CN104978474A - 一种基于分子网络的药效评价方法及系统 - Google Patents
一种基于分子网络的药效评价方法及系统 Download PDFInfo
- Publication number
- CN104978474A CN104978474A CN201410142492.8A CN201410142492A CN104978474A CN 104978474 A CN104978474 A CN 104978474A CN 201410142492 A CN201410142492 A CN 201410142492A CN 104978474 A CN104978474 A CN 104978474A
- Authority
- CN
- China
- Prior art keywords
- network
- medicine
- disease
- server
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及网络药理学,具体公开了一种基于分子网络的药效评价方法及药效评价系统。本发明所述方法包括:1)通过多种途径获取数据;2)构建药物效应的分子网络和疾病的分子网络;3)将药物分子相应网络映射到疾病的分子网络上,产生药物治疗效应的分子网络;4)对疾病的分子网络进行中心性分析;5)以药物治疗效应的分子网络中分子在疾病的分子网络中的中心值分布定量评价药物对疾病影响程度及其各治疗机制对疾病影响程度。本发明方法可以为合理用药研究、老药新用的筛选以及组合新药开发等提供良好的方法。
Description
技术领域
本发明涉及医药领域,具体涉及一种应用生物信息和计算生物学技术评价药效的网络药理学方法。
背景技术
药效学,即药物效应动力学(pharmacodynamics),研究药物对机体的作用及作用机制,包括治疗效应和副作用等不良反应。新兴的网络药理学是从系统生物学特别是从生物网络的角度类进行研究的,目前的研究方法为:构建一元网络(药物有关的机体内分子间相互作用网络)或二元网络(药物与机体内分子间以及机体内分子之间的相互作用网络),而后网络分析和生物学注释,深入理解物对机体的作用及作用机制。
药物是用于治疗特定疾病的,药物作用改变病理过程,使患者的机体恢复正常,即治疗效应,不影响病理过程的作用即为副作用等。根据文献检索,迄今为止,未发现有能同时分辨治疗效应和副作用等的网络药理学方法相关报道。
一般情况下,定量分析药物作用机制的效应是观测某标志改变水平的大小来确定。这种只能定量反映标志方面的效应,并不能系统总体地定量理解药物的治疗效应。已知,一个药物能影响在疾病中一个关键分子,即使是对这个分子的水平很小的改变,也能产生好的疗效。由此说明,一个分子在治疗机制中的重要性取决于它在疾病中的位置而不是表达水平。目前认为,疾病是一个复杂的网络。在一个复杂的网络中,越中心位置越重要,即“中心致死性”。然而,目前尚未见有关基于网络的系统总体地定量分析药物治疗效应的报道。
发明内容
针对上述现状,本发明提供了一种基于分子网络的药物的药效的评价方法,本发明所述方法包括以下步骤:
1)通过多种途径获取药物和疾病有关基因或蛋白及其分子相互作用信息数据;
2)同时构建药物效应的分子网络和疾病的分子网络;
3)将药物分子相应网络映射到疾病的分子网络上,产生药物治疗效应相关的分子网络,未被映射上的即被认为不影响疾病,则组成副作用网络;
4)对步骤2中的疾病分子网络进行中心性分析;
5)对步骤3中的药物治疗效应相关的分子网络和副作用网络中模块进行识别;
6)对步骤5中所获得的网络模块进行生物学功能注释,以理解各药物治疗和副作用的生物学机制;
7)以药物治疗效应的分子网络及其模块中分子在疾病的分子网络中的中心值分布,来定量评价药物对疾病影响程度及其各治疗机制对疾病影响程度。
本发明方法中可以用来评价的药物包括各种治疗复杂性疾病的药物,例如包括但不限于来氟米特、甲氨蝶呤或雷公藤甲素的组合与川芎嗪的组合物。
作为实施方式之一,本发明方法所述步骤1)的多种途径是指通过实验的方法或从文献或数据库中获取。
作为实施方式之一,本发明方法所述步骤2)构建药物分子网络是指药物有关基因或蛋白以及与之相互作用的分子以分子间存在相互作用则直线连接而成的网络。
