李瑋婕,毛 霞,郭秋巖,張彥瓊,盧建秋,林 娜
(1中國中醫(yī)科學院中藥研究所,北京100700;2北京中醫(yī)藥大學中藥學院,北京100102)
組合藥物(drug combination)通常是為了達到綜合治療某一疾病的目的,將兩個或多個作用機制明確、作用靶點不同的藥物或藥效成分按照合理的劑量配伍后一起或順次給患者服用的藥物[1]。研究[1]表明,通過單一靶點治療疾病的傳統(tǒng)治療方法,作用靶點相對明確,藥理機制相對清晰,但藥理效應指標相對單一,忽略了人體的整體性,導致其毒副作用大,長期服用出現(xiàn)抗藥性等問題。隨著人們對醫(yī)藥衛(wèi)生要求的提高,復雜疾病發(fā)病率的升高,以及單一藥物的治療弊端的出現(xiàn),使得組合藥物發(fā)展更為迫切。幸運的是,近年來組合藥物發(fā)展并應用于多種復雜疾病領域,尤其在癌癥、艾滋病、白血病、糖尿病、復雜腦部疾病等。
1.1 組合藥物在西藥研究中的應用 西藥多數(shù)是通過單一靶點作用于人體從而達到治療疾病的目的,其作用機制相對明確,藥效物質清晰,但毒副作用較大,對復雜疾病的治療有一定的局限性。組合藥物的開發(fā)和應用有效地彌補了西藥在臨床應用中的缺陷。食品藥品監(jiān)督管理局(the food and drug administration,F(xiàn)DA)在過去5年中已經(jīng)批準了越來越多組合藥物作為成分明確劑量固定的商業(yè)產(chǎn)品進行銷售,尤其針對心血管疾病、Ⅱ型糖尿病、艾滋病、呼吸系統(tǒng)疾病、神經(jīng)退行性疾病、癌癥等多種復雜疾病。臨床研究表明,組合藥物的療效與藥物單獨使用相比,具有較好的治療效果,并且毒副作用較少。
在艾滋病治療(HIV)領域,2006年7月FDA批準Atripla作為治療艾滋病病毒感染“雞尾酒療法”(the cocktail therapy)組合藥物上市銷售,是由分別在1998年、2001年和2003年被FDA批準上市的依發(fā)韋侖(efavirenz, Sustiva)、替諾福韋酯(tenofovir disoproxil fumarate, Viread)和恩曲他濱(emtricitabine,Emtriva)三種藥物成分組成[2]。 在臨床試驗中,244名患者中80%的人在使用Atripla后HIV病毒顯著減少,且正常CD4細胞的數(shù)量明顯增加;組合藥物Epzicom中的兩種成分拉米夫定和阿巴卡韋都是逆轉錄酶抑制劑,有抑制 HIV增加、抗免疫力減弱的作用[3];由Viread和Emtriva組成的組合藥物特魯瓦達(Truvada)為抗逆轉錄病毒藥,通過抑制病毒逆轉錄酶達到抑制HIV復制的目的[3]。
在癌癥治療領域,曲妥珠單抗與渥曼青霉素協(xié)同治療乳腺癌[4];由Palbociclib與曲來唑組合而成的IBRANCE顯著提高了Palbociclib的抗腫瘤活性[5];FDA于2014年1月對BRAF V600E或V600K突變的黑色素瘤進行了第一次組合治療[6],采用達拉非尼(Dabrafenib)和曲美替尼(Trametinib)的組合藥物安全性顯著提高,尚未觀察到典型的MEK抑制劑毒性,同時與BRAF抑制劑相關的毒性很弱。特別地,早期患者的治療結果表明,達拉非尼和曲美替尼的組合藥物可以抑制與皮膚鱗狀細胞癌相關的病變。到目前為止,F(xiàn)DA已經(jīng)批準了適當?shù)乃幬锝M合,以不同的劑量治療不同的癌癥亞型。此外,F(xiàn)DA特批了由阿托品和普拉德肟組合而成的DuoDote,治療由有機磷神經(jīng)毒劑和有機磷殺蟲劑引起的中毒[7]。
以上臨床研究顯示,組合藥物并不是簡單的藥效增加,而是發(fā)揮藥物的協(xié)同性,減輕單獨使用的毒副作用,增加安全性,在一定程度上減輕患者的病痛,提高臨床治愈率。
1.2 組合藥物在中藥研究中的應用 中醫(yī)基本理論以辨證論治和整體觀念為主要內(nèi)容,認為人體是一個有機的整體,與自然界有著密切的聯(lián)系。中藥在中醫(yī)理論的指導下,具有多途徑、多靶點的作用特點,這與組合藥物的治療原理相一致。因此,組合藥物在中藥領域也取得了一定的進展。
腦缺血[8]是由多個途徑相互作用引起的高度復雜的疾病,但以往的研究局限于單個基因或單個途徑層面。彭世陸等[9]探究了小檗堿、黃芩苷和梔子苷的組合藥物及黃連解毒湯復方對大鼠腦組織小檗堿藥動學的影響,利用UPLC-MS法測定小檗堿在腦組織中的濃度,發(fā)現(xiàn)與小檗堿單體給藥相比,組合藥物促進小檗堿進入腦組織,黃連解毒湯則抑制小檗堿進入腦組織。這一結果表明復方在治療腦部疾病時并非各單味藥主要藥效成分的簡單加和,這一發(fā)現(xiàn)為后期針對腦部疾病的中藥復合粒子劑型設計和新藥研發(fā)奠定基礎。Zhang等[10]基于藥代動力學和獨創(chuàng)性通路分析(the ingenuity pathway analysis,IPA)系統(tǒng)揭示黃芩苷和梔子苷的組合藥物治療腦缺血的加性機制(addition mechanism),研究表明其組合效果優(yōu)于黃芩苷或梔子苷單藥。臨床用人參皂甙Rb1,紅細胞生成素和五味子素的藥物組合治療心血管疾病具有很好的療效[11]。 梁晨等[12]分析粉防己堿、三氧化二砷聯(lián)合作用于MDA-MB-435S及HCC1937乳腺癌細胞;兩藥聯(lián)合使用后細胞形態(tài)發(fā)生改變,細胞凋亡率增加,Caspase-3、bax、bid相關基因的表達升高,同時Bcl-2、suivivin調控基因的表達降低(表1)。
盡管組合藥物臨床療效顯著,在醫(yī)藥界有一定的發(fā)展,但由于組合藥物的一些限制,例如組合藥物的作用機制不明,如何設計和研發(fā)有效的協(xié)同藥物組合等,使得目前已獲得FDA批準的組合藥物數(shù)量尚不多。
近年來,網(wǎng)絡藥理學的提出和發(fā)展為組合藥物的研制和開發(fā)提供了強有力的理論和技術支撐。接下來,本文擬從網(wǎng)絡藥理學可用的數(shù)據(jù)資源、算法和軟件,以及現(xiàn)有的組合藥物研究方法等方面入手,簡要概述網(wǎng)絡藥理學研究策略在組合藥物發(fā)展中的應用。
