整合多组学、网络药理学与机器学习揭示复方阿胶浆抗肺癌相关疲乏的活性成分及药理机制

《Analytica Chimica Acta》:Integrated multi-omics, network pharmacology, and machine learning reveal the active constituents and pharmacological mechanism of Fufang E’jiao Jiang against lung cancer-related fatigue

【字体: 大 中 小 】 时间:2026年10月11日 来源:Analytica Chimica Acta 6.1

编辑推荐:

   •首次整合UHPLC-QTOF-MS、GC-MS和NanoLC-Orbitrap-MS/MS对复方阿胶浆(FEJ)进行多维质谱分析。•鉴定出186种小分子、243种肽段和42种蛋白质;解析了驴皮胶的胶原成分。•运用"化学谱-网络预测-机器学习"范式预测FEJ对肺癌相关疲乏的疗

  
  • •
    首次整合UHPLC-QTOF-MS、GC-MS和NanoLC-Orbitrap-MS/MS对复方阿胶浆(FEJ)进行多维质谱分析。
  • •
    鉴定出186种小分子、243种肽段和42种蛋白质;解析了驴皮胶的胶原成分。
  • •
    运用"化学谱-网络预测-机器学习"范式预测FEJ对肺癌相关疲乏的疗效。

引言

肺癌相关疲乏(LCRF)是晚期肺癌患者中最为常见且致残性最强的症状,发病率高达70%–100%[1]、[2]。这种持续性的身体和精神疲惫感严重损害患者的生活质量,并与不良临床预后相关。然而,LCRF的病理生理机制尚未完全阐明,目前的临床管理主要依赖非药物支持性干预[3]。迄今为止,国内外均未有针对LCRF治疗的特异性药物获批。在此背景下,以多组分、多靶点治疗特性为特点的中药复方在应对此类复杂临床情况方面具有独特优势。复方阿胶浆(FEJ)是一种具有补气养血功效的经典中成药,近期在一项大规模、多中心、随机、双盲、安慰剂对照试验中显示出显著的临床疗效。该关键性研究证实,FEJ能显著减轻晚期癌症患者的疲乏严重程度并改善生活质量,凸显了其作为LCRF潜在治疗方案的巨大前景[4]。
然而,FEJ拮抗LCRF的药理学基础仍有待进一步阐明。FEJ是由多种药材组成的化学复杂体系,包括Colla Corii Asini(CCA)、Ginseng Radix et Rhizoma Rubra(GR)、Codonopsis Radix(CR)、Rehmanniae Radix Praeparata(RRP)和Crataegi Fructus(CF)。其成分不仅包含小分子植物化学成分,如皂苷、苯乙醇苷类、环烯醚萜、黄酮和酚酸,还包含大分子成分,尤其是来源于驴皮胶的肽段和蛋白质。Shen等人通过LC-MS鉴定了72种植物来源成分[5],此前的研究主要集中在对中药成分中小分子部分的表征[6]。值得注意的是,驴皮胶已被证实可改善化疗引起的贫血,这一效应与其生物活性肽密切相关[7],提示其在FEJ的抗LCRF活性中可能发挥作用。然而,整合小分子和大分子的FEJ全化学谱综合表征仍然缺乏。
质谱(MS)以其高灵敏度、高特异性和通用性,成为复杂中药复方整体分析的核心技术。液相色谱-质谱联用技术(LC-MS)对于极性、热不稳定和大分子成分的表征不可或缺,是代谢组学、肽组学和蛋白质组学研究的首选方法[8]。Orbitrap等高分辨率质谱(HRMS)平台提供了区分细微分子差异所需的质量精度和分辨率,这对于肽组学中肽段的可靠鉴定和蛋白质组学中蛋白质的表征至关重要[9]。纳升级液相色谱与HRMS的联用进一步提高了对低丰度分析物的检测灵敏度[10]。相比之下,气相色谱-质谱联用技术(GC-MS)擅长分析挥发性和热稳定小分子,经衍生化处理后还可扩展至糖类和有机酸等极性代谢物,从而在代谢组学中提供互补性覆盖[11]。因此,LC-MS和GC-MS的整合应用能够实现代谢物、肽段和蛋白质的全面分子谱分析,为解析中药复方的复杂化学基础建立了强大的分析框架。
此外,FEJ抗LCRF的分子机制仍不清楚。网络药理学与中医整体观念理念相契合,为解析中药复方多化合物、多靶点、多通路的机制提供了有用的框架[12]。近年来,机器学习方法——如最小绝对收缩和选择算子(LASSO)、随机森林(RF)和支持向量机-递归特征消除(SVM-RFE)——的整合应用进一步提高了从复杂网络数据中筛选疾病相关靶点的优先级[13]。这些算法互为补充:LASSO执行L1正则化特征选择,适用于存在共线性的高维数据[14];RF可捕捉非线性关系和交互作用,并提供特征重要性排名[15];SVM-RFE递归消除信息量较少的特征,在样本量小、维度高的场景下表现稳健[16]。由于这些算法依赖不同的数学概念,可能产生不同的候选集。因此,我们取三种结果的交集作为核心靶点,确保仅保留被所有方法一致认可的靶点。这一共识策略有效降低了假阳性率,提高了下游分析的稳健性和可靠性。与这些方法互补的是,分子对接可对候选成分与靶点蛋白之间的相互作用进行原子级预测,为后续研究提供结构层面的假设[17]。然而,这些计算方法具有预测性质,需要实验验证。
因此,为了系统表征FEJ的物质基础并探索其抗LCRF的潜在作用机制,我们设计了一种整合研究策略,包括全面的化学谱分析、计算靶点预测和基于结构的相互作用预测。首先,我们采用代谢组学、肽组学和蛋白质组学技术相结合的方法,对FEJ中的小分子、肽段和蛋白质进行全面表征,从而弥补现有研究的不足——特别是关于驴皮胶来源的大分子成分方面。随后,应用网络药理学构建和优化"化合物-靶点-疾病"相互作用网络。然后利用机器学习算法筛选与LCRF病理密切相关且核心靶点,并通过分子对接模拟评估FEJ关键生物活性成分与这些优先靶点之间的结合可行性。这一整合工作流程为理解FEJ的潜在抗LCRF效应提供了系统的化学基础和机制框架,并为探索其他复杂中药复方提供了一种可迁移的策略。

