CN110286233A - 一种生物标志物代谢通路及分析方法与应用 - Google Patents

一种生物标志物代谢通路及分析方法与应用 Download PDF

Info

Publication number
CN110286233A
CN110286233A CN201910567765.6A CN201910567765A CN110286233A CN 110286233 A CN110286233 A CN 110286233A CN 201910567765 A CN201910567765 A CN 201910567765A CN 110286233 A CN110286233 A CN 110286233A
Authority
CN
China
Prior art keywords
biological marker
target
metabolism
signal path
metabolism biological
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
Application number
CN201910567765.6A
Other languages
English (en)
Other versions
CN110286233B (zh
Inventor
高耀
秦雪梅
田俊生
令狐婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanxi University
Original Assignee
Shanxi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanxi University filed Critical Shanxi University
Priority to CN201910567765.6A priority Critical patent/CN110286233B/zh
Publication of CN110286233A publication Critical patent/CN110286233A/zh
Application granted granted Critical
Publication of CN110286233B publication Critical patent/CN110286233B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G01N33/6893—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids related to diseases not provided for elsewhere
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/30—Psychoses; Psychiatry
    • G01N2800/304—Mood disorders, e.g. bipolar, depression

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Urology & Nephrology (AREA)
  • Hematology (AREA)
  • Immunology (AREA)
  • Biotechnology (AREA)
  • Analytical Chemistry (AREA)
  • Cell Biology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Microbiology (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明属于疾病代谢生物标志物功能分析方法技术领域，提供一种生物标志物代谢通路及分析方法。所述代谢生物标志物为：硬脂酸、植物鞘氨醇、甘氨酸、谷氨酰胺和磷脂；所述代谢生物标志物的作用靶点为与抑郁症疾病神经系统、免疫应答和内分泌有关的目标蛋白；所述代谢通路为PI3K‑Akt信号通路、mTOR信号通路、MAPK信号通路、erbB信号通路、神经营养素信号通路、Rap1信号通路和Ras信号通路。建立了一种适合抑郁症疾病特点的功能网络分析方法，这些生物标志物在临床上的应用有助于优化抑郁症的诊断，可为后续的抑郁症疾病网络功能研究提供一些有价值的线索。

