清開(kāi)靈多組分干預(yù)腦缺血模型蛋白質(zhì)網(wǎng)絡(luò)主要模塊的識(shí)別與比較.pdf

1、背景:腦缺血被認(rèn)為是由多途徑誘導(dǎo)的相互作用所引起，是涉及一系列生物化學(xué)和分子機(jī)制變化的多基因、多通路、多靶點(diǎn)的復(fù)雜疾病。藥物干預(yù)的系統(tǒng)分析仍顯匱乏。王永炎院士領(lǐng)導(dǎo)的973課題組倡導(dǎo)“生物活性導(dǎo)向下的化學(xué)研究思路”，提出以中藥有效組分配伍為依據(jù)組成新復(fù)方的方劑架構(gòu)新模式，旨在使藥物組分明確化、作用靶點(diǎn)具體化，組方機(jī)制清晰化。然而擺在面前的難題是復(fù)雜疾病通常源于一種聯(lián)合的機(jī)制，包括基因組變化、表觀遺傳因素和環(huán)境因素以及這些因素的不同組合，而

2、藥物靶點(diǎn)更隨多組分配伍呈指數(shù)增長(zhǎng)。網(wǎng)絡(luò)分析作為一種新的工具用以整合疾病與藥物之間的復(fù)雜關(guān)系，為系統(tǒng)地揭示藥物作用的復(fù)雜機(jī)制提供契機(jī)。證據(jù)顯示生物網(wǎng)絡(luò)具有模塊性，模塊結(jié)構(gòu)的識(shí)別有助于生物網(wǎng)絡(luò)的降維和簡(jiǎn)化，是理解生物系統(tǒng)的一個(gè)關(guān)鍵因素。模塊藥理學(xué)的提出，認(rèn)為復(fù)雜疾病的治療由于/需要模塊化干預(yù)/設(shè)計(jì)來(lái)影響多個(gè)靶點(diǎn)，可以基于模塊平臺(tái)對(duì)復(fù)雜生物網(wǎng)絡(luò)進(jìn)行分析、理解，用以度量和整合藥物干預(yù)網(wǎng)絡(luò)的特征。事實(shí)上，在過(guò)去的10年中，關(guān)于網(wǎng)絡(luò)模塊大多數(shù)的研究

3、集中在模塊結(jié)構(gòu)與功能以及劃分網(wǎng)絡(luò)模塊的計(jì)算方法的開(kāi)發(fā)，而忽略了模塊間關(guān)系的探索，忽略了在這一水平系統(tǒng)演化過(guò)程中來(lái)自?xún)?nèi)部的壓力級(jí)聯(lián)，忽略了導(dǎo)致這一壓力的系統(tǒng)內(nèi)部不平衡的緣由。因此，認(rèn)清這一包含眾多模塊子網(wǎng)的復(fù)雜網(wǎng)絡(luò)內(nèi)部主次關(guān)系可能有助于理解網(wǎng)絡(luò)瞬時(shí)結(jié)構(gòu)功能，預(yù)測(cè)未來(lái)動(dòng)力行為特征，是具有重要意義的。另外，在模塊藥理學(xué)理論指導(dǎo)下的藥物與疾病表型的模塊化對(duì)接使靶點(diǎn)明確但不孤立，使復(fù)雜網(wǎng)絡(luò)降維，又不失信息整合，能為藥物干預(yù)復(fù)雜疾病和藥物聯(lián)合應(yīng)用的

4、復(fù)雜藥理機(jī)制提供高效的分析策略。
　　本課題組前期針對(duì)精制清開(kāi)靈有效組分黃芩苷(baicalin，BA)、梔子苷(jasminoidin，JA)、去氧膽酸(Ursodeoxycholic acid，UA)和珍珠母(conchamargaritiferausta，CM)以及組分配伍干預(yù)腦缺血再灌注損傷展開(kāi)了一系列研究，藥物干預(yù)MCAO小鼠全基因表達(dá)譜檢測(cè)，藥效學(xué)顯示BA、JA、UA均能夠有效降低梗死體積。本研究基于模塊藥理學(xué)的理論框

5、架，希望通過(guò)運(yùn)用系統(tǒng)生物學(xué)技術(shù)，進(jìn)一步深化對(duì)精致清開(kāi)靈有效組分干預(yù)腦缺血的藥理機(jī)制的理解。
　　目的:本次研究的目的是通過(guò)對(duì)清開(kāi)靈有效組分干預(yù)腦缺血小鼠全基因表達(dá)譜數(shù)據(jù)結(jié)果構(gòu)建的蛋白質(zhì)網(wǎng)絡(luò)進(jìn)行模塊識(shí)別，并確定模型組與藥物組各自主要模塊，對(duì)其功能加以比較分析，探索主要藥理機(jī)制，并為進(jìn)一步分析藥物間相互關(guān)系，指導(dǎo)聯(lián)合用藥打下基礎(chǔ)。
　　方法:本研究對(duì)網(wǎng)絡(luò)數(shù)據(jù)主體采用多維度處理，降維分析策略。通過(guò)清開(kāi)靈有效組分BA、JA、UA干預(yù)

6、腦缺血小鼠全基因表達(dá)譜檢測(cè)，經(jīng)IPA數(shù)據(jù)分析后，生物功能具有統(tǒng)計(jì)學(xué)意義的基因集作為用于網(wǎng)絡(luò)映射的目標(biāo)基因。單尺度與多尺度背景骨架提取于STRING蛋白質(zhì)全局?jǐn)?shù)據(jù)庫(kù)用以網(wǎng)絡(luò)映射，多尺度骨架提取需要利用網(wǎng)絡(luò)模塊性計(jì)算和目標(biāo)節(jié)點(diǎn)映射比例確定SigScore。將構(gòu)建的無(wú)權(quán)與加權(quán)的蛋白質(zhì)相互作用網(wǎng)絡(luò)，采用分層與非分層兩種類(lèi)型模塊劃分方法進(jìn)行模塊的劃分，非分層方法由網(wǎng)絡(luò)模塊最小熵值計(jì)算確定，分層模塊劃分方法選用Pyramabs。將劃分出的模塊進(jìn)行復(fù)