網(wǎng)絡藥理學是由Andrew L.Hopkins于2007年首次系統(tǒng)闡述,是一種建立在高通量組學數(shù)據(jù)分析、計算機虛擬計算及網(wǎng)絡數(shù)據(jù)庫檢索基礎上的新藥發(fā)現(xiàn)、藥物藥效及作用機制挖掘的研究方法[33]。網(wǎng)絡藥理學基于“疾病-基因-靶點-藥物”相互作用網(wǎng)絡,系統(tǒng)綜合地觀察藥物對疾病網(wǎng)絡的干預與影響,從而揭示藥物系統(tǒng)作用于人體的機制[34]。這一研究策略不僅與中醫(yī)辯證的整體觀念相一致,符合中醫(yī)藥對疾病整體性的認識,同時與組合藥物多途徑、多靶點的治療原理不謀而合。網(wǎng)絡藥理學通過同時調控基因網(wǎng)絡中的多個成分來模擬藥物作用的影響[35],很好地揭示組合藥物的作用機制。近年來,隨著越來越多的國內(nèi)外學者研究,網(wǎng)絡藥理學已成為藥物機制研究、新藥研發(fā)和組合藥物個性化設計的新方法。多種相關數(shù)據(jù)庫的構建、計算方法和軟件的開發(fā)更是為組合藥物作用機制研究和協(xié)同藥物組合的發(fā)現(xiàn)提供了重要的支撐。
表1 組合藥物在中西醫(yī)臨床中的應用
表 1(續(xù))
2.1 網(wǎng)絡藥理學常用的數(shù)據(jù)資源 網(wǎng)絡藥理學常用的數(shù)據(jù)庫包括藥物化學成分數(shù)據(jù)庫(DCDB,ATC/DDD,ChEMAL和PubChem)、中藥化學數(shù)據(jù)庫(TCM Database@ Taiwan,TCMID,HIT,TCMSP和 CHEMTCM)、藥物靶標-靶標相互作用關系數(shù)據(jù)庫(TTD,Drugbank和PubMed文獻數(shù)據(jù))、中醫(yī)藥生物信息數(shù)據(jù)庫(HerbBioMap)、生物分子相互作用數(shù)據(jù)庫(Biogrid, Dialogue for Reverse Engineering Assessments and Method,pharmgkb和String)、生物分子通路數(shù)據(jù)庫(KEGG)、化合物蛋白質相互作用數(shù)據(jù)庫(STITCH)、蛋白質相互作用信息數(shù)據(jù)庫(HAPPI,Reactome, OPHID, InAct, HPRD, MINT, DIP 和PDZBase)、與疾病相關的信息數(shù)據(jù)庫(ASDCD,Euresist project,GDSC,OMIM,dbNEI和SIDER)、與藥物代謝動力學/藥物效用動力學(pharmacokinetics/pharmacodynamics, PK/PD)相關的信息數(shù)據(jù)庫(admetSAR和MetaADEDB)、與臨床相關的信息數(shù)據(jù)庫(FDA Orange Book, NIH/NCATSdata set, 美國政府臨床實驗登記網(wǎng)站)等。目前為止,多種相關數(shù)據(jù)庫的構建為組合藥物的發(fā)展提供有力的支持。
在目前版本的藥物組合數(shù)據(jù)庫(drug combination database,DCDB)中,共收集了1363種藥物組合。DCDB提供了每個組合藥物的測試活性、適應癥、可能的作用機制、組分間的藥物相互作用以及當前的發(fā)展狀態(tài)等信息。在1813種組合藥物用法中,1445種的臨床有效性和安全性顯著提高[36]。解剖治療化學(anatomical therapeutic chemical,ATC)分類系統(tǒng)對治療藥物進行分類,獲得治療相似性,提高藥物使用安全性[37]。
此外,臺灣中醫(yī)藥數(shù)據(jù)庫(TCM Database@Taiwan),TCMID,Herb Ingredients'Targets(HIT),中藥系統(tǒng)藥理學數(shù)據(jù)庫和分析平臺(TCMSP)和CHEM-TCM,收集中藥的化學成分信息[38-42];Biogrid (Biological General Repository for Interaction Datasets)收集蛋白質和基因的相互作用數(shù)據(jù)[43];Dream 3(Dialogue for Reverse Engineering Assessments and Method),藥物基因組學知識庫(pharmgkb)和 String收集基因數(shù)據(jù)[44-46];TTD,PubMed 文獻和 DrugBank 收集所有單藥的藥物信息以及單藥對應的靶標信息[47]。
2.2 網(wǎng)絡藥理學常用的算法和軟件 網(wǎng)絡藥理學基于上述生物學數(shù)據(jù)庫及臨床和實驗研究結果,通過有效的算法和應用軟件,在分析“疾病表型-基因-靶點-藥物”相互作用網(wǎng)絡的基礎上,從系統(tǒng)生物學角度出發(fā)觀察藥物對病理網(wǎng)絡的干預和影響,使新的組合藥物更趨近于疾病的實際情況,實現(xiàn)復雜疾病的安全有效治療,成為組合藥物設計的重要手段。
在很多學者的努力下,網(wǎng)絡藥理學發(fā)展演繹了用于疾病基因預測(CIPHER和CIPHER-HIT)、藥物靶標預測(drug CIPHER)、疾病分子機制挖掘(CSPN,sGSCA,ClustEx和 LMMA)及藥物作用機制挖掘(comCIPHER,CMAP,DMIM,NADA 和DGPsubNet)和藥物組合設計(NIMS,SAF和GIFT)等方面的算法。例如,模塊化因子圖(Modularized Factor Graph,http://ctsb.is.wfubmc.edu/publications/modularizedfactor-graph.php)是一種參數(shù)估計方法,提供模塊化因子圖的 RPPA實驗數(shù)據(jù)和 Matlab源代碼[32];CMAP (The Connectivity Map,https://portals.broadinstitute.org/cmap/) 是一種藥物-基因-疾病的網(wǎng)絡共模塊分析方法,采用生物活性小分子和簡單的模式匹配算法,通過常見基因表達變化的暫時性特征尋找藥物、基因和疾病之間的功能連接[48]。 Batagelj等[49]開發(fā)了應用軟件Pajek,用于疾病表型候選網(wǎng)絡的發(fā)現(xiàn)。
這些網(wǎng)絡藥理學相關數(shù)據(jù)庫的構建,相關算法和軟件的開發(fā)和應用為組合藥物的開發(fā)和藥物相互作用的預測提供蛋白、基因、靶點、化學成分及相互作用等基本信息,同時為組合藥物的設計提供方法和手段。
