基于機器學習優(yōu)化分子對接篩選腎衰營養(yǎng)膠囊有效成分.pdf

1、營養(yǎng)不良(PEW)是慢性腎臟病(CKD)患者最常見的并發(fā)癥之一，是CKD患者預(yù)后的獨立危險因素。由于其病因復(fù)雜，目前缺乏有效的治療方法。中藥組方腎衰營養(yǎng)膠囊治療CKD-PEW有較好療效，但確切的機制尚不清楚。由于中藥組方較多，成分復(fù)雜，難以篩查及詮釋其中的有效成分和藥理作用機制，不利于中藥組方的標準化及優(yōu)化。如何從大量小分子中篩選真正具有治療作用的活性成分是目前中醫(yī)藥研究的瓶頸問題。
　　隨著近年來生物信息技術(shù)的發(fā)展，對大數(shù)據(jù)的分

2、析手段也取得長足進步，其中機器學習廣泛運用于各類生物數(shù)據(jù)處理，是目前最有潛力的生物信息分析手段。機器學習算法可拆解賦權(quán)等修飾數(shù)據(jù)特征，最終獲得規(guī)律，并利用規(guī)律函數(shù)對未知數(shù)據(jù)進行預(yù)測。由于中醫(yī)藥組方及機制的復(fù)雜性，很難用簡易的數(shù)學模型描述和預(yù)測生物現(xiàn)象并加以調(diào)控，而機器學習是預(yù)測藥物靶點以及判斷藥效的最優(yōu)手段。因此以機器學習等生物信息技術(shù)為分析手段，為揭示復(fù)方中藥方劑藥效物質(zhì)與作用機理提供了強有力的方法與技術(shù)支撐。從而提取小分子信息，通過

3、對已知藥物靶點關(guān)系進行訓練，可以較好預(yù)測靶點的活性成分，因此通過機器學習等手段有望對中藥復(fù)方作用機制的闡明和優(yōu)化提供新的研究思路和策略。
　　本課題應(yīng)用相應(yīng)數(shù)據(jù)分析手段對潛在藥用靶點及方劑有效成分進行虛擬篩選，并對篩選結(jié)果進行體外實驗驗證。方法:GEO數(shù)據(jù)庫中挑選骨骼肌PEW模型基因表達數(shù)據(jù);采用SAM算法篩選差異基因;基于差異基因進行GO富集和KEGG富集預(yù)測PEW涉及生物功能機制及參與信號途徑;應(yīng)用MisgDB數(shù)據(jù)庫富集聯(lián)合啟

4、動子富集預(yù)測相關(guān)轉(zhuǎn)錄因子結(jié)合motif，從而篩選關(guān)鍵信號和可能藥用靶點;從多個中醫(yī)藥數(shù)據(jù)庫中檢索組方中的化學成分;應(yīng)用Vina程序基于自由能對小分子與靶點進行批量對接，預(yù)測活性成分;應(yīng)用四種機器學習模型基于分子指紋，對對接結(jié)果進行優(yōu)化，并最終篩出可能活性成分;應(yīng)用同位素標記法檢測篩選成分對骨骼肌蛋白質(zhì)代謝率影響，應(yīng)用WB法檢測檢測篩選成分對靶點蛋白水平影響;應(yīng)用報告基因法檢測篩選成分對靶點與相關(guān)啟動子結(jié)合影響;應(yīng)用qPCR法檢測篩選成分

5、對關(guān)鍵基因表達的影響。結(jié)果顯示:骨骼肌PEW涉及到蛋白質(zhì)分解代謝等多條信號通路，F(xiàn)oxO1可能是其關(guān)鍵靶點。基于FoxO1進行分子對接篩選出17個潛在作用分子，基于指紋譜圖應(yīng)用及其學習模型可將活性預(yù)測特異性提升至0.9以上，聯(lián)合四類機器學習模型決策預(yù)測甘草素B(HB)為FoxO1配體。與模型組相比，免疫熒光結(jié)果顯示HB能顯著增加肌管半徑(P＜.05)，同位素標記實驗顯示HB能顯著降低PEW模型中蛋白質(zhì)分解率(P＜.05)，WB結(jié)果顯示H