Description

一种生物标志物代谢通路及分析方法与应用
技术领域
本发明属于疾病代谢生物标志物功能分析方法技术领域，涉及一种生物标志物代谢通路及分析方法与应用，具体为一种基于网络药理学的抑郁症代谢生物标志物代谢通路及分析方法。
背景技术
代谢组学是继基因组学、转录组学和蛋白质组学之后，一门迅速发展的组学技术，是系统生物学的重要组成部分。整体性是代谢组学理论的基本观点，主要是通过核磁共振、质谱联用等技术手段来研究生物体系受刺激或扰动后代谢产物的变化及其规律。这些代谢产物水平的变化与相关代谢途径有重要关联，通过研究代谢物水平以及相关代谢途径的变化，可以从整体上了解机体的变化，从而为疾病的准确诊断及阐释药物的作用机制提供科学依据。目前，代谢组学研究方法已广泛应用于各类精神神经疾病的病理机制和药物作用机制的研究。此外，目前基于代谢组学进行活性筛选的概念已经对生物学产生了广泛的影响。
抑郁症是以情绪异常低落为主要临床表现的精神疾病，严重者可能导致自杀，具有发病率、复发率、致残率高等特点，到2020年将成为全球仅次于缺血性心脏病的第二位疾病负担源，其危害已引起全世界医药卫生界的重视。目前上市的抗抑郁西药种类和机制有限，且都有一定的不足。前期临床试验数据表明，逍遥散可以显著治疗抑郁症。逍遥散对神经递质、血浆皮质醇、免疫蛋白的含量有影响，也通过调节海马及杏仁核上的相关受体，达到保护神经元的作用，还具有调节HPA 轴的功能，起到抗抑郁作用。然而，抑郁症代谢生物标志物功能尚不完全清晰。故而，一种能够明确抑郁症代谢生物标志物功能分析方法急待研究。
发明内容
本发明旨在克服上述缺陷，提供一种生物标志物代谢通路及分析方法与应用。
本发明由如下技术方案实现的：一种生物标志物代谢通路，所述代谢生物标志物为：硬脂酸、植物鞘氨醇、甘氨酸、谷氨酰胺和磷脂；所述代谢生物标志物的作用靶点为与抑郁症神经系统、免疫应答和内分泌有关的目标蛋白；所述代谢通路为PI3K-Akt信号通路、mTOR信号通路、MAPK信号通路、ErbB信号通路、神经营养素信号通路、Rap1信号通路和Ras信号通路。
所述代谢生物标志物的作用靶点即目标蛋白为：TP53、IL1B、TNF、PTEN、HLA-DRB1、MTOR、HRAS、INS和PIK3CA，共9种蛋白，作为抑郁症药物的靶点。
一种分析所述的生物标志物代谢通路的方法，步骤如下：
（1）抑郁症代谢标志物的归纳与分析：从人类代谢组学数据库HMDB中收集抑郁症代谢生物标志物的信息和与代谢生物标志物相关的酶，化合物结构从PubChem下载，酶蛋白功能类别从UniProt数据库中提取；从DrugBank检索到FDA批准的用于神经系统、免疫反应和内分泌的药物及其靶点；从Genecard、OMIM和TTD中收集抑郁症相关蛋白；所有的目标蛋白分为神经系统相关，免疫相关和内分泌相关的三类；
（2）抑郁症代谢生物标志物-酶网络分析：用Cytoscape的网络分析仪模块计算节点的网络中心度即代谢生物标志物和酶；用中心度来评价节点在网络中的重要性；在无向网络中，度被定义为相邻节点的数目；
（3）代谢生物标志物-靶点网络分析：采用分子对接的方法模拟生物标志物与靶点的相互作用；绘制出代谢生物标志物-靶标网络；
（4）代谢生物标志物关键通路筛选与分析：从京都基因和基因组百科全书 KEGG中检索到与目标相关的通路，一个代谢生物标记物可与多个靶点相互作用，一个靶点可参与多个途径；定义一种加权多药学指数DSWP：
；
其中DS BiTj 是代谢生物标记物 B i 与靶蛋白 T j 的结合能，TP k 是参与P k 途径的一组靶蛋白。N和M分别是代谢生物标志物数量和靶点的数量。