藥物相互作用(drug-drug interactions,DDIs)是指兩種或兩種以上的藥物同時應用時所發(fā)生的藥效變化,即產(chǎn)生協(xié)同(增效)、相加(增加)、拮抗(減效)作用[50]。合理的藥物相互作用可以增強療效或降低藥物不良反應,反之可導致療效降低或毒性增加,還可能發(fā)生一些異常反應,干擾治療,加重病情。隨著人口老齡化的加重和一些慢性疾病的出現(xiàn),藥物相互作用的效果也受到越來越多的關注。盡管過去的幾十年為開發(fā)新的組合藥物做出很多努力,但臨床使用的有效組合藥物大多數(shù)是通過臨床試驗和經(jīng)驗從已批準的單藥中篩選出可能的藥物組合[51]。隨著單藥數(shù)量的增加,可能的組合藥物數(shù)也會增加,但確定最佳和最有效的藥物組合是一項費資耗時的工作。隨著網(wǎng)絡藥理學、多向藥理學、生物信息學、系統(tǒng)生物學等多學科的出現(xiàn),多種可用于組合藥物預測和發(fā)現(xiàn)的網(wǎng)絡建模方法也不斷涌現(xiàn),為協(xié)同藥物組合的預測提供重要指導方法。本文將從藥物-藥物相互作用、藥物靶標間相互作用以及“藥物-靶標-疾病-基因”多級相互作用三個層面介紹現(xiàn)有的組合藥物研究方法(表2)。
表2 現(xiàn)有的組合藥物研究方法
表2(續(xù))
表2(續(xù))
表2(續(xù))
表2(續(xù))
3.1 藥物-藥物相互作用 這類分析方法依據(jù)化合物結構相似性、功能相似性、綜合(結構和功能)相似性、藥效學和藥代動力學(PK/PD)等來預測藥物間的相互作用。如,Wang等[52]基于藥物的治療效果及藥物相互作用提出了一種網(wǎng)絡生物學方法——“藥物雞尾酒”網(wǎng)絡(drug cocktail network)統(tǒng)計模型,研究藥物組合及其靶蛋白在遺傳相互作用網(wǎng)絡和相關通路中的作用,以便了解有效藥物組合的作用機制,從而發(fā)現(xiàn)潛在的協(xié)同作用藥物。作者對比分子空間中的藥物組合,尤其對遺傳相互作用網(wǎng)絡和靶蛋白通路中的藥物相互作用進行探究,將有效藥物組合和隨機組合進行對比,發(fā)現(xiàn)組合藥物的靶蛋白更趨向于具有遺傳相互作用。
趙鵬姚等[53]通過對拓撲特性和分子機理的分析,發(fā)現(xiàn)了藥物相互作用的網(wǎng)絡藥理學特征,同時還提出一種基于藥物功能相似性的組合藥物預測方法。該方法基于相似藥物具有相似作用的假設,從藥物靶點模塊性和ATC結構的角度,通過相似性的測量和標準相互作用數(shù)據(jù)集的整合,預測新的相互作用藥物對。采用試者工作特征曲線(receiver operating characteristic curve,ROC)評價該預測模型,得到基于藥物ATC結構相似性和藥物模塊相似性方法的AUC值分別為0.95和0.92,表明該方法具有較高的準確性。但作者僅單獨分析了藥物相互作用與蛋白質相互作用網(wǎng)絡、藥物靶點、ATC結構和化學結構之間的關系,并沒有將變量整合分析,也未將新得到的相互作用藥物對與標準的藥物對的藥理學分類和臨床效應相結合。
Cheng等[54]通過機器學習結合全面藥品不良反應網(wǎng)絡表型相似性,ATC治療相似性,來自SMILES數(shù)據(jù)的化學結構相似性以及使用DrugBank和治療靶標數(shù)據(jù)庫建立的藥物-靶標相互作用網(wǎng)絡的基因組相似性,提出異構網(wǎng)絡輔助推理(heterogeneous networkassisted inference,HNAI)框架對藥物相互作用進行預測。這種利用藥物綜合相似性的預測方法可彌補利用單一特征變量進行預測的不足,且預測性能較好。然而,該方法缺少明確藥物間無相互作用的標準;當藥物結構或表型特征除去或無法獲得時,模型的預測性能較差;模型使用的藥物不良反應(adverse drug reactions,ADRs)關聯(lián)網(wǎng)絡和藥物靶標間相互作用(drug-target interaction,DTI)網(wǎng)絡都不完整;可能存在與每個相似性相關的附加限制,即2D和3D結構并不是單一對應的關系。上述局限性在Vilar等[55]的方法中得到改善,他們使用綜合相似度測量,包括2D和3D分子結構、相互作用譜、靶標和副作用相似性,預測新型藥物相互作用。但該方法的預測性能依賴于標準數(shù)據(jù)集的全面性,當分析初始數(shù)據(jù)庫中未記錄的藥物或最新上市藥物的相互作用時,模型預測性能將受到限制。同樣,組合藥物設計(combinatorial drug design,CDD)也存在對藥物不良反應考慮不足的缺陷[56]。
Zhao等[50]基于已獲得FDA批準的組合藥物信息:藥物靶蛋白、相關下游通路、醫(yī)療指示區(qū)以及來自ATC分類系統(tǒng)的治療作用和副作用建立了一種模型;Li等[57]基于藥物機構特征、ATC代碼和靶標副作用藥物相似性特征,以及靶標序列、PPI中靶標相互作用和GO語義(gene ontology,GO)靶標相似性特征建立 probability ensemble approach(PEA),使用Bayesian網(wǎng)絡計算相似率(likelihood ratio,LR),將每個藥物的以上六個特征組合,用于評估已知藥物的相互作用的相似性;Chandrasekaran等[58]采用化學基因組學數(shù)據(jù)預測抗生素藥物組合,作者首先實驗測量了15個藥物的105種相互作用;然后將測量所得的產(chǎn)生協(xié)同或拮抗作用的藥物相互作用數(shù)據(jù)和化學基因組學數(shù)據(jù)結合,作為INDIGO(computational modelentitled INferring Drug Interactions using chemo-Genomicsand Orthology)的訓練數(shù)據(jù)集;該方法僅需要個別藥物的化學基因組學數(shù)據(jù)就可輸出新的藥物組合。這四種模型往往利用藥物靶點、ATC代碼和化學結構等藥物性質,但藥物協(xié)同作用的依賴性較強,病型和藥物劑量往往可以調節(jié)藥物的療效,同時模型應該綜合考慮藥物性質和藥物治療相關信息,提高預測性能。