作为实施方式之一,本发明方法所述步骤2)构建疾病分子网络是指疾病有关基因或蛋白以及与之相互作用的分子以分子间存在相互作用则直线连接而成的网络。
作为实施方式之一,本发明方法所述步骤3)中映射是指一个网络中的节点(即,分子)和连接线(即,相互作用)在另一个网络中有相同的节点和连接线;未映射是指一个网络中的节点和连接线在另一个网络中没有找到相同的节点和连接线。
作为实施方式之一,本发明方法所述步骤4)中的中心性分析,包括节点度、介数、图心值、紧密度、辐射度和紧张度中的一种或多种参数值的分析,以中心值判断分子在疾病中的重要程度。
作为实施方式之一,本发明方法步骤5)的网络中模块进行识别是指通过计算分子之间连接的密度,连接密集度高于周围的被识别为网络中模块,表示能完成一定生物学功能的分子复合物或通路;
作为实施方式之一,本发明方法步骤6)的网络模块进行生物学功能注释是指通过统计学分析模块中分子出现在基因本位分类、生物学通路和进程中的概率,判断模块参与完成的生物学功能;
作为实施方式之一,本发明方法步骤7)进行中心值分布评价的方法为统计学描述。
本发明还提供一种用于基于分子网络的药效评价方法的系统,所述系统包括:应用程序服务器D01、数据库服务器D02、结果服务器D03、Web服务器D04以及用户端D05;其中,应用程序服务器D01接数据库服务器D02,结果服务器D03通过应用程序服务器D01联接数据库服务器D02,Web服务器D04联接用户端D05;所述系统示例性地如图10所示。
作为本发明实施方式之一,所述系统进一步包括:
应用程序服务器D01存储基因名称、蛋白质名称和相互作用类别的标准化和网络中心性分析、模块识别及生物学功能注释的算法和规则以及统计学软件;
数据库服务器D02存储疾病名称和别名以及简介,药物名称和别名以及简介,疾病和药物有关的基因及其蛋白质名称和别名以及各数据库中的编号、定义的描述、功能、染色体定位、在细胞内的定位、所属的物种、生物学通路、进程、基因本位;分子间相互作用的名称、编号、类型、来源以及发生在细胞内的定位、所涉及的功能、参与的生物学进程。
所述数据库服务器D02存放,由用户终端D05联接Web服务器下载或从实验结果获得、通过应用程序服务器标准化后得到的面向主题和应用的、集成化的数据库;
结果服务器D03,存放应用程序服务器处理数据服务器得到的结果,内联应用程序服务器联和数据库服务器;
所述从结果服务器提取所需要的数据,实现对具体的药物治疗和副作用机理以及定量评价药物对疾病影响程度及其各治疗机制对疾病影响程度的操作。
作为本发明实施方式之一,所述系统进一步包括:数据获取方面、数据标准化方面、网络分析方面、生物学注释方面和统计学方面。
其中,所述数据获取方面是指通过Web服务器下载或从实验结果获得相关数据;数据标准化方面是指将从多途径获得的数据进行去除冗余、统一名称、编号和注释;网络分析方面是指网络映射、网络中心性分析以及网络中模块(复合物或通路)的识别;生物学注释方面是指对网络和网络模块进行基因本位、生物学通路和进程分类,以理解其生物学机制;统计学方面是指对网络和网络模块的中心值进行统计学分析。
作为本发明实施方式之一,如图1所示,本发明药效评价方法的操作流程如下:
1)通过从文献挖掘、或Web网上已有的数据库中下载、或实验等多种途径获取药物和疾病有关基因或蛋白及其分子相互作用信息数据;
2)以药物有关基因或蛋白以及与之相互作用的分子构建药物效应的分子网络,同时,以疾病有关基因或蛋白以及与之相互作用的分子构建疾病的分子网络;
3)将药物分子相应网络映射到疾病的分子网络上,产生药物治疗效应相关的分子网络,即由药物分子相应网络和疾病的分子网络中相同的节点(分子)和连接线(相互作用)所组成;未被映射上的即被认为不影响疾病,则组成副作用网络,即在药物分子相应网络中有而在疾病的分子网络中没有的节点和连接线所组成;
4)对步骤2中的疾病分子网络进行中心性分析,包括计算节点度、介数、图心值、紧密度、辐射度和/或紧张度等参数值并以中心值判断分子在疾病中的重要程度;
5)通过计算对步骤3中的药物治疗效应相关的分子网络和副作用网络中分子之间连接的密度,连接密集度高于周围的被识别为网络中模块(表示能完成一定生物学功能的分子复合物或通路);
6)通过统计学分析步骤5中所获得的网络模块中分子出现在基因本位分类、生物学通路和进程中的概率,判断模块参与完成的生物学功能,以理解各药物治疗和副作用的生物学机制;
