基于网络药理学与分子对接技术揭示黄芩苷干预阿尔茨海默病的潜在作用机制及信号通路研究

阿尔茨海默病属于逐渐发展的神经退行性疾病，临床常见的表现有记忆力下降、认知能力受损以及行为异常等情况。这些症状严重影响患者生活，同时也给社会带来不小负担。目前临床所用药物大多只能起到缓解症状的作用，还不存在可以有效阻止或者逆转病情发展的根本治疗办法。

中药黄芩当中的主要活性成分黄芩苷，具有明显的抗炎、抗氧化和神经保护作用，所以近年来受到较多关注。传统中药研究大多依靠经验总结以及整体效果观察，很难深入揭示其作用在分子层面的机制。网络药理学是系统生物学的重要分支内容，它通过搭建“药物 - 成分 - 靶点 - 疾病”的多维网络模型，可以系统分析中药复方或者单一成分在多靶点、多通路的协同作用特征，给现代中药研究提供了新的理论支撑。分子对接技术借助计算机模拟小分子化合物和生物大分子靶点的相互作用，能够从结构生物学角度对活性成分与关键靶点的结合能力进行验证。

本研究把网络药理学和分子对接这两种方法结合起来开展。先是通过多个权威数据库筛选黄芩苷的作用靶点与阿尔茨海默病相关基因，然后利用STRING数据库构建蛋白质相互作用网络，之后借助DAVID等工具开展GO功能富集分析和KEGG通路富集分析，从而初步找出黄芩苷干预阿尔茨海默病的核心靶点和关键信号通路。接下来使用AutoDock等分子对接软件对筛选出的核心靶点进行验证，进一步明确黄芩苷和关键靶蛋白的结合模式以及亲和力。这种研究方式能够系统揭示黄芩苷干预阿尔茨海默病的潜在分子机制，并且可以为后续实验提供重要的理论和数据方面的支持。深入研究黄芩苷的作用靶点网络，有很大可能为开发基于中药活性成分的阿尔茨海默病防治药物提供新的思路以及科学依据，还能够为传统中药的现代化研究提供具有参考价值的方法学范例。

本研究在筛选黄芩苷活性成分和阿尔茨海默病（AD）靶点时，遵循系统性和科学性原则，这么做是为了保证后续分析能够可靠且准确。活性成分筛选阶段主要关注黄芩苷，黄芩苷是从传统中药黄芩的干燥根部提取出来的，其化学结构属于黄酮类化合物，它的分子式为C21H18O11。为了验证黄芩苷在体内的活性潜力，利用中药系统药理学数据库与分析平台（TCMSP）来检索其ADME属性，把口服生物利用度（OB）大于或等于30%、类药性（DL）大于或等于0.18设定为筛选的阈值。经过确认，黄芩苷是符合这个标准的，这表明黄芩苷具有成药性和生物利用度，能够为后续的机制研究提供物质基础。

在进行AD靶点筛选的时候，整合了DisGeNET、OMIM、GeneCards等多个权威的疾病数据库资源，以“Alzheimer's Disease”作为关键词来进行检索。为了保证所筛选的靶点具有特异性和关联性，将GeneCards数据库中靶点得分大于或等于10、文献支持数大于或等于5篇设定为纳入的标准，并且把重复和低可信度的靶点剔除掉，最终得到AD核心靶点集。通过多源数据交叉验证的方式，能够有效地提升这个靶点集的代表性和全面性。

在成分 - 靶点关联分析阶段，使用SwissTargetPrediction和STITCH数据库来构建黄芩苷与AD靶点的相互作用网络。SwissTargetPrediction是基于化学结构相似性原理来预测靶点的，而STITCH数据库则是通过实验验证和文本挖掘的方法来补充潜在作用靶点。对两个数据库的预测结果进行比对，筛选出共同的靶点并且统计其数量，同时记录靶点的来源数据库以及置信度分数，以此来保证数据的可靠性。采用这套筛选策略，不仅能够明确黄芩苷直接作用的与AD相关的靶点，还能够为后续的网络药理学分析提供高质量的基础数据，从而可以从分子层面揭示黄芩苷干预AD的多靶点作用特征。

网络药理学分析主要目的是系统搭建“药物 - 靶点 - 疾病”相互作用网络，以此揭示黄芩苷干预阿尔茨海默病（AD）时多靶点、多通路协同发挥作用的机制。这种方法核心理念基于系统生物学理论，认为疾病发生发展与复杂分子网络调控有关，药物通过影响网络关键节点起到治疗效果。在这项研究中，网络药理学分析包含两个关键部分，分别是蛋白质 - 蛋白质相互作用（PPI）网络构建和功能富集分析。

搭建PPI网络是识别核心靶点重要步骤。把筛选得到黄芩苷 - AD关联靶点输入STRING数据库（https://string - db.org/），将物种设置为“智人”（Homo sapiens），把互作置信度阈值设为0.7以保证数据可靠。数据库会输出包含靶点间互作关系的TSV格式数据，随后用Cytoscape 3.9.1软件进行网络可视化处理。通过网络拓扑分析计算每个节点的关键参数，度（Degree）值衡量节点直接连接的边数，介数中心性（Betweenness Centrality，BC）体现节点在网络信息传递中的重要程度。按照度值前20%的量化标准筛选核心靶点，度值前20%的量化标准的计算公式为：