7、連及賦權(quán)，基于模塊間組件相關(guān)性，即網(wǎng)絡(luò)背景骨架中分子間相互作用關(guān)系，模塊間組件連線計(jì)數(shù)計(jì)入模塊間邊的權(quán)值，從而構(gòu)建了以模塊為節(jié)點(diǎn)的加權(quán)模塊網(wǎng)絡(luò)。利用節(jié)點(diǎn)強(qiáng)度、介數(shù)中心性和頁(yè)面等級(jí)排序三種計(jì)算方法篩選模塊網(wǎng)絡(luò)中的候選核心模塊。引入模塊對(duì)網(wǎng)絡(luò)平均特征路徑長(zhǎng)度的擾動(dòng)對(duì)候選核心模塊進(jìn)行二次篩選，最終得到各組主要模塊。分別評(píng)估尺度類(lèi)型與權(quán)重因素對(duì)模塊劃分結(jié)果及模塊網(wǎng)絡(luò)的影響。分別比較三種主次排序方法對(duì)核心模塊一致性檢出率的結(jié)果。GO功能注釋工具(

8、DAVID)用于各組主要模塊生物學(xué)功能及KEGG通路富集分析，合并各組主要模塊功能信息集，比較各組結(jié)果的共性與差異性。最后，采用Westen blot從蛋白水平對(duì)所選蛋白進(jìn)行驗(yàn)證。
　　結(jié)果:
　　1.單尺度網(wǎng)絡(luò)的構(gòu)建，GVehicle:N=2853，E=13117;GBA: N=2572, E=14187;GJA:G=3656，E=16617;GUA:N=3059，E=16878;網(wǎng)絡(luò)呈冪律分布，節(jié)點(diǎn)間權(quán)值范圍:0.9＜W

9、＜1。多尺度網(wǎng)絡(luò)的構(gòu)建，利用模塊性計(jì)算和目標(biāo)映射比例確定SigScore=0.8, GVehicle: N=3750, E=9162; GBA: N=2813, E=6217; GJA: N=3416,E=7581; GUA: N=3407，E=9057;網(wǎng)絡(luò)呈冪律分布，節(jié)點(diǎn)間權(quán)值范圍:(0＜W＜1)。
　　2.非分層模塊劃分方法的選擇利用網(wǎng)絡(luò)模塊最小熵值計(jì)算，確定選用MCODE方法。
　　3.模塊劃分結(jié)果
　　3.1

10、 利用網(wǎng)絡(luò)模塊結(jié)構(gòu)熵值確定MCODE方法。單尺度無(wú)權(quán)網(wǎng)絡(luò)Vehicle、BA、JA、UA組分別被劃分出37、21、25、26個(gè)模塊;多尺度無(wú)權(quán)網(wǎng)絡(luò)Vehicle、BA、JA、UA組分別被劃分出30、24、24、19個(gè)模塊。
　　3.2 Pyramabs模塊劃分結(jié)果，單尺度無(wú)權(quán)網(wǎng)絡(luò)Vehicle、BA、JA、UA高層與低層模塊數(shù)分別為20、75，9、39，13、74，14、75;單尺度加權(quán)網(wǎng)絡(luò)Vehicle、BA、JA、UA高層與低

11、層模塊數(shù)分別為10、42，7、41，20、110，10、96;多尺度無(wú)權(quán)網(wǎng)絡(luò)Vehicle、BA、JA、UA高層與低層模塊數(shù)分別為35、175，19、93，31、142，23、113;多尺度加權(quán)網(wǎng)絡(luò)Vehicle、BA、JA、UA高層與低層模塊數(shù)分別為20、89，22、90，24、150，21、115。
　　4.Vehicle、BA、JA、UA分別得到14、15、10、12個(gè)主要模塊。介數(shù)中心性與頁(yè)面等級(jí)排序的首位模塊檢出結(jié)果趨同

12、，檢出比例為82.5％。上下層具有包含關(guān)系的主要模塊對(duì)，表明中心性地位向上或向下地延續(xù)，而非包含關(guān)系則體現(xiàn)了這種地位在層次間的轉(zhuǎn)移。各組中無(wú)論是網(wǎng)絡(luò)尺度類(lèi)型的差異，還是模塊識(shí)別方法的不同，所得到主要模塊組件幾乎均有重疊的部分。
　　5.功能富集分析。模型組與藥物組各自主要模塊GO功能富集總體與腦缺血相關(guān)。Vehicle、BA、JA、UA四組主要模塊分別富集出1457、1408、1342、1228個(gè)生物學(xué)功能，100、111、86、

13、85條KEGG通路，四組中功能與通路既有重疊也有非重疊部分。
　　6.Western blot結(jié)果顯示，與假手術(shù)組相比，模型組蛋白表達(dá)水平明顯上調(diào)(P＜0.05);與模型組相比， BA、JA兩個(gè)治療組中PDZK1蛋白表達(dá)水平均明顯下調(diào)（P＜0.05）。
　　結(jié)論：
　　1.針對(duì)腦缺血模型及BA、JA、UA藥物干預(yù)后的蛋白質(zhì)相互作用網(wǎng)絡(luò)采用節(jié)點(diǎn)強(qiáng)度、介數(shù)中心性、頁(yè)面等級(jí)三種方法進(jìn)行主要模塊識(shí)別具有可行性。
　　2.