Takeda等[59]通過PD和PK相關網(wǎng)絡,探究藥物2D結構的相似性對其相互作用的影響,并以兩種藥物華法林和辛伐他汀為例,進行藥物相互作用的預測。驗證表明,這種邏輯回歸模型可以有效預測藥物相互作用,與靶標和酶相關的組合可以最大化地增加藥物間相互作用的預測能力。然而,這種預測方法強烈依賴檢查藥物(a drug to be examined,De)或查詢藥物(a query drug,Dq)的酶或轉運蛋白信息。另外,該方法僅適用于小分子藥物(即不適用于肽或核酸),因此,整合其他方法可能是提高預測藥物間相互作用性能的有效方式。
3.2 藥物靶標間相互作用 這類方法依據(jù)蛋白質結構相似性(拓撲結構相似性)及基因相似性等來預測藥物間相互作用或推斷藥物在體內(nèi)的作用模式。程飛雄[60]提出藥物相似性推理、靶標相似性推理、網(wǎng)絡推理和加權網(wǎng)絡推理方法,用于藥物-靶標間相互作用預測和藥物重定位研究,有效地發(fā)現(xiàn)藥物的潛在靶標。另外,通過加權網(wǎng)絡推理方法模擬研究,首次提出藥物-靶標網(wǎng)絡中的“弱相互作用假設”。這種方法具有一定的創(chuàng)新性,然而目前方法只考慮了靜態(tài)藥物-靶標網(wǎng)絡性質,即主要考察藥物-靶標網(wǎng)絡的親合力、選擇性或雜泛性,忽略了藥物時效性,即藥物在靶部位的停留時間(target residence time)和藥物-靶標結合動力學過程。
在組合靶標優(yōu)化方面,Penrod等[61]采用基于差異共表達和帕累托優(yōu)化(pareto optimization)的高通量轉錄組學數(shù)據(jù)預測藥物誘導腫瘤抵抗的組合靶點。以這種方法,幾種腫瘤必需基因被確定為抑制乳腺癌的可用藥物靶標,同時將大量藥效學數(shù)據(jù)和藥物靶標結合,預測特定癌細胞的選擇性靶點,最大限度地發(fā)揮抑癌作用。在網(wǎng)絡建模方面,已有很多學者使用蛋白質-蛋白質相互作用網(wǎng)絡來預測藥物相互作用[63-64]。 如鄒俊等[65]構建藥物組合網(wǎng)絡(drug combination network, DCN),采用“neighbor community”通過在DCN的背景下指定藥物靶標與其鄰近蛋白之間的相互作用來表征協(xié)同藥物之間的關系?!皀eighbor communities”更適合表征組合藥物之間的關系并進行藥物組合預測。DCN可以達到88%的預測準確率和0.95 AUC,且這種基于網(wǎng)絡的方法只需要試驗藥物的靶標信息,不需要難以獲得的組學或藥理學數(shù)據(jù),也不需要生化反應的詳細動力學參數(shù)值。Luo等[66]通過繪制化合物-靶蛋白相互作用網(wǎng)絡圖,建立藥物相互作用-藥物-化學相互作用工具(DDI-CPI,https://cpi.bio-x.cn/ddi/),用于預測藥物間相互作用,并尋找與藥物相互作用相關的PK/PD蛋白。雖然,該方法的預測準確度高達82%,但仍然無法保證化合物對所有蛋白質的對接精度,同時忽略藥物代謝物可能會引起藥物相互作用的這一事實。Salvatore等[67]改進了Cheng等[54]的方法,通過綜合表型、結構和基因組相似性,在藥物相互作用網(wǎng)絡的基礎上,使用機器學習方法進行藥物相互作用預測,并建立DT-Web(https://alpha.dmi.unict.it/dtweb/)。 用戶可查詢每種藥物的特征信息,預測和驗證靶標,相關酶和轉運蛋白,還可以根據(jù)多藥物、多靶點、多途徑的特點分析,確定可能對其產(chǎn)生間接影響的藥物基因。
近年來,有很多學者采用基于模式的統(tǒng)計/學習模型(Pattern-based statistical/learning model)預測藥物相互作用或組合協(xié)同作用,主要應用于無動力學參數(shù)或明確定義的網(wǎng)絡靶標的復雜疾病研究。Li等[72]提出了基于靶標的多組分協(xié)同識別網(wǎng)絡(NIMS:network target-based identification of multicomponent synergy),通過整合靶標網(wǎng)絡拓撲模式和靶向相關疾?。硇拖嗨菩詠砗Y選中藥的協(xié)同作用組合,從網(wǎng)絡靶標的角度來描述多組分協(xié)同作用的潛在機制;Xu等[73]利用“藥物雞尾酒網(wǎng)絡”(The drug cocktail network)拓撲特征預測可能的藥物組合。
Lee等[48]開發(fā)了一種藥物組裝的方法(combinatorial drug assembler, CDA, http://cda.i-pharm.org/)基于基因組譜數(shù)據(jù)的富集分析來預測藥物組合并提出功能性見解。然而,該方法的富集分析是基于差異表達的基因,對疾病驅動因子無明確定義,因此,可能忽略靶向疾病因果功能障礙信號傳導模塊的藥物。為了克服上述問題,Huang等[23]開發(fā)了一種新型的計算工具DrugComboRanker(drug combination discovery based on target network analysis),通過對藥物和癌癥的基因組譜進行綜合分析來預測癌癥特異性網(wǎng)絡多個信號模塊的藥物組合;Jansen等[74]開發(fā)了一種生物信息學驅動方法,有效預測組合藥物的協(xié)同作用;Sun等[17]建立了一個半監(jiān)督學習模型(rankingsystem of anti-cancer synergy, RACS),預測癌癥治療的藥物協(xié)同作用,通過實驗和文獻發(fā)現(xiàn)對乳腺癌預測準確率高達63.6%;基于此方法,余蔚明[83]從化學和基因空間出發(fā),在已知的四類藥物-靶標相互作用網(wǎng)絡中最大限度地利用標簽數(shù)據(jù)去推測未標簽數(shù)據(jù),提出了一種半監(jiān)督學習方法來預測潛在的藥物-靶標對;閆龑[84]結合機器學習的方法,對藥物疾病關系網(wǎng)絡以及與其相關的受體配體關系網(wǎng)絡和蛋白質相互作用網(wǎng)絡中的數(shù)據(jù)進行了挖掘。