章节摘要

化学试剂与材料

FEJ、CCA溶液、GR、RR、RRP和CF(批号2402053)购自山东东阿阿胶股份有限公司。Amicon? Ultra 10K装置购自Millipore Corporation(美国马萨诸塞州伯灵顿)。O,N-双(三甲基硅基)三氟乙酰胺(含1%三甲基氯硅烷,99% BSTFA + 1% TMCS)、三氯乙酸(TCA)和盐酸羟胺购自上海麦克林生化科技有限公司。吡啶购自上海阿拉丁生物技术有限公司。碳酸氢铵(NH4HCO3)、三氯乙酸

UHPLC-QTOF-MS共鉴定出FEJ中164种小分子

为应对FEJ中胶原蛋白成分、多糖和短肽的强基质干扰,本研究评估了甲醇和乙腈作为蛋白沉淀剂的效果,以确定最佳的样品前处理方法,以最大限度减少离子抑制并最大化小分子的检测。UHPLC-QTOF-MS/MS分析显示,三倍量甲醇能产生最多的离子,如表S2所示。因此,采用三倍体积的甲醇作为提取溶剂。

结论

本研究首次整合多维混合质谱平台(UHPLC-QTOF-MS、GC-MS和NanoLC-Orbitrap-MS/MS),对复杂中药复方FEJ进行了全面的化学计量学谱分析。通过系统优化样品制备——包括有机沉淀剂的评估和提取策略的选择——我们克服了由胶原蛋白和多糖引起的严重基质干扰。该方法使186种小分子的系统鉴定成为可能。

CRediT作者贡献声明

孙辉:可视化、验证、方法论、调查研究、概念构思、正式分析。沈坤爽:撰写——初稿、可视化、验证、调查研究、正式分析、概念构思。韩颖:可视化、数据整理。周正灿:资源提供。孙叶:监督指导、概念构思。顾建君:资源提供。孙辉:可视化、方法论、调查研究、概念构思。栾银玲:可视化、数据整理。赵朝帆:可视化、数据

利益冲突声明

作者声明不存在利益冲突。

生成式AI及AI辅助技术在写作过程中的声明

在本工作的撰写过程中,作者使用了DeepL(DeepL SE,德国科隆)和DeepSeek(杭州深度求索人工智能基础技术研究有限公司)来改善语言表达。使用该工具后,作者对内容进行了审阅和编辑,并根据需要进行了修改,对发表内容的准确性承担全部责任。

利益冲突声明

? 作者声明,他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

致谢

本工作得到了东阿阿胶股份有限公司横向项目(编号:22042240002)和黑龙江省重点研发计划(编号:2022ZX02C04)的资助。部分图片由BioRender创建。
沈坤爽|孙辉|杨雷|冯琴|张宁|赵朝帆|栾银玲|孙辉|顾建君|孙叶|周正灿|韩颖|刘海宾|王西军
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