其實很早就想整理網絡藥理學的內容了，主要是很多果友咨詢，但確實時間上抽不開身。在生信分析時，通過差異基因來選表型、定基因是常規策略；網絡藥理學、WGCNA或者聚類分析構建預后模型也是常用生信分析方法。關于WGCNA和聚類分析構建預后模型，我們曾經做過整理，這次我們重點來分享網絡藥理學。

從本質或定義上來說，網絡藥理學（Network Pharmacology）是一種基于系統生物學和計算生物學的方法，旨在理解藥物在復雜生物系統中的作用機制。與傳統藥理學通常關注單一靶點不同，網絡藥理學將藥物、靶點、疾病和生物網絡中的其他元素視為一個整體。其核心思想是“多靶點、多通路”協同作用，從而 研究它們之間的互作以及相互依賴關系。

數據層面上網絡藥理學需要整合化合物靶點（如TCMSP、STITCH）、疾病相關基因（DisGeNET、OMIM）、通路（KEGG）等數據庫；分析方法上則綜合網絡分析（如PPI互作、模塊挖掘）和拓撲特征（度中心性、介數中心性）預測關鍵靶點。同時還可以結合分子對接（Autodock）或體外、體內實驗，驗證核心靶點或通路。非常適合研究復雜藥物系統（如中藥），避免單一靶點的局限性。

網址：https://www.tcmsp-e.com/tcmsp.php

第一步、中藥成分篩選。 網絡藥理學第一步，是我們要清楚研究對象的主要成分。這里需用到 TCMSP（The traditional Chinese medicine systems pharmacology database and analysis platform）數據庫，中文全程為 中藥系統藥理學數據庫與分析平臺。比如我們研究枸杞對腦卒中是否有作用，作用靶點是什么。為了確認枸杞對生物體真正起功效的成分，我們依據OB值和DL值進行篩選。OB值(oral bioavailability)，即生物利用度，指的是制劑中藥被吸收入人體循環的速度與程度（參考值為30%）；DL值(drug-like properties)，即類藥性，指的是化合物與已知藥物的相似性。具有類藥性的化合物并不是藥物，但是具有成為藥物的可能（參考值為0.18）。篩選中，OB值和DL值越大越好！

網址：https://pubchem.ncbi.nlm.nih.gov

第二步、結構信息獲取。PubChem，是一個生環化材中應用分子的數據模型庫，由NCBI維護，可以查詢藥物成分的 SMILES ID。輸入主要成分的名稱，我們可以獲得某個成分的SMILES ID（ 化學結構的線性表示法 ）。

我們以枸杞主要成分之一Sitosterol alpha1為例演示，SMILES ID: C/C=C(/CC[CH]2[CH]4[CH]([C@H]4C)O)C)C)\C(C)C。

網址：https://www.novopro.cn/tools/mol2smiles.html

或者在TCMSP下載藥物成分的3D結構式，再通過3D結構在線轉換獲得SMILES ID。得到的SMILES ID: CC=C(CC[CH](O)CC[C@]4(C)[C@H]3CC[C@@]21C)C(C)C。

步驟三、化合物再篩選。第一步是 通過OB值和DL值對藥物成分進行過濾，這一步則是在藥代動力學層面探究藥物成分的有效性。這里用到SwissAMDE數據庫，用于藥代動力學屬性分析，并預測一個或多個小分子的ADME參數、藥代動力學性質、類藥性。只需要將第二步獲得的SMILES ID粘貼到對話框即可，結果如下。

篩選依據主要看兩個參數：①胃腸道吸收效率（GI absorptoon為high）；②類藥性（Druglikeness里的參數至少有兩個YES）。如果不滿足上述條件，就把該成分剔除掉，不再用于后續分析，再嘗試其他成分。顯然，枸杞中Sitosterol alpha1不符合上述條件。真正在課題中，我們需要繼續篩選其他有效成分。

第四步、靶點預測。得到有效藥物成分以后，我們可以通過SwissTargetPrediction預測藥物成分可能的生物學靶點。該網站主要利用化合物的2D和3D結構相似性來推斷與已知藥物靶點的潛在相互作用。

得到的靶基因可以CSV的形式導出。我們可以保留“Common name列”的所有基因名。Probability表示成分對應Target的可能性。為了盡可能保留多的target，我們無需刪除，除非Probability = 0。在我們的示例中，排除 Probability = 0的基因，得到62個靶點。

篩選到的靶基因結果（部分）

第五步、疾病靶點獲取。在得到靶基因之后， 我們需要找到這些 Target是不是跟某種疾病密切相關。怎么辦呢？就是要有疾病用基因特征或基因集來定義的思維。GeneCards網站可自動收錄來自約150個網站的以基因為中心的數據，包括基因組、轉錄組、蛋白組學、遺傳、臨床及其功能的信息，可用于疾病相關基因的檢索。

網址：https://www.genecards.org/

輸入疾病名稱后，可在右上角Export處直接導出疾病相關基因（最多可以下載10000行）。然后，我們根據"Relevance score"列的中位數或平均值或TOP2000等標準對疾病靶點基因進行過濾，比如只保留所有大于該中位數的Gene Symbol。

第六步、靶點整合，疾病特征基因確認。除 GeneCards外，OMIM是一個綜合的、權威的研究人類表型和基因型關系的數據庫，收錄了超過16000個基因的疾病信息。DisGeNET也收集了遺傳性疾病的信息，包括遺傳突變位置、基因變異性質、蛋白表達及功能等，也可以獲得相應的疾病基因集。為了保證疾病基因集的準確性，我們把從這三個網站得來的基因取交集（韋恩圖）。

網址：https://molbiotools.com/listcompare.php

第七步、交集分析。為了確定藥物成分與疾病的關系，需要把藥物成分靶基因（步驟四）與疾病特征靶基因（步驟六）再取交集。這里的交集基因就是藥物成分作用于疾病的潛在靶點。如果沒有得到交集基因，則該次分析失敗，可以更改疾病再進行分析。示例數據有32個交集基因。

網絡藥理學分析做到這一步，主要分析就完成了。接下來我們就可以通過STRING數據庫和Cytoscape軟件進行核心靶點篩選（第八步），并借助在線工具或者代碼完成富集分析（第九步）。這些內容在純生信21天教程里都有詳細的推文和視頻解讀，我們不再贅述。

從整體思路來講，網絡藥理學是藥物→基因→疾病的綜合分析，是一種特殊的生信分析。網絡藥理學（以及衍生的網絡毒理學）文章在2023-2024年經歷了過山車式的熱度變化，其核心套路已被拆解。隨著內卷加劇和審稿人認知升級，單純藥理學分析已很難發表。

芒果之見：2025年網絡藥理學可以①引入時間序列（如藥物處理不同時間點的轉錄組），或者②結合scRNA-seq數據定位靶點細胞亞群，或者③多組學整合，代謝組+蛋白互作+表觀調控；也可以結合孟德爾隨機化驗證靶點-疾病的因果關聯，或者基于CRISPR篩選驗證樞紐基因，如DepMap數據輔助選題；又或者用TCGA/TARGET數據庫分析核心靶點的預后價值。這些內容也是純生信突圍的方向！因此，網絡藥理學的突圍，也是生信分析的突圍！大家一起加油，爭取早日發表論文~~

參考資料，僅用于學術交流。

https://mp.weixin.qq.com/s/XpmMWJXE8qfzrU3PBoCwSA