步骤（3）中代谢生物标志物-靶点网络分析具体方法为：在RCSB Protein DataBank http://www.rcsb.org中，若蛋白质具有多个三维结构时，选择最合适的结构有如下标准：具有更完整肽链的结构、高分辨率的结构、更好的配位体结构；使用SystemsDockhttp://systemsdock.unit.oist.jp/，采用如下步骤来进行基于网络药理学的预测和分析：(1)通过各选项指定目标蛋白；(2)通过交互式分子可视化工具确定结合位点；(3)准备代谢生物标记物进行测试；(4)进行对接模拟并评估结果，由SystemsDock计算的对接得分被用来评估代谢生物标记物与目标蛋白之间的亲和力；
所述对接得分的阈值为5.5 2 (pK d) ，相当于3μM的解离常数 (K d) ，大于该阈值的对接得分被认为与目标蛋白具有良好的亲和力；预测分数在4.82~6.11 (pK d)范围内，准确率80%~83%；上述范围作为后续分析的结果；将一个代谢生物标志物和相应的靶标放入一个表格中，并将其导入Cytoscape中，绘制出代谢生物标志物-靶标网络。
运用Student 's T-test统计分析方法，判断差异代谢物是否具有统计学意义。
所述代谢产物为代谢物为糖类代谢物、脂质类代谢物和氨基酸类代谢物。
本发明由于采取以上技术方案，开发了相关的抑郁症代谢生物标志物功能分析方法。本发明方法针对代谢生物标志物功能分析这一问题，建立了一种适合抑郁症疾病特点的功能网络分析方法，这些生物标志物在临床上的应用有助于优化抑郁症的诊断，可为后续的抑郁症疾病网络功能研究提供一些有价值的线索。
附图说明
图1为抑郁症代谢生物标志物-蛋白的神经系统网络。椭圆和三角形分别代表代谢生物标志物和靶标。节点的颜色显示了目标和三个系统之间的相关性。如果目标仅与一个系统相关，则颜色为蓝色。如果目标与神经系统、免疫反应、神经系统与内分泌或免疫反应与内分泌有关，则颜色分别为黄色、紫色和绿色。如果一个目标和这三个系统都相关，颜色就是红色。
图2为抑郁症代谢生物标记物-蛋白的免疫应答网络。椭圆和三角形分别代表代谢生物标志物和靶标。节点的颜色显示了目标和三个系统之间的相关性。如果目标仅与一个系统相关，则颜色为蓝色。如果目标与神经系统、免疫反应、神经系统与内分泌或免疫反应与内分泌有关，则颜色分别为黄色、紫色和绿色。如果一个目标和这三个系统都相关，颜色就是红色。
图3为抑郁症代谢生物标志物-靶点的内分泌网络。椭圆和三角形分别代表代谢生物标志物和靶标。节点的颜色显示了目标和三个系统之间的相关性。如果目标仅与一个系统相关，则颜色为蓝色。如果目标与神经系统、免疫反应、神经系统与内分泌或免疫反应与内分泌有关，则颜色分别为黄色、紫色和绿色。如果一个目标和这三个系统都相关，颜色就是红色。
具体实施方式
为了对本发明进行更进一步的详细描述，给出以下具体实施例，但仅作为阐明本发明，而不是为了限制本发明的范围。
一、抑郁症代谢生物标志物-酶网络分析
确定的抑郁症代谢生物标志物的信息和结构来自人类代谢组学数据库(HMDB)，这些化合物的结构是从PubChem下载的。HMDB也收集了与代谢生物标志物相关的酶，而这些蛋白的功能类别是从UniProt数据库中提取的。用Cytoscape的网络分析仪模块计算节点的网络中心度(代谢生物标志物和酶)。用中心度来评价节点在网络中的重要性。在无向网络中，度被定义为相邻节点的数目。例如，一个节点是酶的度就是与该酶相关的代谢生物标记物的数量，反之亦然。度中心度是进行网络分析的一个较好的评价指标。
我们总结了抑郁症36个代谢组学生物标记物和酶的信息。大多数酶属于水解酶、转移酶和酰基转移酶，这与我们以前的研究结果一致，即潜在的生物标志物主要涉及能量代谢、氨基酸代谢、肠道微生物代谢、甘油磷脂代谢和鞘磷脂代谢。抑郁症的发病机制可能与这些生物学过程的代谢紊乱有关。