7)以药物治疗效应的分子网络及其模块中分子在疾病的分子网络中的中心值统计分布,来定量评价药物对疾病影响程度及其各治疗机制对疾病影响程度。
本发明方法具有以下优点:
(1)产生药物治疗效应的分子网络和副作用网络,经网络分析和注释即可系统地理解药物的治疗效应机制和副作用,可发现更多的药物作用机制。
(2)系统总体地定量评价药物对疾病影响程度及其各治疗机制对疾病影响程度,可克服观测某标志改变的大小来衡量治疗效应所带来的片面性。
本发明方法,不仅分辨被评价药物的治疗效应和副作用,还能系统总体地定量评价药物治疗效应,为合理用药研究、新药开发以及老药新用等提供一个新的方法。
附图说明
图1:本发明药效评价方法的流程图;
图2:实施例1中的三种药物组合治疗类风湿性关节炎的效应网络中模块中心值盒形图;
图3:实施例1中的三种药物组合在治疗类风湿性关节炎时组合药物间交互作用网络中模块中心值盒形图;
图4:实施例1中的来氟米特组合川芎嗪在治疗类风湿性关节炎时效应网络的中心值密度分布图;
图5:实施例1中的甲氨蝶呤组合川芎嗪在治疗类风湿性关节炎时效应网络的中心值密度分布图;
图6:实施例1中的雷公藤甲素组合川芎嗪在治疗类风湿性关节炎时效应网络的中心值密度分布图;
图7:实施例1中的来氟米特组合川芎嗪在治疗类风湿性关节炎时交互效应网络的中心值密度分布图;
图8:实施例1中的甲氨蝶呤组合川芎嗪在治疗类风湿性关节炎时交互效应网络的中心值密度分布图;
图9:实施例1中的雷公藤甲素组合川芎嗪在治疗类风湿性关节炎时交互效应网络的中心值密度分布图;
图10:本发明药效评价方法所用系统的示意图。
具体实施方式
本发明通过以下实施例进一步阐述本发明,但本发明并不受限于此。
实施例1三种抗风湿药物与川芎嗪组合治疗类风湿性关节炎的药效评价
1前言
临床试验表明,一些常用抗风湿药物与抗血栓的川芎嗪组合应用治疗类风湿性关节炎,比单独应用时更有效。然而,组合后究竟那些方面得到补充或协同作用,治疗机制对类风湿性关节炎的影响如何,副作用有哪些等,均不清楚。在此,利用本方法对来氟米特、甲氨蝶呤、雷公藤甲素三种常用抗风湿药物组合川芎嗪治疗类风湿性关节炎进行系统地药效分析和评价。
2方法
2.1大规模高通量途径获得三种抗风湿药物以及川芎嗪相关基因或蛋白质
三种抗风湿药物来氟米特、甲氨蝶呤、雷公藤甲素以及川芎嗪相关基因或蛋白质通过应用Polysearch系统(http://wishart.biology.ualberta.ca/polysearch/index.htm)获得。该系统是一种基于网络的文本挖掘工具,用于解决处理综合和联系等医学文献中挖掘信息的关键问题,即查询基因组、蛋白质组或代谢组范围综合信息。我们以药物名称“leflunomide”或“methotrexate”或“ligustrazine”或“triptolide”为检索词,选择
PubMed(http://www.ncbi.nlm.nih.gov/pubmed/);
OMIM(http://www.omim.org/);
DrugBank(http://www.drugbank.ca/)、
GAD(http://geneticassociationdb.nih.gov/);
HPRD(http://www.hprd.org/)、
Entrez SNP(http://www.ncbi.nlm.nih.gov/projects/SNP/SNPeutils.htm)数据库,检索相关基因/蛋白,人工阅读抽提语句以校正。
2.2大规模高通量途径获得类风湿性关节炎相关基因或蛋白质
类风湿性关节炎相关基通过基因芯片技术获得。临床上,符合美国风湿病学诊断标准的类风湿性关节炎病人被登记(所有均为女性;年龄:42.8±9.9)在当地伦理委员会的指导下,得到病人同意后,采外周血(15ml)肝素钠抗凝.分离出外周血单个核细胞(PBMC).用TRI-Zol试剂按说明书提取总RNA通过荧光染料Cy3和Cy5标记.样品杂交到双色人整基因组芯片上(University of British Columbia,Canada),以GenePix4000Bscanner检测.所有数据均用SAS9.1.3(Order no.195557)分析.显著性差异表达分析用Student’s t检验(p<0.05),Power值(0.85)校正.
