei Zhu：写作—审阅与编辑、可视化、验证、监督、项目管理、资金支持。

利益冲突声明

作者声明本工作不存在利益冲突。

致谢

DZ感谢国家自然科学基金（82202001）、中国博士后科学基金（2024M761196）以及ZQ感谢江苏省大学生创新训练计划项目（X2025102990970）的资金支持。

作者贡献

YD、JD、XH进行了形式分析、资金获取、方法论、数据管理、验证、获得资金、设计并撰写了原始手稿。KR、SA、NK进行了数据分析。PT、SM、DZ。

Yue Di | Xincheng Hu | Jindong Dai | Kanagaraj Rajalakshmi | Stalin Arulsamy | Natarajan Kiruthiga | Panneerselvam Theivendren | Selvaraj Muthusamy | Dongwei Zhu

江苏大学附属医院眼科，镇江—212013，中国