在代谢生物标志物-酶网络中，节点是代谢的生物标记物和酶，边缘是中它们之间的关系。同时，一些浓度上调而另一些下调的生物标志物，其相关酶聚集在一起形成一个巨大的簇，这意味着这些生物标志物和酶相互作用。表1和表2分别列出了通过网络分析筛选出的关键酶和生物标记物。胞浆型磷脂酶A2 (CPLA2)是多不饱和脂肪酸代谢和PGE2合成的关键酶，已被认为在动物研究中情绪稳定剂的作用模式中起关键作用。在抑郁症患者的外周血细胞中，编码COX-2的基因的mRNA表达显著增加。
大多数关键酶是磷脂酶A2家族的成员。不同的磷脂酶A2类型与抑郁症28的躯体症状有关。已有报道称磷脂酶A2基因的遗传变异增加了干扰素-α诱导的抑郁的风险。磷脂酶A2抑制剂对炎症性疾病有潜在的治疗作用。二十碳五烯酸 (EPA) 在临床抗抑郁中的作用。PAE还发现，在韩国人群中，PLA2 Bani多态性的相同G等位基因增加了患抑郁症的风险。慢性轻度应激 (CMS) 增加了酰基蛋白硫酯酶2 (APT-2)的水平，而APT-2被CMS和油酰胺处理所改变的APT-2的鉴定为针对这些蛋白开发新的抑郁症治疗方法提供了支持。目前尚无文献报道乙酰水解酶与抑郁症的关系，这可能是一个新的研究热点。
与抑郁症代谢生物标志物中十多种酶相关联的14个代谢生物标志物 (表2)。大多数代谢生物标志物浓度下调，其中硬脂酸、植物鞘氨醇、谷氨酰胺和磷脂含量上调。众所周知，脂肪酸是人体生产和储存的重要来源。乙酰辅酶A (CoA) 是由β-脂肪酸氧化产生的，在三磷酸腺苷 (TCA) 循环中可产生三磷酸腺苷 (ATP)，也可转化为酮体储存在肾脏和肝脏中。抑郁症患者血浆中硬脂酸浓度明显升高，可能导致脂肪酸转运的一定程度的阻滞和TCA循环的抑制，最终影响整个能量代谢过程。这与以前的研究结果是一致的。草酸和硬脂酸的AUC>0.7，具有较高的临床诊断价值。因此，硬脂酸可作为抑郁症的诊断指标。
大多数生物标志物为长链脂肪酸和植物鞘氨醇，表明脂质代谢紊乱是抑郁症的重要发病机制。这些脂质生物标志物参与了甘油磷脂代谢、磷脂生物合成和鞘脂代谢。植物鞘氨醇参与多种细胞过程，包括细胞与细胞的相互作用、细胞增殖、分化、细胞凋亡等。溶血性磷脂酰胆碱水平的升高也增加了氧化应激，这是抑郁症发病机制中的一个重要因素。
谷氨酰胺及其相关酶是代谢标志酶网络的一个独立的组成部分，表明谷氨酰胺在抑郁症的发病机制中可能起着独立的作用。谷氨酰胺是谷氨酸的主要前体。它诱导神经毒性，并与抑郁症的神经生物学有关，如果过度释放。谷氨酰胺和谷氨酸在神经元和星形胶质细胞之间相互转化，这是谷氨酰胺稳态所必需的。因此，血浆中谷氨酰胺的增加可能是一种代偿性适应以对抗谷氨酸所致的神经毒性。我们发现抑郁症患者经逍遥散治疗后血浆谷氨酰胺水平恢复正常。
表 1. 抑郁症代谢生物标志物筛选关键酶
表 2. 网络拓扑分析筛选抑郁症关键代谢物
趋势: 抑郁症患者先比健康对照者的代谢产物浓度的变化。
二、代谢生物标志物-靶点网络分析：
确定的抑郁症代谢生物标志物的信息和结构来自人类代谢组学数据库(HMDB)，这些化合物的结构是从PubChem下载的。HMDB也收集了与代谢生物标志物相关的酶，而这些蛋白的功能类别是从UniProt数据库中提取的。从不同来源收集了与神经系统、免疫应答和内分泌有关的目标蛋白。FDA批准的用于神经系统、免疫反应和内分泌的药物及其靶点是从DrugBank检索到的。从Genecard、OMIM和TTD中收集抑郁症相关蛋白。最后，我们从文献中手工搜索目标蛋白。所有的目标蛋白分为三类(神经系统相关，免疫相关和内分泌相关)。