2.3蛋白质相互作用网络的构建
以三种抗风湿药物和川芎嗪以及类风湿性关节炎相关基因或蛋白质名为检索词,从分子相互作用数据库
BIND(https://www.isc.org/downloads/bind/);
BioGRID(http://thebiogrid.org/);
DIP(http://dip.doe-mbi.ucla.edu/dip/Main.cgi);
HPRD(http://hprd.org/);
IntAct(http://www.ebi.ac.uk/intact/);
MINT(http://mint.bio.uniroma2.it/mint/)等中进行检索,并用AgilentLiteratureSearch(http://apps.cytoscape.org/apps/agilentliteraturesearch)文本挖掘工具从文献中获得与之相互作用蛋白质的信息。然后,分别以川芎嗪在一定条件下所影响的基因/蛋白的蛋白质相互作用信息建立川芎嗪效应网络;来氟米特的建立来氟米特效应网络,甲氨蝶呤的建立甲氨蝶呤效应网络,雷公藤甲素的建立雷公藤甲素效应网络。以川芎嗪效应网络和来氟米特效应网络、甲氨蝶呤效应网络、雷公藤甲素效应网络的交叉部分,分别建立川芎嗪与来氟米特、甲氨蝶呤、雷公藤甲素并用时的交互作用网络。分别以川芎嗪或来氟米特在一定条件下所影响的基因/蛋白的蛋白质相互作用信息,建立来氟米特和川芎嗪组合药物效应网络;川芎嗪或甲氨蝶呤的建立甲氨蝶呤和川芎嗪组合药物效应网络;川芎嗪或雷公藤甲素的建立雷公藤甲素和川芎嗪组合药物效应网络。以Cytoscape3.0软件进行可视化。
2.4蛋白质相互作用网络间的映射
采用Cytoscape3.0的Merge工具,分别将来氟米特和川芎嗪组合药物效应网络、甲氨蝶呤和川芎嗪组合药物效应网络、雷公藤甲素和川芎嗪组合药物效应网络以及相应三个交互作用网络映射到类风湿性关节炎疾病蛋白质相互作用网络上,建立在治疗类风湿性关节炎中三个组合药物效应网络和三个交互作用网络,将未映射上的建立三个网络副作用网络。
2.5网络中心性分析
采用节点度作为类风湿性关节炎疾病网络中心性指标。蛋白质相互作用网络是一种无尺度的幂分布。幂的度分布表示极少的点拥有很高的度,这些点被称为中枢。中枢点(高连接点)在调控中起着重要作用,点连接得越多越重要,即节点度越高在类风湿性关节炎中此蛋白越重要。
2.6网络高连接区的分析
网络高连接区是指在网络中某区域内部高密度连接而与其他连接稀少。在蛋白质相互作用网络中,网络高连接区通常是蛋白质复合物或通路的组成,完成一定功能的模块。采用IPCA算法分析网络中的高连接区,相互作用分值大于2.0和至少包含4个节点的为显著性高连接区。
2.7基因本位论的分析
基因本位论(GO)是一个广泛用于基因功能分类的系统。为了注释各显著性高连接区的功能,采用BiNGO计算机工具进行了GO的聚类分析,统计学超几何分布定量(P值)评价存在于各GO注释中的蛋白质群。
2.8网络中心值的盒形图法和Kernel密度分析
Kernel密度分析广泛应用于分析空间分布的总体特征。考虑到网络的不完整性和偶然性,为规避影响,分别将三个映射网络以类风湿性关节炎网络的节点中心值进行密度分析,显示三种组合药物对类风湿性关节炎影响度。将三个映射网络中模块节点中心值以盒形图分析,显示三种组合药物的不同药理机制对类风湿性关节炎影响度。
3结果
3.1来氟米特和川芎嗪组合药物在治疗类风湿性关节炎中的药效
在治疗类风湿性关节炎时的来氟米特和川芎嗪组合药物效应网络(LLRA)中,4个模块(高连接区,LLRA1,2,3,4)被识别,GO分类进DNA复制,I-kappaB kinase/NF-kappaB级联,MAPK信号传递,Notch信号通路(表1)。类风湿性关节炎网络中心值盒形图分析显示,在来氟米特和川芎嗪组合药物的这些机制中,即组合药物总体来讲,DNA复制对类风湿性关节炎的影响度最大,MAPK信号传递次之,然后依次为I-kappaB kinase/NF-kappaB级联和Notch信号通路(图2)。
在治疗类风湿性关节炎时的来氟米特和川芎嗪交互作用网络(ILLRA)中,也有4个模块被识别,GO分类进I-kappaB kinase/NF-kappaB级联,DNA复制,细胞循环的调节,信号转导(表1)。类风湿性关节炎网络中心值统计分析显示,在来氟米特和川芎嗪交互作用部分,即组合后增强或减弱等的交互作用,I-kappaB kinase/NF-kappaB级联对类风湿性关节炎的影响度最大,细胞循环的调节次之,然后依次为DNA复制和信号转导(图3)。
在治疗类风湿性关节炎时的来氟米特和川芎嗪组合副作用网络(LL-R)中,4个模块被识别,GO分类进RNA剪切,成纤维细胞生长因子受体信号通路,从RNA聚合酶II启动子的转录初始,前体代谢物和能量的产生(表2),提示在这些方面可能有副作用。
表1在治疗效应网络中模块的生物学功能注释
表2在副作用网络中模块的生物学功能注释
3.2甲氨蝶呤和川芎嗪组合药物在治疗类风湿性关节炎中的药效
在治疗类风湿性关节炎时的甲氨蝶呤和川芎嗪组合药物效应网络(MLRA)中,6个模块被识别,GO分类分析和类风湿性关节炎网络中心值统计分析显示,对类风湿性关节炎的影响度依次为细胞有丝分裂循环的G1/S转换、DNA复制、物种有机体间相互作用、涉及细胞有丝分裂循环的泛素蛋白酶活性调节、MAPK信号通路、I-kappaB kinase/NF-kappaB级联的调节(表1,图2)。