3.3 “藥物-靶標-疾病-基因”多級相互作用 這類方法依據(jù) CombiGEM(combinatorial genetics en masse)方法、全基因組關聯(lián)分析(genome-wide association studies,GWAS)和網(wǎng)絡建模等方法推測藥物對疾病的相互作用。Manolio等[76]檢查潛在的遺傳來源,并提出基因組關聯(lián)研究策略,闡明復雜性疾病的遺傳學特征,有效地進行疾病預防或治療;CombiGEM通過分析多因素遺傳學特征,快速預測藥物組合,揭示產(chǎn)生強表型途徑之間的相互作用,利用系統(tǒng)生物學方法發(fā)現(xiàn)網(wǎng)絡交互作用。Cheng等[77]將該方法應用于癌癥研究中,并根據(jù)不同的基因敲除模型評估癌細胞對藥物的敏感性。網(wǎng)絡建模是基于細胞通路和相互作用的詳細拓撲圖來預測細胞行為的方法。網(wǎng)絡建模方法已實現(xiàn)結合自上而下的方法應用,可用于預測模型常數(shù)或根據(jù)實驗數(shù)據(jù)訓練網(wǎng)絡特征參數(shù)。通過考察特征參數(shù)對整個網(wǎng)絡的影響,判斷藥物之間的協(xié)同或拮抗作用[78]。
基于網(wǎng)絡的藥物協(xié)同作用評估方法通路相互作用 網(wǎng)絡 (“pathway-pathway interaction” network,WWI)比以往基于靶標的方法具有更好的性能,且可更好地闡明某些組合藥物的潛在協(xié)同機制[85]。該方法以 WNS-score(WWI network-based synergy score)來評估和優(yōu)化藥對,是非常簡單的且無模型訓練的評估方法,可以實現(xiàn)很好的性能。與Luo等[66]的方法一樣,該方法僅考慮了藥物靶標干擾的藥理學通路的相互作用關系,忽略了組合藥物的代謝過程中的協(xié)同機制。同時,由于通路相互作用和通路組成的不完整性,WNS-score只能作用于已知通路的藥物靶點;由于通路間增強和衰減效應等的界定不完整,只能確定兩種途徑間是否具有相互作用,并不能確定其強度變化。
此外,有很多基于無監(jiān)督學習模型的建立,用于協(xié)同藥物組合的預測[80-82,85]。該預測模型的數(shù)據(jù)主要來源于藥物治療轉錄表達數(shù)據(jù)(drug-treated transcriptional expression data),由于信息的性質可以充分反映生物途徑中藥物作用機制。但由于目前尚無處理轉錄表達譜數(shù)據(jù)的標準規(guī)則;差異表達基因的選擇在很大程度上取決于個體研究者;且依據(jù)不同的算法,重要的基因列表將存在較大的差異性;基于轉錄表達數(shù)據(jù)的模型,不同的研究人員將根據(jù)不同的微陣列數(shù)據(jù)的處理方法構建不同的網(wǎng)絡,而沒有統(tǒng)一標準界定,使最終解釋變得困難等,使得模型有一定的局限性。
以上網(wǎng)絡藥理學的網(wǎng)絡建模方法從藥物、靶標、疾病、基因方面出發(fā),有效地預測藥物相互作用,推測藥物對疾病的影響,計算藥物的臨床有效率等,為組合藥物間藥物相互作用的預測、組合藥物的設計以及協(xié)同藥物組合的篩選提供新思路和新方法。
本文聚焦幾年來組合藥物在中西藥研究領域中的應用,網(wǎng)絡藥理學可用的數(shù)據(jù)資源、算法和軟件以及現(xiàn)有的組合藥物研究方法等,系統(tǒng)論述了網(wǎng)絡藥理學研究策略在組合藥物研究中的應用,為組合藥物研究提供理論支撐和方法依據(jù)。但目前也存在一些弊端:第一,中醫(yī)理論將人體視為一個有機的整體,與自然界有著密切的聯(lián)系,而中藥在中醫(yī)理論指導下,具有多靶點、多途徑、整體協(xié)同的特點。中藥配伍是指有目的地按病情需要和藥性特點,有選擇地將兩味以上藥物配合同用,達到增效減毒的作用。這一理論與組合藥物的組合原則相一致,更有利于中藥在組合藥物領域中的應用和發(fā)展。因此,應致力于推廣中藥組合藥物的發(fā)展和應用。第二,經(jīng)調研發(fā)現(xiàn),現(xiàn)有的組合藥物研究方法在預測組合藥物間相互作用時尚未對方法的準確率、召回率、靈敏度和特效性等進行考察與評估,無法對預測方法的性能進行準確評價,具有一定的局限性;采用單一標準的方法預測組合藥物時存在或多或少的缺陷,不能達到精準預測的目的。針對這些問題,需對預測方法的精度評價設定統(tǒng)一標準,進行方法的篩選和評估,選擇最為優(yōu)質的方法進行組合藥物藥效相關性評價。同時發(fā)現(xiàn),采用基于PK/PD相關網(wǎng)絡的藥物結構相似性的方法來預測組合藥物間相互作用及有效性更為優(yōu)越。因此,聯(lián)合使用多種方法可提高預測藥物間相互作用的準確度和靈敏度,有利于有效組合藥物的設計和開發(fā)。第三,一些網(wǎng)絡建模,如PPI網(wǎng)絡、基因-蛋白相互作用網(wǎng)絡以及藥物靶標相互作用網(wǎng)絡等在預測模型中均未考慮代謝網(wǎng)絡。藥物的吸收和分布在疾病治療中發(fā)揮重要作用,但幾乎沒有預測模型將藥物代謝考慮在內(nèi)。協(xié)同藥物組合模型應充分利用疾病信號通路、藥物靶標通路以及藥物吸收、分布、代謝、排泄等藥物代謝過程等信息,綜合預測協(xié)同藥物組合,提高預測性能。第四,隨著網(wǎng)絡藥理學研究的出現(xiàn)和不斷深入,網(wǎng)絡建模方法的建立、常用數(shù)據(jù)庫資源的開發(fā)、算法以及軟件的應用等受到國內(nèi)外學者的廣泛關注。網(wǎng)絡藥理學多成分、多途徑和多靶點復雜關系網(wǎng)絡的建立與組合藥物機制研究相符。同時,有效的網(wǎng)絡分析平臺的建立為新型藥物組合靶點與疾病治療的網(wǎng)絡靶標的篩選,組合藥物的設計和優(yōu)化,以及新的組合藥物的創(chuàng)制等提供了關鍵技術支撐,為組合藥物的研發(fā)和臨床應用提供了一條新途徑。
【參考文獻】
[1]陳 暢,馬 興,滿國峰,等.組合藥物-現(xiàn)代藥物研發(fā)的新趨勢[J].中國實驗方劑學雜志,2012,18(14):310-312.
[2]Listed N.A once-daily combination tablet(Atripla) for HIV[J].Med Lett Drugs Ther, 2006,48(1244):78-79.
[3]James JS.FDA approves two combination pills, Epzicom and Truvada; comment on commercial race to once-a-day nucleosides[J].AIDS Treat News,2004(403):6.
