论文部分内容阅读
营养不良(PEW)是慢性肾脏病(CKD)患者最常见的并发症之一,是CKD患者预后的独立危险因素。由于其病因复杂,目前缺乏有效的治疗方法。中药组方肾衰营养胶囊治疗CKD-PEW有较好疗效,但确切的机制尚不清楚。由于中药组方较多,成分复杂,难以筛查及诠释其中的有效成分和药理作用机制,不利于中药组方的标准化及优化。如何从大量小分子中筛选真正具有治疗作用的活性成分是目前中医药研究的瓶颈问题。随着近年来生物信息技术的发展,对大数据的分析手段也取得长足进步,其中机器学习广泛运用于各类生物数据处理,是目前最有潜力的生物信息分析手段。机器学习算法可拆解赋权等修饰数据特征,最终获得规律,并利用规律函数对未知数据进行预测。由于中医药组方及机制的复杂性,很难用简易的数学模型描述和预测生物现象并加以调控,而机器学习是预测药物靶点以及判断药效的最优手段。因此以机器学习等生物信息技术为分析手段,为揭示复方中药方剂药效物质与作用机理提供了强有力的方法与技术支撑。从而提取小分子信息,通过对已知药物靶点关系进行训练,可以较好预测靶点的活性成分,因此通过机器学习等手段有望对中药复方作用机制的阐明和优化提供新的研究思路和策略。本课题应用相应数据分析手段对潜在药用靶点及方剂有效成分进行虚拟筛选,并对筛选结果进行体外实验验证。方法:GEO数据库中挑选骨骼肌PEW模型基因表达数据;采用SAM算法筛选差异基因;基于差异基因进行GO富集和KEGG富集预测PEW涉及生物功能机制及参与信号途径;应用MisgDB数据库富集联合启动子富集预测相关转录因子结合motif,从而筛选关键信号和可能药用靶点;从多个中医药数据库中检索组方中的化学成分;应用Vina程序基于自由能对小分子与靶点进行批量对接,预测活性成分;应用四种机器学习模型基于分子指纹,对对接结果进行优化,并最终筛出可能活性成分;应用同位素标记法检测筛选成分对骨骼肌蛋白质代谢率影响,应用WB法检测检测筛选成分对靶点蛋白水平影响;应用报告基因法检测筛选成分对靶点与相关启动子结合影响;应用qPCR法检测筛选成分对关键基因表达的影响。结果显示:骨骼肌PEW涉及到蛋白质分解代谢等多条信号通路,FoxO1可能是其关键靶点。基于FoxO1进行分子对接筛选出17个潜在作用分子,基于指纹谱图应用及其学习模型可将活性预测特异性提升至0.9以上,联合四类机器学习模型决策预测甘草素B(HB)为FoxO1配体。与模型组相比,免疫荧光结果显示HB能显著增加肌管半径(P<.05),同位素标记实验显示HB能显著降低PEW模型中蛋白质分解率(P<.05),WB结果显示HB能显著抑制FoxO1磷酸化水平(P<.05),荧光素酶报告基因结果显示HB能抑制FoxO1结合相应启动子序列,qPCR结果显示HB能显著抑制FoxO1下游萎缩相关基因Atrogin-1及MuRF-1的表达水平。结论:基于分子指纹的机器学习模型能显著提高分子对接的特异性,预测活性成分HB能显著改善骨骼肌PEW状态,其机制涉及抑制FoxO1 Ser256磷酸化及阻断其与相关启动子结合,随之抑制下游萎缩相关基因表达。