采用分子对接的方法模拟了生物标志物与靶分子的相互作用。在RCSB ProteinData Bank (http://www.rcsb.org) 中，当一个蛋白质具有多个三维结构时，选择最合适的结构有几个标准，包括具有更完整肽链的结构、高分辨率的结构、更好的配位体结构。使用SystemsDock (http://systemsdock.unit.oist.jp/)，包括：(1)通过各种选项指定目标蛋白；(2)通过交互式分子可视化工具确定结合位点；(3)准备代谢生物标志物进行测试，包括四个步骤来进行基于网络药理学的预测和分析。(4)进行对接模拟并评估结果。由systemsDock计算的对接得分被用来评估代谢生物标记物与目标蛋白之间的亲和力。
用Cytoscape的网络分析仪模块计算节点的网络中心度(代谢生物标志物和酶)。用中心度来评价节点在网络中的重要性。在无向网络中，度被定义为相邻节点的数目。例如，一个节点是酶的度就是与该酶相关的代谢生物标记物的数量，反之亦然。度中心度是进行网络分析的一个较好的评价指标。对接得分的阈值为5.5 2 (pK d) ，相当于3μM的解离常数 (K d) ，大于该阈值的对接得分被认为与目标蛋白具有良好的亲和力。预测分数在4.82~6.11 (pK d)范围内，准确率为80%~83%。将一个代谢生物标志物和相应的靶标放入一个表格中，并将其导入Cytoscape中，绘制出代谢生物标志物-靶点网络。
这17种蛋白质将成为治疗抑郁症的重要药物靶点。通过分子对接，计算了每种生物标志物与靶蛋白的亲和力。与抑郁症代谢生物标志物-靶点一样，代谢标记-靶点网络(MBTN)也是由cytoscape构建的(图1、图2和图3)。在MBTN中，节点代表代谢生物标志物和靶点，如果对接分数满足阈值，边缘就是它们之间的交互作用。代谢生物标志物将目标连接到一个高度相互关联的簇中。为了分析代谢生物标记物与靶标之间的关系，我们测量了中心度。
神经系统的MBTN (图1) 由91个节点 (78个目标蛋白，13个代谢生物标记物)和232个边缘组成。以17.85个靶蛋白为靶点，每个靶蛋白平均结合2.97个代谢标志物。免疫系统的MBTN (图2) 由50个节点 (37个目标，13个代谢生物标记物) 和107个边缘组成。目标蛋白平均为8.23个，每个目标蛋白平均结合2.89个代谢生物标志物。内分泌的MBTN (图3) 由78个结节 (67个靶点，11个代谢生物标记物)和175个边缘组成。目标蛋白平均为15.91个，每个目标蛋白平均结合2.61个代谢生物标志物。
在三个抑郁症代谢物-靶蛋白中，尿素、LPC16：1和LPC18：0的中心度最高。这三种代谢标志物相互作用的靶蛋白数目分别为68、33、61、40、18、25、29、13、20个，分别与神经系统、免疫反应和内分泌有关。这些代谢生物标志物将是值得注意的，因为被极大地丰富了化合物的自由度。它们属于有机酸或甘油磷脂类，其在抑郁症发病机制中的作用有待进一步研究。
这三个系统中共有9种蛋白质，它们在这3种MBTNs中起着重要的作用。P04637 (肿瘤蛋白p53)，P01584 (白细胞介素1β)，P01375 (肿瘤坏死因子)，P60484 (磷酸酶和Tensin同源)，P01911 (主要组织相容性复合物，II类，DRβ1)，P42345 (雷帕霉素激酶的机制靶点)，P01112 (HRAs原癌基因，GTPase)，P01308 (胰岛素)，P42336 (磷脂酰肌醇-4，5-二磷酸-3-激酶催化亚基α)广泛参与神经系统、免疫应答和内分泌的调节。肿瘤蛋白p53 (TP53)基因小等位基因72C对MDD的保护作用。细胞存活和死亡调节机制的中断可能与MDD的病理生理有关。促炎细胞因子IL-1β(IL-1β)和肿瘤坏死因子 (TNF)在抑郁症的发病机制中起重要作用。Liu提供的证据表明，PTEN基因的rs701848、rs2735343和rs112025902多态性可能与中国人患抑郁和抑郁症状的风险相关。主要组织相容性复合体 (HLA-DRB1) 通过呈现来自细胞外蛋白的多肽在免疫系统中发挥着中心作用。