[4]Goltsov A, Faratian D, Langdon SP, et al.Features of the reversible sensitivity-resistance transition in PI3K/PTEN/AKT signalling network after HER2 inhibition[J].Cell Signal,2012,24(2):493-504.
[5]Dickson MA, Tap WD, Keohan ML, et al.Phase II trial of the CDK4 inhibitor PD0332991 in patients with advanced CDK4-amplified well-differentiated or dedifferentiated liposarcoma[J].J Clin Oncol,2013,31(16):2024-2028.
[6]Robert C, Karaszewska B, Schachter J, et al.Improved overall survival in melanoma with combined dabrafenib and trametinib[J].New Engl J Med,2015,372(1):30-39.
[7]Nair PM,Javad H,Al-Mandhiry ZA.Organophosphate poisoning in children-atropine, pralidoxime or both[J].Saudi Med J,2001,22(9):814-815.
[8]Doyle KP, Simon RP, Stenzel-Poore MP.Neuropharmacology-special issue on cerebral ischemia mechanisms of ischemic brain damage-review article[J].Neuropharmacology,2008,55(3):310-318.
[9]彭世陸,劉麗芳,朱華旭,等.組合藥物及黃連解毒湯對小檗堿在大鼠腦組織中藥動學的影響[J].中草藥,2016,47(16):2877-2882.
[10]Zhang YY, Li HX,Chen YY, et al.Convergent and divergent pathways decoding hierarchical additive mechanisms in treating cerebral ischemia-reperfusion injury[J].Cns Neurosci Ther,2014,20(3):253-263.
[11]Li F, Zhang Y, Zeng D, et al.The combination of three components derived from sheng maisan protects myocardial ischemic diseases and inhibits oxidative stress via modulating MAPKs and JAK2-STAT3 signaling pathways based on bioinformatics approach[J].Front Pharmacol,2017,8:21.
[12]梁 晨.三氧化二砷聯(lián)合粉防己堿對乳腺癌血管新生及肺轉移的影響[D].北京:北京中醫(yī)藥大學,2016.
[13]Zhang Y,Huang F,Lai G.Combination drug approved to treat HIV[J].FDA Consum,2001,22(6):631-638.
[14]Cirstea D, Hideshima T, Rodig S, et al.Dual inhibition of akt/mammalian target of rapamycin pathway by nanoparticle albuminbound-rapamycin and perifosine induces antitumor activity in multiple myeloma[J].Mol Cancer Ther,2010,9(4):963-975.
[15]Mayer LD,Harasym TO,Tardi PG,et al.Ratiometric dosing of anticancer drug combinations:controlling drug ratios after systemic administration regulates therapeutic activity in tumor-bearing mice[J].Mol Cancer Ther,2006,5(7):1854-1863.
[16]Soldi R, Cohen AL, Cheng L, et al.A genomic approach to predict synergistic combinations for breast cancer treatment[J].Pharmacogenomics J,2013,13(1):94-104.
[17]Sun Y, Sheng Z, Ma C, et al.Combining genomic and network characteristics for extended capability in predicting synergistic drugs for cancer[J].Nat Commun,2015,6:8481.
[18]Park HK,Lee JE,Lim J,et al.Combination treatment with doxorubicin and gamitrinib synergistically augments anticancer activity through enhanced activation of bim[J].BMC Cancer,2014,14:431.
[19]Sun X, Bao J, Nelson KC, et al.Systems modeling of anti-apoptotic pathways in prostate cancer:psychological stress triggers a synergism pattern switch in drug combination therapy[J].PLoS Comput Biol,2013,9(12):e1003358.