这里的度值max指的是网络里所有节点度值的最大值。用这种方法筛选出的具有高连接性的节点，例如APP、MAPT、PTGS2这些节点，可能是黄芩苷发挥药效的关键作用靶点。
功能富集分析目的是弄清楚核心靶点的生物学功能和信号通路之间的关联。使用Metascape平台（https://metascape.org）对核心靶点开展基因本体论（GO）和京都基因与基因组百科全书（KEGG）富集分析。GO分析涵盖生物过程（BP）、细胞组分（CC）、分子功能（MF）这三个维度，KEGG分析主要关注信号通路的富集情况。通过超几何分布检验来评估统计学显著性，P值的计算方法是：

这里面的N代表背景基因的总数，M指的是特定功能注释的基因数，n是输入基因数，k是注释到的基因数。以P < 0.05并且错误发现率（FDR） < 0.05作为判断显著富集的标准。着重分析和AD病理有紧密联系的GO术语，比如β淀粉样蛋白（Aβ）聚集调控、tau蛋白磷酸化修饰、神经炎症反应之类的，还有像PI3K - Akt信号通路、TNF - α信号通路这样的关键通路。这种分析不但明确了黄芩苷发挥作用的潜在机制，而且为之后进行的实验验证提供了基础理论方面的支持。

分子对接验证是计算模拟药物小分子和生物大分子靶点相互作用的重要技术，其核心原理来自“锁钥模型”理论。它通过能量匹配算法预测配体和受体结合的空间构象以及结合能，然后评估药物作用的可行性。本研究用分子对接技术验证黄芩苷和阿尔茨海默病核心靶点的结合活性，给网络药理学预测结果提供实验前期的理论支撑。

保证对接准确性，受体蛋白的准备是基础。从蛋白质数据库（PDB）获取核心靶点的晶体结构，严格筛选分辨率小于或等于2.5Å的高质量结构文件来确保构象精确性。用PyMOL软件对蛋白结构进行预处理，包括去除结晶水分子、分离原配体、添加缺失氢原子，接着采用AMBER力场优化电荷。之后用AutoDockTools 1.5.6软件定义对接活性位点，通过分析蛋白已知配体结合区域或者关键氨基酸残基设置三维格点盒子。格点盒子尺寸要完全覆盖活性口袋，其中心坐标（x, y, z）以及各轴维度（sizex, sizey, size_z）的确定要参考已有文献或者通过SiteMap工具验证，以此确保对接搜索空间合理。

配体小分子的优化直接影响对接结果的可靠性。从PubChem数据库下载黄芩苷的三维结构文件（SDF格式），导入Chem3D软件优化几何构型，采用MM2力场进行能量最小化处理，一直到分子体系达到稳定构象（RMSD梯度阈值小于或等于0.01 kcal/mol·Å）。优化后的结构经过AutoDockTools转换为PDBQT格式，这种格式同时包含原子坐标、可旋转键数目以及电荷信息，为后续对接计算提供标准化输入文件。分子对接过程使用AutoDock Vina软件完成，设置exhaustiveness等于8的参数，每个靶点对接重复10次来增强结果的可重复性。对接完成后，系统筛选结合能（binding energy）小于或等于 - 5.0 kcal/mol的优势构象，结合能计算公式为：

这里面\(\Delta G_{\text{bind}}\)表示结合自由能，\(\Delta H_{\text{bind}}\)是结合焓变，\(T\)是绝对温度，\(\Delta S_{\text{bind}}\)是结合熵变。通过比较不同构象的结合能值，能够确定最稳定的结合模式。

对接结果的可视化分析是阐明分子作用机制的关键环节。用PyMOL软件观察配体 - 受体复合物的三维结合姿态，重点分析氢键、π - π堆积、疏水作用等非共价相互作用，同时借助Discovery Studio Visualizer软件绘制二维相互作用示意图，标注关键氨基酸残基以及其作用类型。通过量化氢键数量、测量键长（通常小于3.0Å）以及计算疏水接触面积，综合评价黄芩苷和靶点的结合特异性。这一验证过程不但为网络药理学预测的靶点提供了分子层面的直接证据，而且为后续实验研究（像表面等离子共振、酶抑制动力学）指明了优先验证的方向。

在本研究里，统计学分析是验证生物信息学数据可靠性和科学性的重要步骤。统计学分析的核心是运用严格的统计方法去筛选显著差异，并且对关键指标进行量化。研究涉及多组学数据的整合分析，要依据数据类型来选择合适的统计策略，以此保证结果既具有统计学意义又具有生物学意义。

功能注释的核心步骤是富集分析，在富集分析中采用了Fisher精确检验来评估靶点集合在基因本体论（GO）和京都基因与基因组百科全书（KEGG）通路中的富集显著性。这种检验是基于超几何分布原理的，它通过比较靶点集中特定功能类别的实际占比和理论期望值之间的差异，来计算原假设成立时的概率。具体的计算式为：

在这个式子当中，\(N\)代表的是背景基因的总数，\(M\)指的是特定功能类别中的基因数，\(n\)为靶点集中的基因数，\(r\)是靶点集中属于该类别的基因数。因为多重比较会提高假阳性率，所以研究引入了Benjamini - Hochberg校正法来控制错误发现率（FDR）。这种方法是通过设定\(FDR < 0.05\)的阈值，从而有效平衡假阳性和假阴性的风险。富集分析是通过Metascape平台和R语言的clusterProfiler包来完成的，筛选标准被定为\(P < 0.05\)且\(FDR < 0.05\)。

在分析蛋白质相互作用（PPI）网络的拓扑参数时，使用了描述性统计方法。针对核心靶点的度（Degree）和介数中心性（Betweenness Centrality）等关键指标，分别去计算均值和中位数，以此来反映数据的集中趋势。度的计算式是：

其中$A_{vi}$表示的是节点$v$与节点$i$的邻接矩阵值。介数中心性的计算式为：