在治疗类风湿性关节炎时的甲氨蝶呤和川芎嗪交互作用网络(IMLRA)中,3个模块被识别,GO分类分析和类风湿性关节炎网络中心值盒形图分析显示,甲氨蝶呤和川芎嗪交互作用对类风湿性关节炎的影响度依次为物种有机体间相互作用、细胞循环的调节和细胞有丝分裂循环的G1/S转换(表1,图3)。
在治疗类风湿性关节炎时的甲氨蝶呤和川芎嗪组合副作用网络(ML-R)中,7个模块被识别,GO分类进RNA剪切、前体代谢物和能量的产生、DNA修复、成纤维细胞生长因子受体信号通路、凝血、DNA重组、DNA依赖的转录调节(表2),提示在这些方面可能有副作用。
3.3雷公藤甲素和川芎嗪组合药物在治疗类风湿性关节炎中的药效
在治疗类风湿性关节炎时的雷公藤甲素和川芎嗪组合药物效应网络(TLRA)中,6个模块被识别,GO分类分析和类风湿性关节炎网络中心值盒形图分析显示,对类风湿性关节炎的影响度依次为DNA复制、I-kappaBkinase/NF-kappaB级联的调节、涉及细胞有丝分裂循环的泛素蛋白酶活性调节、细胞对刺激的反应、细胞循环、MAPK信号通路(表1,图2)。
在治疗类风湿性关节炎时的雷公藤甲素和川芎嗪交互作用网络(ITLRA)中,3个模块被识别,GO分类分析和类风湿性关节炎网络中心值盒形图分析显示,雷公藤甲素和川芎嗪交互作用对类风湿性关节炎的影响度依次为应激反应、DNA复制和I-kappaB kinase/NF-kappaB级联的调节(表1,图3)。
在治疗类风湿性关节炎时的雷公藤甲素和川芎嗪组合副作用网络(TL-R)中,5个模块被识别,GO分类进RNA剪切、成纤维细胞生长因子受体信号通路、从RNA聚合酶II启动子处RNA延伸、蛋白质NEDD修饰、DNA依赖的转录调节(表2),提示在这些方面可能有副作用。
3.4在治疗类风湿性关节炎中三个组合药物药效的比较
Kernel密度分析显示,总体上三个组合药物对类风湿性关节炎的影响度是差不多的(图4-6),但机制不尽相同。类风湿性关节炎网络中心值盒形图分析显示,虽然三个组合药物均涉及DNA复制,但对类风湿性关节炎的影响度从大到小依次为雷公藤甲素和川芎嗪、甲氨蝶呤和川芎嗪、来氟米特和川芎嗪;在I-kappaB kinase/NF-kappaB级联上,对类风湿性关节炎的影响度,来氟米特和川芎嗪组合药物明显弱于雷公藤甲素和川芎嗪、甲氨蝶呤和川芎嗪两组合药物;在MAPK信号通路上,三者是差不多的;来氟米特和川芎嗪组合药物不涉及涉及细胞有丝分裂循环的泛素蛋白酶活性调节,在此雷公藤甲素和川芎嗪、甲氨蝶呤和川芎嗪两组合药物间相差无几(图4-6)。
在治疗类风湿性关节炎时,三个组合药物的交互作用以Kernel密度分析显示,来氟米特和川芎嗪、甲氨蝶呤和川芎嗪两组合交互作用对类风湿性关节炎的影响分布是差不多的,而雷公藤甲素和川芎嗪的小于二者(图7-9),提示雷公藤甲素和川芎嗪组合所产生的交互作用在治疗类风湿性关节炎时差于来氟米特和川芎嗪、甲氨蝶呤和川芎嗪两组合。
类风湿性关节炎网络中心值盒形图分析显示(图3),在I-kappaBkinase/NF-kappaB级联上,对类风湿性关节炎的影响度,来氟米特和川芎嗪组合的交互作用明显高于雷公藤甲素和川芎嗪组合,提示来氟米特和雷公藤甲素组合川芎嗪在I-kappaB kinase/NF-kappaB级联上对类风湿性关节炎的影响度得到扩展,来氟米特的更明显。在DNA复制上,来氟米特和川芎嗪组合的交互作用与雷公藤甲素和川芎嗪组合是差不多的。在细胞循环的调节上,来氟米特和川芎嗪组合的交互作用与与甲氨蝶呤和川芎嗪组合是差不多的。
4结论
在本研究中,建立了三种抗风湿药物和川芎嗪组合的效应网络及其组合药物间交互作用网络,并将这些网络映射到构建的类风湿性关节炎网络上,产生治疗类风湿性关节炎的三个组合药物效应网络和三个交互作用网络,将未映射上的则为副作用网络。网络生物学方法分析治疗类风湿性关节炎时组合药物效应网络、交互作用网络以及副作用网络,系统地理解这三种组合在治疗类风湿性关节炎时的主要机制,包括组合后效应的扩展、交互作用以及副作用。利用类风湿性关节炎网络中心值,评价了各治疗机制以及三种组合间对类风湿性关节炎的影响度,深入理解这三种组合在治疗类风湿性关节炎时在各机制上差异。为这三种组合治疗类风湿性关节炎的合理应用范围提供基础,此研究方法也可为组合药物开发以及老药新用等提供一个新的途径。
Claims (10)
1.一种基于分子网络的药效评价方法,其特征在于,所述方法包括如下步骤:
1)通过多种途径获取药物和疾病有关基因或蛋白及其分子相互作用信息数据;
2)同时构建药物效应分子网络和疾病分子网络;
3)将药物分子相应网络映射到疾病分子网络上,产生药物治疗效应相关的分子网络,未被映射上的即被认为不影响疾病,则组成副作用网络;
4)对步骤2)中的疾病分子网络进行中心性分析;
5)对步骤3)中的药物治疗效应相关的分子网络和副作用网络中模块进行识别;
6)对步骤5)中所获得的网络模块进行生物学功能注释,以理解各药物治疗和副作用的生物学机制;
7)以药物治疗效应的分子网络及其模块中分子在疾病的分子网络中的中心值分布,来定量评价药物对疾病影响程度及其各治疗机制对疾病影响程度。
2.根据权利要求1所述的方法,其特征在于,所述步骤1)的多种途径是指通过实验或从文献或数据库中获取。