HRAS原癌基因 (HRAS) 可以编码信号转导通路中的某些基因。这些蛋白能够结合GTP和GDP，具有内在的GTPase活性。雷帕霉素激酶(MTOR)的机制靶点是一种丝氨酸/苏氨酸激酶，它调节蛋白质翻译的起始。Li报告说，前额叶皮质mTOR的激活是氯胺酮抗抑郁作用的基础。一些病例研究还报告说，氯胺酮治疗后抑郁症患者的外周血中mTOR被激活。抗氧化剂α硫辛酸已被证明能增加胰岛素 (INS)的敏感性，并已被用于治疗糖尿病人。因此，营养α硫辛酸应作为一种辅助治疗抑郁症临床试验。磷脂酰肌醇-4，5-二磷酸-3-激酶催化亚基α异构体 (PIK3CA)抑制剂用于双相情感障碍和抑郁症49例。因此，这9种蛋白质可能是抑郁症的重要靶点。
三、代谢生物标志物关键通路筛选与分析：
从京都基因和基因组百科全书 (KEGG)中检索到与目标相关的通路。一个代谢生物标记物可以与多个靶点相互作用，一个靶点可以参与多个途径。由于难以确定代谢生物标记物对通路的影响，我们定义了一种加权多效学指数(DSWP)：
；
其中DS BiTj 是代谢生物标记物 B i 与靶蛋白 T j 的结合能，TP k 是参与P k 途径的一组靶蛋白。N和M分别是代谢生物标志物数量和靶点的数量。
一种化合物与几个蛋白相互作用是很常见的。多靶点药物能提高疗效，减少副作用50%。同时，一个目标可能参与许多途径 (生物过程)。生物过程的路径是一个具有特定功能的最小系统。通过定义一个对接得分加权多效学指数可以评价途径的重要性。通常，代谢生物标记物能结合的靶点越多，DCWP就越大。也就是说，DCWP是一个生物过程代谢工程生物标志物的多药理学指标。
与神经系统、免疫应答和内分泌有关的指标分别为105、113和125条通路。表3列出了每个系统BEWP最大的前十条路径。最显著的信号通路是hsa04151 (PI3K-Akt信号通路)和hsa04150 (mTOR信号通路)，它们都与神经系统、免疫应答和内分泌有关。hsa04151途径通过磷酸化下游蛋白来控制细胞的转录、翻译、增殖、生长和存活等关键过程。hsa04150通路整合了细胞内和细胞外的信号，并控制新突触连接所需的蛋白质合成。它参与海马依赖性的长时记忆巩固，并在神经发生需要时调节新的突触前或突触后蛋白合成。最近的研究支持这样的假设，即重度抑郁障碍可能是mTOR依赖的翻译调节中断的结果。另外5条信号通路hsa04010 (MAPK信号通路)、hsa04012 (ErbB信号通路)、hsa04722 (神经营养素信号通路)、hsa04015 (Rap1信号通路)和hsa04014 (Ras信号通路)与神经系统、免疫反应和内分泌中的任意两种信号通路有关。这些通路可能与抑郁症的发病机制密切相关，值得进一步研究。
表 3. 神经系统、免疫反应和内分泌的Top 10 通路
a、b、c：该通路分别与神经系统、免疫应答和内分泌有关。
本实施例鉴定的36个代谢标志的基础上，从HMDB中找到了相关的酶。磷脂酶A2、乙酰水解酶和硫代酯酶等属于水解酶、转移酶和酰基转移酶的关键酶在抑郁症的发病机制中可能起着重要的作用。其中硬脂酸、植物鞘氨醇、甘氨酸、谷氨酰胺和磷脂是最重要的代谢标志。
抑郁症的发病主要与神经系统、免疫反应和内分泌有关。收集这三个系统的目标蛋白，采用分子对接的方法计算每一种生物标志物与每种蛋白质的亲和力。本实施例发现9种蛋白(TP53、IL1B、TNF、PTEN、HLA-DRB1、MTOR、HRAS、INS和PIK3CA) 广泛参与神经系统、免疫反应和内分泌活动，可能成为抑郁症的药物靶点。采用对接得分加权多效学指数筛选PI3K-Akt信号通路、mTOR信号通路和其他5条通路。这项工作将提供一个新的洞察力之间的代谢生物标志物与抑郁症的发病机制。