[20]Goltsov A, Faratian D, Langdon SP, et al.Compensatory effects in the PI3K/PTEN/AKT signaling network following receptor tyrosine kinase inhibition[J].Cell Signal,2011,23(2):407-416.
[21]邱永豐.藥物組合對膀胱癌T24細胞抑制作用的初步實驗研究[D].長春:吉林大學,2011.
[22]劉 磊,趙羲和,李 凱.帕妥珠單抗與厄洛替尼對荷瘤小鼠的療效研究[J].解剖科學進展,2008,14(3):277-280.
[23]Huang L, Li F, Sheng J, et al.DrugComboRanker:drug combination discovery based on target network analysis[J].Bioinformatics,2014,30(12):i228-i236.
[24]Miller ML, Molinelli EJ, Nair JS, et al.Drug synergy screen and network modeling in dedifferentiated liposarcoma identifies CDK4 and IGF1R as synergistic drug targets[J].Sci Signd,2013,6(294):ra85.
[25]Flaherty KT.Dividing and conquering:controlling advanced melanoma by targeting oncogene-defined subsets[J].Clin Exp Metastasis,2012,29(7):841-846.
[26]Tyner JW, Yang WF, Bankhead A 3rd, et al.Kinase pathway dependence in primary human leukemias determined by rapid inhibitor screening[J].Cancer Res,2013,73(1):285-296.
[27]Robert C, Thomas L, Bondarenko I, et al.Ipilimumab plus dacarbazine for previously untreated metastatic melanoma[J].N Engl J Med,2011,364(26):2517-2526.
[28]張治洲.從系統(tǒng)生物學到配伍西藥:中藥現(xiàn)代化的一個核心戰(zhàn)略[J].中國生物工程雜志,2007,27(4):153-156.
[29]樸香梅,姜俊哲,樸林虎,等.賴諾普利氫氯噻嗪在中老年性高血壓治療中的臨床療效[J].中國繼續(xù)醫(yī)學教育,2016,8(2):157-158.
[30]Chan R, Park KC, Lee MH, et al.A randomized controlled trial of the efficacy and safety of a fixed triple combination(fluocinolone acetonide 0.01%, hydroquinone 4%, tretinoin 0.05%) compared with hydroquinone 4%cream in Asian patients with moderate to severe melasma[J].Br J Dermatol,2008,159(3):697-703.
[31]Peng H, Peng T, Wen J, et al.Characterization of p38 MAPK isoforms for drug resistance study using systems biology approach[J].Bioinformatics,2014,30(13):1899-1907.
[32]Wang Z, Jing ZW, Zhou CX, et al.Fusion of core pathways reveals a horizontal synergistic mechanism underlying combination therapy[J].Eur J Pharmacol,2011,667(1-3):278-286.
[33]Pawson T, Linding R.Network medicine[J].FEBS Lett,2008,582(8):1266-1270.
[34]張彥瓊,李 梢.網(wǎng)絡藥理學與中醫(yī)藥現(xiàn)代研究的若干進展[J].中國藥理學與毒理學雜志,2015,29(6):883-892.
[35]Xiong J, Rayner S, Liang F, et al.The Principle of Rational Design of Drug Combination and Personalized Therapy Based on Network Pharmacology[J].Chin J Pharmacol Toxicol,2013,27(1):1-5.
[36]Liu Y, Wei Q, Yu G, et al.DCDB 2.0:a major update of the drug combination database[J].Database(Oxford),2014,2014:bau124.
[37]Library WP.Anatomical therapeutic chemical classification system[J].2015.
[38]Chen CY.TCM Database@ Taiwan:the world's largest traditional Chinese medicine database for drug screening in silico[J].Plos One,2011,6(1):e15939.
[39]Xue R,F(xiàn)ang Z,Zhang M,et al.TCMID:traditional Chinese medicine integrative database for herb molecular mechanism analysis[J].Nucleic Acids Res,2013,41(Database issue):D1089-D1095.
[40]Ye H, Ye L, Kang H, et al.HIT: linking herbal active ingredients to targets[J].Nucleic Acids Res,2011,39(Database issue):D1055-D1059.
[41]Ru J, Li P, Wang J, et al.TCMSP:a database of systems pharmacology for drug discovery from herbal medicines[J].J Cheminformatics,2014,6:13.
[42]Yao X, Hao H, Li Y, et al.Modularity-based credible prediction of disease genes and detection of disease subtypes on the phenotype-gene heterogeneous network[J].Bmc Syst Biol,2011,5(1):1-11.
[43]Chatr-Aryamontri, Oughtred R, Boucher L, et al.The BioGRID interaction database:2017 update[J].Nucleic Acids Res,2017,45(D1):D369-D379.
[44]Stolovitzky G,Monroe D,Califano A.Dialogue on reverse-engineering assessment and Methods:the DREAM of high-throughput pathway inference[J].Ann N Y Acad Sci,2007,1115:1-22.
[45]Thorn CF,Klein TE,Altman RB.PharmGKB:the Pharmacogenomics knowledge base[J].Methods Mol Biol,2013,1015:311-320.
[46]Szklarczyk D, Franceschini A, Wyder S, et al.STRING v10:protein-protein interaction networks, integrated over the tree of life[J].Nucleic Acids Res,2015,43(Database issue):D447-D452.
[47]劉彥斌.組合藥物數(shù)據(jù)庫構建及藥物協(xié)同作用機理分析[D].杭州:浙江大學,2011.
[48]Lee JH, Kim DG, Bae TJ, et al.CDA:combinatorial drug discovery using transcriptional response modules[J].PLoS One,2012,7(8):e42573.
[49]Batagelj V, Mrvar A.Pajek-analysis and visualization of large networks[M]//Graph Drawing Software.Springer Berlin Heidelberg,2004.
[50]Zhao XM,Iskar M,Zeller G,et al.Prediction of drug combinations by integrating molecular and pharmacological data[J].PLoS Comput Biol,2011,7(12):e1002323.
[51]Wu M, Sirota M, Butte AJ, et al.Characteristics of drug combination therapy in oncology by analyzing clinical trial data on Clinical-Trials.gov[J].Pac Symp Biocomput,2015:68-79.
[52]Wang YY, Xu KJ, Song J, et al.Exploring drug combinations in genetic interaction network[J].BMC Bioinformatics,2012,13(Suppl 7):S7.