3.根据权利要求1所述的方法,其特征在于,所述步骤2)构建药物分子网络是指药物有关基因或蛋白以及与之相互作用的分子以分子间存在相互作用则以线连接而成的网络;
所述步骤2)构建疾病分子网络是指疾病有关基因或蛋白以及与之相互作用的分子以分子间存在相互作用则以线连接而成的网络。
4.根据权利要求1所述的方法,其特征在于,所述步骤3)中映射是指一个网络中的节点“分子”和连接线“相互作用”在另一个网络中有相同的节点和连接线;未映射是指一个网络中的节点和连接线在另一个网络中没有找到相同的节点和连接线。
5.根据权利要求1所述的方法,其特征在于,所述步骤4)中的中心性分析,包括节点度、介数、图心值、紧密度、辐射度和紧张度中的一种或多种参数值的分析,以中心值判断分子在疾病中的重要程度。
6.根据权利要求1所述的方法,其特征在于,所述方法步骤5)的网络中模块进行识别是指通过计算分子之间连接的密度,连接密集度高于周围的被识别为网络中模块,表示能完成一定生物学功能的分子复合物或通路。
7.根据权利要求1所述的方法,其特征在于,所述方法步骤6)的网络模块进行生物学功能注释是指通过统计学分析模块中分子出现在基因本位分类、生物学通路和进程中的概率,判断模块参与完成的生物学功能。
8.根据权利要求1所述的方法,其特征在于,所述方法步骤7)进行中心值分布评价的方法为统计学描述。
9.一种用于权利要求1-8任一所述方法的系统,其特征在于,所述系统包括:应用程序服务器(D01)、数据库服务器(D02)、结果服务器(D03)、Web服务器(D04)以及用户端(D05);所述应用程序服务器(D01)接数据库服务器(D02),结果服务器(D03)通过应用程序服务器(D01)联接数据库服务器(D02),Web服务器(D04)联接用户端(D05);
其中,所述应用程序服务器(D01)存储基因名称、蛋白质名称和相互作用类别的标准化和网络中心性分析、模块识别及生物学功能注释的算法和规则以及统计学软件;
数据库服务器(D02)存储疾病名称和别名以及简介,药物名称和别名以及简介,疾病和药物有关的基因及其蛋白质名称和别名以及各数据库中的编号、定义的描述、功能、染色体定位、在细胞内的定位、所属的物种、生物学通路、进程、基因本位;分子间相互作用的名称、编号、类型、来源以及发生在细胞内的定位、所涉及的功能、参与的生物学进程;
所述数据库服务器(02)存放由用户终端(D05)联接Web服务器(04)下载或从实验结果获得、通过应用程序服务器标准化后得到的面向主题和应用的、集成化的数据库;
结果服务器(D03),存放应用程序服务器处理数据服务器得到的结果,内联应用程序服务器联和数据库服务器;
所述从结果服务器提取所需要的数据,实现对具体的药物治疗和副作用机理以及定量评价药物对疾病影响程度及其各治疗机制对疾病影响程度的操作。
10.根据权利要求9所述的系统或装置,其特征在于,所述系统进一步包括:数据获取方面、数据标准化方面、网络分析方面、生物学注释方面和统计学方面;
其中,所述数据获取方面是指通过Web服务器(D04)下载或从实验结果获得相关数据;数据标准化方面是指将从多途径获得的数据进行去除冗余、统一名称、编号和注释;网络分析方面是指网络映射、网络中心性分析以及网络中模块(复合物或通路)的识别;生物学注释方面是指对网络和网络模块进行基因本位、生物学通路和进程分类,以理解其生物学机制;统计学方面是指对网络和网络模块的中心值进行统计学分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410142492.8A CN104978474B (zh) | 2014-04-11 | 2014-04-11 | 一种基于分子网络的药效评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410142492.8A CN104978474B (zh) | 2014-04-11 | 2014-04-11 | 一种基于分子网络的药效评价方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104978474A true CN104978474A (zh) | 2015-10-14 |
CN104978474B CN104978474B (zh) | 2019-02-01 |
Family
ID=54274977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410142492.8A Expired - Fee Related CN104978474B (zh) | 2014-04-11 | 2014-04-11 | 一种基于分子网络的药效评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104978474B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292126A (zh) * | 2017-05-04 | 2017-10-24 | 浙江大学 | 一种中药对复杂性疾病所致“失和”网络整合调节作用的定量评价方法 |
CN108717862A (zh) * | 2018-04-10 | 2018-10-30 | 四川骏逸富顿科技有限公司 | 一种基于机器学习的智能审方开方模型 |
CN110503158A (zh) * | 2019-08-28 | 2019-11-26 | 山东健康医疗大数据有限公司 | 一种基于时间因素的药物疾病相关性分析方法 |
CN111164704A (zh) * | 2017-09-26 | 2020-05-15 | 国际商业机器公司 | 用于候选药物药物不良反应预测的作用机理推导 |
CN111785333A (zh) * | 2020-03-20 | 2020-10-16 | 赵洪磊 | 基于生物学网络数据的药物作用靶点筛选方法、装置、电子设备及存储介质 |
CN113440518A (zh) * | 2020-03-25 | 2021-09-28 | 江西青峰药业有限公司 | 一种穿心莲内酯类药物在制备治疗新型冠状病毒药物中的应用 |
-
2014
- 2014-04-11 CN CN201410142492.8A patent/CN104978474B/zh not_active Expired - Fee Related
Non-Patent Citations (4)
Title |
---|
CHEN GAO ET AL: "《IEEE International Symposium on It in Medicine&Education》", 15 September 2009 * |
GAO CHEN ET AL: "A network-based analysis of traditional Chinese medicine cold and hot patterns in rheumatoid arthritis", 《COMPLEMENTARY THERAPIES IN MEDICINE》 * |
李健等: "治疗类风湿关节炎中药方剂作用原理的网络药理学研究策略", 《中国实验方剂学杂志》 * |
陈杲等: "运用网络生物学方法分析双黄连日服液治疗甲型H1N1流感的药理机制", 《中医杂志》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292126A (zh) * | 2017-05-04 | 2017-10-24 | 浙江大学 | 一种中药对复杂性疾病所致“失和”网络整合调节作用的定量评价方法 |
CN107292126B (zh) * | 2017-05-04 | 2019-12-24 | 浙江大学 | 一种中药对复杂性疾病所致“失和”网络整合调节作用的定量评价方法 |
CN111164704A (zh) * | 2017-09-26 | 2020-05-15 | 国际商业机器公司 | 用于候选药物药物不良反应预测的作用机理推导 |
CN111164704B (zh) * | 2017-09-26 | 2024-06-25 | 国际商业机器公司 | 用于候选药物药物不良反应预测的作用机理推导 |
CN108717862A (zh) * | 2018-04-10 | 2018-10-30 | 四川骏逸富顿科技有限公司 | 一种基于机器学习的智能审方开方模型 |
CN110503158A (zh) * | 2019-08-28 | 2019-11-26 | 山东健康医疗大数据有限公司 | 一种基于时间因素的药物疾病相关性分析方法 |
CN111785333A (zh) * | 2020-03-20 | 2020-10-16 | 赵洪磊 | 基于生物学网络数据的药物作用靶点筛选方法、装置、电子设备及存储介质 |
CN111785333B (zh) * | 2020-03-20 | 2022-02-25 | 中国医学科学院阜外医院深圳医院 | 基于生物学网络数据的药物作用靶点筛选方法、装置、电子设备及存储介质 |
CN113440518A (zh) * | 2020-03-25 | 2021-09-28 | 江西青峰药业有限公司 | 一种穿心莲内酯类药物在制备治疗新型冠状病毒药物中的应用 |
Also Published As
Publication number | Publication date |
---|---|
CN104978474B (zh) | 2019-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hung et al. | An ai‐based prediction model for drug‐drug interactions in osteoporosis and Paget's diseases from smiles | |
Martínez et al. | DrugNet: Network-based drug–disease prioritization by integrating heterogeneous data | |
CN104978474A (zh) | 一种基于分子网络的药效评价方法及系统 | |
Chuang et al. | A decade of systems biology | |
Sun et al. | Analysis pipeline for the epistasis search–statistical versus biological filtering | |
Zhao et al. | Correction for population stratification in random forest analysis | |
