中科院新的分区表出来后，国货之光“Chinese Medicine”直接从3区冲进2区！该刊之前生信塔也推荐过，接收全科医学和补充医学、药学的全部领域。近几年影响因子一路涨到5.3，堪称毕业神刊！
生信塔今天带来的就是由北京中医药大学团队完成的一篇佳作，利用机器学习辅助，结合血清代谢组学与网络药理学分析，揭示中药复方中对抗酒精性肝损伤的有效成分。这篇文献整合机器学习、网络药理学、代谢组学和分子对接技术，研究设计的核心亮点在于：
1.多维度数据整合：构建了“化合物-靶点-通路-疾病”网络（CTPDN），结合Floyd-Warshall算法寻找最短路径，精准定位关键化合物和靶点，解决了传统方法中靶点筛选易遗漏的问题。
2.机器学习辅助预测：通过AdaBoost模型结合分子指纹和靶点特征，预测化合物与靶点的相互作用，显著提高了筛选效率和准确性。
3.代谢组学与网络分析结合：利用血清代谢组学筛选差异代谢物，并通过随机森林算法识别生物标志物，结合网络药理学分析揭示中药复方的多靶点作用机制。
4.实验验证与分子模拟：通过分子对接、动力学模拟和Western blotting验证了关键化合物与靶点的结合模式，进一步确认了PI3K-AKT信号通路在酒精性肝损伤中的重要作用。
这种多学科交叉的设计思路不仅创新性强，还为中药复方研究提供了高效、系统化的解决方案，有助于提升研究的科学性和发表高质量文章的潜力。PS：对 “机器学习药理学研究”思路感兴趣的朋友，赶快行动起来吧！0实验发5+SCI谁不心动！？在复现过程中，如遇困难，可以直接找生信塔~专业团队、十余年经验、1V1指导，定能为您排忧解难！
研究思路
1. 数据获取与网络构建
化合物筛选：从中药复方白芨五味子颗粒（BWG）中提取化合物，利用超高性能液相色谱-质谱联用（UHPLC-MS/MS）技术构建分子网络，识别化合物类别（如黄酮类、木脂素类等）。
靶点与通路筛选：通过传统中药系统药理学数据库（TCMSP）和传统中药整合数据库（TCMID）筛选化合物的潜在靶点，并结合疾病相关靶点（如酒精性肝损伤相关靶点）进行交集分析。
网络构建：构建“化合物-靶点-通路-疾病”网络（CTPDN），利用Floyd-Warshall算法寻找最短路径，筛选出关键化合物和靶点。
2. 机器学习辅助分析
特征提取：提取化合物的分子指纹特征（如MACCS和ECFP6）以及靶点的序列特征，结合吸收、分布、代谢、排泄和毒性（ADMET）性质，构建数据集。
模型训练：使用AdaBoost算法训练分类模型，预测化合物与靶点的相互作用。通过交叉验证评估模型性能，确保预测的准确性和可靠性。
3. 血清代谢组学分析
样本准备：对酒精性肝损伤小鼠模型的血清样本进行代谢组学分析，提取差异代谢物。
数据处理：利用PCA、PLS-DA和OPLS-DA等方法分析差异代谢物，筛选出潜在生物标志物。
通路富集：通过KEGG数据库分析差异代谢物的代谢通路，揭示BWG对代谢的影响。
4. 分子对接与动力学模拟
对接实验：利用Discovery Studio软件对关键化合物与靶点（如PI3K、AKT1等）进行分子对接，分析结合模式和结合能。
动力学模拟：使用GROMACS软件对化合物-靶点复合物进行分子动力学模拟，评估结合稳定性。
5. 实验验证
Western blotting：验证关键靶点（如AKT1、pAKT1等）的表达水平，确认BWG对PI3K-AKT信号通路的调控作用。
动物实验：通过酒精性肝损伤小鼠模型，评估BWG对肝损伤的保护作用，包括血清生化指标（如ALT、AST）和抗氧化指标（如MDA、SOD）的检测。
主要结果
1. 白芨五味子颗粒（BWG）的成分分析
通过分子网络分析和高效液相色谱-二极管阵列检测（HPLC-DAD），研究团队鉴定了BWG中的82种化合物，并测定了5种主要成分（如橙皮苷、军事宁碱等）的含量；测定了总酚、总黄酮、总糖和总三萜的含量，为后续机制研究提供了基础数据。
2. BWG对酒精性肝损伤的保护作用
在酒精性肝损伤小鼠模型中，BWG显著降低了血清中丙氨酸氨基转移酶（ALT）和天门冬氨酸氨基转移酶（AST）的水平，表明其对肝损伤的保护作用。组织学分析显示，BWG能够改善肝组织的病理变化，恢复肝细胞的正常形态。BWG还显著降低了肝组织中丙二醛（MDA）水平，提高了超氧化物歧化酶（SOD）活性，显示出抗氧化作用。
3. 血清代谢组学分析与生物标志物鉴定
通过血清代谢组学分析，研究团队筛选出148种差异代谢物，并通过随机森林算法识别出7种潜在生物标志物。这些差异代谢物主要涉及脂质代谢、有机杂环化合物和苯类化合物的代谢通路，表明BWG通过调节代谢网络对酒精性肝损伤发挥作用。
4. “化合物-靶点-通路-疾病”网络（CTPDN）分析
构建了CTPDN网络，筛选出42种化合物、145个靶点和17条与疾病相关的通路。通过Floyd-Warshall算法寻找最短路径，确定了6种关键化合物（如2,3,4,7-四甲氧基苯并菲）和PI3K-AKT信号通路为核心作用机制。
5. 机器学习辅助的化合物-靶点相互作用预测
使用AdaBoost模型预测化合物与靶点的相互作用，模型在训练集和测试集上的表现均表现出高精度（如AUC值达到0.96）。预测结果表明，BWG中的关键化合物能够通过调节PI3K-AKT信号通路中的核心靶点（如AKT1）发挥作用。
6. 分子对接与动力学模拟以及关键靶点的验证
分子对接实验显示，关键化合物（如2,3,4,7-四甲氧基苯并菲）与AKT1等靶点的结合能较低，表明其结合稳定性较强。分子动力学模拟进一步验证了化合物与靶点的结合模式，发现AKT1与化合物的复合物在模拟过程中保持稳定，表明AKT1是BWG的关键作用靶点。通过Western blotting实验，研究团队验证了BWG对PI3K-AKT信号通路中关键靶点（如AKT1、pAKT1、CAT和STAT1）的调控作用。
文章小结
本文在标准的网药+分子对接之外，添加了代谢组测序，包括机器学习等方法，实现高效发文。对这个“机器学习药理学研究”思路感兴趣的朋友，照着复现就行啦！如复现遇阻、技术不精，也可以找生信塔帮忙~专业团队、十余年经验，值得信赖！
生信塔公众号持续为大家带来最新生信思路，更多创新性分析思路请点击往期推荐，快来查看吧！想复现这种思路或者定制更多创新性思路欢迎直接call生信塔，我们团队竭诚为您的科研助力！