[53]趙鵬姚.藥物相互作用的網(wǎng)絡藥理學分析與預測[D].北京:北京交通大學,2016.
[54]Cheng F, Zhao Z.Machine learning-based prediction of drug-drug interactions by integrating drug phenotypic, therapeutic, chemical,and genomic properties[J].J Am Med Inform Assoc,2014,21(e2):e278-e286.
[55]Vilar S, Uriarte E, Santana L, et al.Similarity-based modeling in large-scale prediction of drug-drug interactions[J].Nat Protoc,2014,9(9):2147-2163.
[56]Sun X, Vilar S, Tatonetti NP.High-throughput methods for combinatorial drug discovery[J].Sci Transl Med,2013,5(205):205rv1.
[57]Li P, Huang C, Fu Y, et al.Large-scale exploration and analysis of drug combinations[J].Bioinformatics,2015,31(12):2007-2016.
[58]Chandrasekaran S,Cokol-Cakmak M,Sahin N,et al.Chemogenomics and orthology-based design of antibiotic combination therapies[J].Mol Syst Biol,2016,12(5):872.
[59]Takeda T,Hao M,Cheng T,et al.Predicting drug-drug interactions through drug structural similarities and interaction networks incorporating pharmacokinetics and pharmacodynamics knowledge[J].J Cheminform,2017,9:16.
[60]程飛雄.系統(tǒng)藥物設計方法發(fā)展及應用研究[D].上海:華東理工大學,2013.
[61]Penrod NM,Greene CS,Moore JH.Predicting targeted drug combinations based on pareto optimal patterns of coexpression network connectivity[J].Genome Med,2014,6(4):33.
[62]Tang J, Karhinen L, Xu T, et al.Target inhibition networks:predicting selective combinations of druggable targets to block cancer survival pathways[J].PLoS Comput Biol,2013,9(9):e1003226.
[63]Herrero-Zazo M, Segura-Bedmar I, Hastings J, et al.DINTO:using OWL ontologies and SWRL rules to infer drug-drug interactions and their mechanisms[J].J Chem Inf Model,2015,55(8):1698-1707.
[64]Huang H, Zhang P, Qu XA, et al.Systematic prediction of drug combinations based on clinical side-effects[J].Sci Rep,2014,4:7160.
[65]鄒 俊,楊勝勇,魏于全,等.基于藥物組合網(wǎng)絡的藥物聯(lián)合作用預測方法[P].2015.
[66]Luo H, Zhang P, Huang H, et al.DDI-CPI, a server that predicts drug-drug interactions through implementing the chemical-protein interactome[J].Nucleic Acids Res,2014,42(Web Server issue):W46-W52.
[67]Alaimo S, Bonnici V, Cancemi D, et al.DT-Web:a web-based application for drug-target interaction and drug combination prediction through domain-tuned network-based inference[J].BMC Syst Biol,2015,9(Suppl 3):S4-S4.
[68]Iadevaia S, Lu Y, Morales FC, et al.Identification of optimal drug combinations targeting cellular networks:integrating phospho-proteomics and computational network analysis[J].Cancer Res,2010,70(17):6704-6714.
[69]Araujo RP, Petricoin EF,Liotta LA.A mathematical model of combination therapy using the EGFR signaling network[j].Biosystems,2005,80 (1):57-69.
[70]Aldridge BB, Saez-Rodriguez J, Muhlich JL, et al.Fuzzy logic analysis of kinase pathway crosstalk in TNF/EGF/insulin-induced signaling[J].PLoS Comput Biol,2009,5(4):e1000340.
[71]Molinelli EJ, Korkut A, Wang W, et al.Perturbation biology:inferring signaling networks in cellular systems[J].PLoS Comput Biol,2013,9(12):e1003290.
[72]Li S, Zhang B, Zhang N.Network target for screening synergistic drug combinations with application to traditional Chinese medicine[J].BMC Syst Biol,2011,5(Suppl 1):S10.
[73]Xu KJ, Song J, Zhao XM.The drug cocktail network[J].BMC Syst Biol,2012;6(Suppl 1):S5.
[74]Jansen G, Lee AY, Epp E, et al.Chemogenomic profiling predicts antifungal synergies[J].Mol Syst Biol,2009,5:338.
[75]Chen X,Ren B,Chen M,et al.NLLSS:predicting synergistic drug combinations based on semi-supervised learning[J].PLoS Comput Biol,2016,12(7):e1004975.
[76]Manolio TA, Collins FS, Cox NJ, et al.Finding the missing heritability of complex diseases[J].Nature,2009,461(7265):747-753.
[77]Cheng AA,Ding H,Lu TK.Enhanced killing of antibiotic-resistant bacteria enabled by massively parallel combinatorial genetics[J].Proc Natl Acad Sci USA,2014,111(34):12462-12467.
[78]Zhang Y, Smolen P, Baxter DA,et al.Computational Analyses of Synergism in Small Molecular Network Motifs[J].PLoS Comput Biol,2014,10(3):e1003524.
[79]Wu Z, Zhao XM, Chen L.A systems biology approach to identify effective cocktail drugs[J].BMC Syst Biol,2010,4(Suppl 2):S7.
[80]Tan VY, Févotte C.Automatic relevance determination in nonnegative matrix factorization with the β-divergence[J].IEEE Trans Pattern Anal Mach Intell,2013,35(7):1592-1605.
[81]Jin G, Zhao H, Zhou X, et al.An enhanced Petri-net model to predict synergistic effects of pairwise drug combinations from gene microarray data[J].Bioinformatics,2011,27(13):i310-i316.
[82]Yang J,Tang H,Li Y,et al.DIGRE:drug-induced genomic residual effect model for successful prediction of multidrug effects[J].CPT Pharmacometrics Syst Pharmacol,2015,4(2):91-97.
[83]余蔚明.藥物-靶標相互作用網(wǎng)絡預測方法研究[D].上海:華東師范大學,2012.
[84]閆 龑.重要藥物-疾病互作網(wǎng)絡的數(shù)據(jù)挖掘方法研究[D].上海:華東師范大學,2014.
[85]Chen D, Zhang H, Lu P, et al.Synergy evaluation by a pathway-pathway interaction network:a new way to predict drug combination[J].Mol Biosyst,2016,12(2):614-623.