CN112053742A (zh) | 分子靶标蛋白的筛选方法、装置、计算机设备和存储介质 | |
Wu et al. | Relating anatomical therapeutic indications by the ensemble similarity of drug sets | |
Li et al. | A gene-based information gain method for detecting gene–gene interactions in case–control studies | |
Ohandjo et al. | Transcriptome network analysis identifies CXCL13-CXCR5 signaling modules in the prostate tumor immune microenvironment | |
CN112735537A (zh) | 一种新的脑胶质瘤分子分型方法 | |
CN104508670A (zh) | 用于生成生物标志物签名的系统和方法 | |
Dimitrakopoulou et al. | Integromics network meta-analysis on cardiac aging offers robust multi-layer modular signatures and reveals micronome synergism | |
Mallik et al. | Towards integrated oncogenic marker recognition through mutual information‐based statistically significant feature extraction: an association rule mining based study on cancer expression and methylation profiles | |
Zhang et al. | LncRNA-mRNA co-expression analysis discovered the diagnostic and prognostic biomarkers and potential therapeutic agents for myocardial infarction | |
Gaire et al. | Discovery and analysis of consistent active sub-networks in cancers | |
Zhang et al. | A novel heterophilic graph diffusion convolutional network for identifying cancer driver genes | |
CN117253537A (zh) | 一种基于网络药理学及分子对接分析葡甘聚糖抗高血脂症作用机制的方法 | |
Deng et al. | Multi‐omics integration reveals a core network involved in host defence and hyperkeratinization in psoriasis | |
Qin et al. | Drug Repurposing for Newly Emerged Diseases via Network‐based Inference on a Gene‐disease‐drug Network | |
Gong et al. | [Retracted] Recognition of Key Genes in Human Anaplastic Thyroid Cancer via the Weighing Gene Coexpression Network | |
Gómez-Villegas et al. | A Bayesian decision procedure for testing multiple hypotheses in DNA microarray experiments | |
Minguez et al. | Functional genomics and networks: new approaches in the extraction of complex gene modules | |
Young et al. | Recursive partitioning analysis of complex disease pharmacogenetic studies. I. Motivation and overview | |
Tsiliki et al. | On integrating multi-experiment microarray data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190201 Termination date: 20200411 |
|
CF01 | Termination of patent right due to non-payment of annual fee |