Claims (6)

1.一种生物标志物代谢通路，其特征在于：所述代谢生物标志物为：硬脂酸、植物鞘氨醇、甘氨酸、谷氨酰胺和磷脂；所述代谢生物标志物的作用靶点为与抑郁症疾病神经系统、免疫应答和内分泌有关的目标蛋白；所述代谢通路为PI3K-Akt信号通路、mTOR信号通路、MAPK信号通路、ErbB信号通路、神经营养素信号通路、 Rap1信号通路和Ras信号通路。
2.根据权利要求1所述的一种生物标志物代谢通路，其特征在于：所述代谢生物标志物的作用靶点即目标蛋白为：TP53、IL1B、TNF、PTEN、HLA-DRB1、MTOR、HRAS、INS和PIK3CA，共9种蛋白，作为抑郁症药物的靶点。
3.一种分析权利要求1或2所述的生物标志物代谢通路的方法，其特征在于：步骤如下：
（1）抑郁症代谢标志物的归纳与分析：从人类代谢组学数据库HMDB中收集抑郁症代谢生物标志物的信息和与代谢生物标志物相关的酶，化合物结构从PubChem下载，酶蛋白功能类别从UniProt数据库中提取；从DrugBank检索到FDA批准的用于神经系统、免疫反应和内分泌的药物及其靶点；从Genecard、OMIM和TTD中收集抑郁症相关蛋白；所有的目标蛋白聚在一起，分为神经系统相关，免疫相关和内分泌相关的三类；
（2）抑郁症代谢生物标志物-酶网络分析：用Cytoscape的网络分析仪模块计算节点的网络中心度即代谢生物标志物和酶；用中心度来评价节点在网络中的重要性；在无向网络中，度被定义为相邻节点的数目；
（3）代谢生物标志物-靶点网络分析：采用分子对接的方法模拟生物标志物与靶点的相互作用；绘制出代谢生物标志物-靶标网络；
（4）代谢生物标志物关键通路筛选与分析：从京都基因和基因组百科全书 KEGG中检索到与目标相关的通路，一个代谢生物标记物可与多个靶点相互作用，一个靶点可参与多个途径；定义一种加权多药学指数DSWP：
；
其中DS BiTj 是代谢生物标记物 B i 与靶蛋白 T j 的结合能，TP k 是参与P k 途径的一组靶蛋白；N和M分别是代谢生物标志物数量和靶点的数量。
4.根据权利要求3所述的分析生物标志物代谢通路的方法，其特征在于：步骤（3）中代谢生物标志物-靶点网络分析具体方法为：在RCSB Protein Data Bank http://www.rcsb.org中，若蛋白质具有多个三维结构时，选择最合适的结构有如下标准：具有更完整肽链的结构、高分辨率的结构、更好的配位体结构；使用SystemsDock http://systemsdock.unit.oist.jp/，采用如下步骤来进行基于网络药理学的预测和分析：(1)通过各选项指定目标蛋白；(2)通过交互式分子可视化工具确定结合位点；(3)准备代谢生物标记物进行测试；(4)进行对接模拟并评估结果，由SystemsDock计算的对接得分被用来评估代谢生物标记物与目标蛋白之间的亲和力；
所述对接得分的阈值为5.5 2 (pK d) ，相当于3μM的解离常数 (K d) ，大于该阈值的对接得分被认为与目标蛋白具有良好的亲和力；预测分数在4.82~6.11 (pK d)范围内，准确率为80%~83%；上述范围作为后续分析的结果；将一个代谢生物标志物和相应的靶标放入一个表格中，并将其导入Cytoscape中，绘制出代谢生物标志物-靶标网络。
5.根据权利要求3所述的分析生物标志物代谢通路的方法，其特征在于：运用Student's T-test统计分析方法，判断差异代谢物是否具有统计学意义。
6.根据权利要求3所述的分析生物标志物代谢通路的方法，其特征在于：所述代谢产物为代谢物为糖类代谢物、脂质类代谢物和氨基酸类代谢物。
CN201910567765.6A 2019-06-27 2019-06-27 一种生物标志物代谢通路及分析方法与应用 Active CN110286233B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910567765.6A CN110286233B (zh) 2019-06-27 2019-06-27 一种生物标志物代谢通路及分析方法与应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910567765.6A CN110286233B (zh) 2019-06-27 2019-06-27 一种生物标志物代谢通路及分析方法与应用

Publications (2)

Publication Number Publication Date
CN110286233A true CN110286233A (zh) 2019-09-27
CN110286233B CN110286233B (zh) 2021-07-27

Family

ID=68019278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910567765.6A Active CN110286233B (zh) 2019-06-27 2019-06-27 一种生物标志物代谢通路及分析方法与应用

Country Status (1)

Country Link
CN (1) CN110286233B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114002421A (zh) * 2021-12-30 2022-02-01 佛山市第三人民医院(佛山市精神卫生中心) 外泌体代谢物作为双相情感障碍标志物的应用
CN114420200A (zh) * 2022-01-19 2022-04-29 时代生物科技（深圳）有限公司 一种功能性肽的筛选方法
CN114927168A (zh) * 2022-05-31 2022-08-19 四川大学 一种生物力学调控骨改建文本挖掘交互网站构建方法
CN115035947A (zh) * 2022-06-10 2022-09-09 水木未来(北京)科技有限公司 蛋白质结构建模方法及装置、电子设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150490A (zh) * 2013-02-20 2013-06-12 浙江大学 用于发现中药活性成分及其作用靶点的网络药理学方法
US20170270254A1 (en) * 2016-03-18 2017-09-21 Northeastern University Methods and systems for quantifying closeness of two sets of nodes in a network
CN109411032A (zh) * 2017-10-18 2019-03-01 中粮营养健康研究院有限公司 食药用植物的功能成分评估方法及机器可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150490A (zh) * 2013-02-20 2013-06-12 浙江大学 用于发现中药活性成分及其作用靶点的网络药理学方法
US20170270254A1 (en) * 2016-03-18 2017-09-21 Northeastern University Methods and systems for quantifying closeness of two sets of nodes in a network
CN109411032A (zh) * 2017-10-18 2019-03-01 中粮营养健康研究院有限公司 食药用植物的功能成分评估方法及机器可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周文霞 等: "网络药理学研究中的网络构建技术", 《国际药学研究杂志》 *
赵蕾 等: "基于网络药理学的百合地黄汤干预心理亚健康作用机制研究", 《药学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114002421A (zh) * 2021-12-30 2022-02-01 佛山市第三人民医院(佛山市精神卫生中心) 外泌体代谢物作为双相情感障碍标志物的应用
CN114420200A (zh) * 2022-01-19 2022-04-29 时代生物科技（深圳）有限公司 一种功能性肽的筛选方法
CN114927168A (zh) * 2022-05-31 2022-08-19 四川大学 一种生物力学调控骨改建文本挖掘交互网站构建方法
CN114927168B (zh) * 2022-05-31 2023-08-29 四川大学 一种生物力学调控骨改建文本挖掘交互网站构建方法
CN115035947A (zh) * 2022-06-10 2022-09-09 水木未来(北京)科技有限公司 蛋白质结构建模方法及装置、电子设备和存储介质
CN115035947B (zh) * 2022-06-10 2023-03-10 水木未来(北京)科技有限公司 蛋白质结构建模方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN110286233B (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
CN110286233A (zh) 一种生物标志物代谢通路及分析方法与应用
Ferraro et al. Fatty acid synthesis is required for breast cancer brain metastasis
Dauth et al. Neurons derived from different brain regions are inherently different in vitro: a novel multiregional brain-on-a-chip
Stoll et al. Aging neural progenitor cells have decreased mitochondrial content and lower oxidative metabolism
Li et al. Metabolomics in patients with psychosis: a systematic review
Pellerin et al. Lovastatin corrects ERK pathway hyperactivation in fragile X syndrome: potential of platelet’s signaling cascades as new outcome measures in clinical trials
Lord et al. Transcriptomic analysis of human primary breast cancer identifies fatty acid oxidation as a target for metformin
Wu et al. Icaritin provides neuroprotection in Parkinson’s disease by attenuating neuroinflammation, oxidative stress, and energy deficiency
Yang et al. Integrated metabolomics and proteomics analysis revealed second messenger system disturbance in hippocampus of chronic social defeat stress rat
Wu et al. Nerve growth factor receptor increases the tumor growth and metastatic potential of triple-negative breast cancer cells
Apostolatos et al. Inhibition of atypical protein kinase C‑ι effectively reduces the malignancy of prostate cancer cells by downregulating the NF-κB signaling cascade
CN108414635A (zh) 一种基于细胞代谢组学的甜茶素抗脂毒性的差异代谢物代谢通路及研究方法
Wang et al. A urinary metabolomic study from subjects after long-term occupational exposure to low concentration acrylamide using UPLC-QTOF/MS
Zhao et al. Integrative proteomics–metabolomics strategy for pathological mechanism of vascular depression mouse model
Ajith et al. Mass spectrometry imaging deciphers dysregulated lipid metabolism in the human hippocampus affected by temporal lobe epilepsy
Esterhuizen et al. One mutation, three phenotypes: novel metabolic insights on MELAS, MIDD and myopathy caused by the m. 3243A> G mutation
Kim et al. TRPC6-mediated ERK1/2 activation increases dentate granule cell resistance to status epilepticus via regulating Lon protease-1 expression and mitochondrial dynamics
Shi et al. Molecular and metabolic mechanisms of bufalin against lung adenocarcinoma: New and comprehensive evidences from network pharmacology, metabolomics and molecular biology experiment
Lv et al. UPLC-LTQ-Orbitrap-Based cell metabolomics and network pharmacology analysis to reveal the potential antiarthritic effects of pristimerin: in vitro, in silico and in vivo study
Zhang et al. Comparative proteomic characterization of ventral hippocampus in susceptible and resilient rats subjected to chronic unpredictable stress
Montasser et al. An Amish founder population reveals rare-population genetic determinants of the human lipidome
Yi et al. The bioinformatics and metabolomics research on anti-hypoxic molecular mechanisms of Salidroside via regulating the PTEN mediated PI3K/Akt/NF-κB signaling pathway
Kim et al. AMPA receptor antagonists facilitate NEDD4-2-mediated GRIA1 ubiquitination by regulating PP2B-ERK1/2-SGK1 pathway in chronic epilepsy rats
Perpiñá-Clérigues et al. Lipidomic landscape of circulating extracellular vesicles isolated from adolescents exposed to ethanol intoxication: a sex difference study
Basu et al. Nevospheres from neurocutaneous melanocytosis cells show reduced viability when treated with specific inhibitors of NRAS signaling pathway

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant